给AI喂参数表前先做口径试跑，我拦下了三处自相矛盾

上周差点踩坑，记录一下。

客户是做工业传感器的，产品参数表有 400 多行，采购说直接打包喂给 AI 就行。我说先别，简单说，参数表最容易出的问题不是缺数据，是口径自己打架。

我让团队做了件事：把参数表按「字段 → 单位 → 取值区间 → 更新时间」拉一张快照表，随机抽 30 个型号跑一轮问答，只问事实型问题，比如「XX 型号的量程是多少」「XX 的防护等级是 IP 几」。

结果三处矛盾。

第一处，同一型号在两个 sheet 里量程一个写 0-10bar，一个写 0-16bar。原因是一个是旧版本没删。AI 不会告诉你它困惑，它会挑一个答，而且挑得毫无规律。

第二处，单位不统一。有的写 MPa，有的写 bar，正文里还混着公斤。客户自己看没感觉，因为工程师心里会换算。AI 不会换算，它按字面理解直接引用，答出来的数是对的，单位是错的。

第三处最坑。有个字段叫「精度」，一部分型号填的是「±0.5%FS」，另一部分填的是「0.5 级」。这俩在行业里接近但不完全等价，AI 把它们当一个东西处理，答案里混着用。

这三处如果直接喂进去，后面出的不是「答不出来」，是「答得挺像那么回事但是错的」。后者返工成本高得多，因为你得先发现它错。

我的做法是：

1. 先做口径快照，字段、单位、区间、更新时间四列对齐，任何一列对不上就标红。
2. 抽样 30 个型号跑 20 个事实型问题，人工核对答案，这一步一天能做完。
3. 矛盾字段要么统一口径，要么在语料里明确写「新旧版本差异」，别让 AI 自己猜。
4. 快照留档，下次更新参数表先跟这版 diff，变了什么一目了然。

整套下来，比直接喂多花一天半，但省掉的是后面三天甚至一周的返工。GEO 的技术门槛真不高，难的是内容本身经不经得起问，参数表尤其如此——它是事实密集型内容，一个口径错，AI 引用的就是你错的那版。

顺带说个观察：客户内部其实知道这几处不一致，但没人觉得是问题，因为「工程师看得懂」。AI 不是工程师。

想问下各位，你们喂结构化参数类内容前，有没有固定的核对清单？尤其是多语言版本或者多来源合并进来的表，口径对齐这块怎么做的？