问句库采样加个否定词过滤，成本直接砍四成，附踩坑记录

上周跑问句库采样，账单一出来我人傻了——单次跑批光调API就花了小两千，这里面至少三成是白烧的。

问题出在哪？我拉日志一看，采样出来的问句里全是「XX品牌怎么样」「XX好不好用」这种泛问，而且大量带「不」「别」「除了」的否定句。这些问句AI要么答得模棱两可，要么压根不是我们目标场景该覆盖的。采样分母虚高，成本跟着虚高，跑出来的覆盖率数据还好看——因为分母里掺了水。

我的做法是加两道过滤器：

1. 否定词过滤：把「不」「没」「别」「除了」「除了…还有」这类句式先剔掉。不是说否定问句没价值，而是它们该单独建一个负向问句池，不该混在主采样里拉高成本。
2. 时间窗过滤：只采最近90天有真实搜索/互动行为的问句变体，老问句按季度归档，不重复跑。

结果：采样量从每轮1.2万条压到7200条，成本降了四成，但核心场景覆盖率没掉——因为砍掉的全是长尾噪声。

踩过的坑也说一下：否定词过滤别用简单字符串匹配，「不能不」「不得不」这种双重否定会被误杀，得用分词+词性标注。我第一版就是直接includes('不')，结果把「不得不买」这种高价值问句也筛掉了，跑批结果直接崩。

现在这套流程跑了两周，每轮成本稳定在1100左右，覆盖率还比之前准。

问一句：你们问句库采样的时候，否定句是单独建池还是直接扔？有没有人试过按意图分层做二次过滤？