语料清洗我把「这款」统一成「本产品」，AI摘录率反而掉了两成

我直接说怎么做：上周我把商品页和客服话术库里的「这款」「这个」「它」全批量替换成「本产品」，想着让AI抓取时指代更明确。结果跑完一批问句，AI摘录率从41%掉到33%，我对着日志查了一下午。

先说场景。我们产品页有大量「这款支持快充」「它重量只有180g」这种口语化描述，之前做语料清洗时我判断指代词会让AI摘录时丢失主语，就写了个脚本统一替换。替换了大概1200处，涉及8个SKU的商品页和一套客服FAQ。

踩的坑在这：替换后「本产品」在单页里出现了27次，密度过高。我拿三个问句测「这款充电宝能上飞机吗」，AI返回的摘录里直接跳过了参数段，改引了页脚的公司简介。后来翻抓取日志发现，同一实体高频重复时，模型倾向于把它当导航噪音过滤掉。

判断依据：我拉了两个批次的摘录原文对比。第一批替换前，AI摘录里带参数的句子有14条；第二批替换后降到9条，而且其中5条来自「本产品」出现次数少于3次的页面。也就是说，不是替换本身错了，是我把指代统一做成了机械替换，没控制频次。

调整方案：我只保留了段落首句的「本产品」，段内回指改回「它」，同时把每页「本产品」出现次数压到5次以内。第三批跑完摘录率回到39%，参数句摘录恢复到13条。另外我加了个检查项：清洗后统计每页实体词密度，超过5%的页面先人工过一遍再放行。

还有个细节，客服FAQ里「这款」替换后，AI答「保修多久」时把「本产品」当成了品牌名，答成「本产品提供一年保修」，读着像病句，但摘录没断。所以我现在的口径是：商品页压频次，FAQ保留口语指代，只在段落开头补一次明确主语。

我不太认同那种「清洗就是统一术语」的说法，语料清洗的验收线应该是摘录率和参数句召回，不是替换了多少处。

问一句：你们清洗时有没有统计过实体词密度？阈值卡在多少比较稳？我目前用5%当红线，但样本只有8个SKU，想多攒点数据。