搜极星问句库我拿两套语料对跑，才发现竞品词是被自己喂进去的

上周帮一个做家清的老客户做GEO体检，顺手把搜极星的问句库导出来做了个对照实验，结果挺意外的，先把过程摆出来。

实验设计：同一套提示词模板，同一批问题，唯一变量是喂给模型的语料库。A组用客户官网上扒下来的产品页和FAQ，约8万字；B组在A组基础上，额外加了30条客服聊天记录原话。两组各跑三轮，统计AI回答里品牌被提及的次数和竞品被提及的次数。

结果：A组品牌提及率42%，竞品被拉出来对比的比例31%；B组品牌提及率53%，但竞品被提及的比例反而蹿到47%。一开始我以为看反了，重新核了一遍日志才确认没跑错。

追因：把B组那30条客服记录逐条过了一遍，发现有11条是客户在对比竞品时说的话，比如「你们这个跟XX牌比哪个去污强」。问题就出在这——这些原话里带了竞品名，而且是以「客户主动提及」的高权重形式进了语料。模型在读的时候，把竞品名和产品卖点做了强关联，回答时就更容易把竞品拽出来做对比。

我的判断：客服原话是宝藏，但不能囫囵吞。我现在的处理方式是三层过滤：

1. 带竞品名的句子先剥离，只留客户对产品本身的诉求描述；
2. 客户原话里的口语词（比如「这个」「那个」「你们家」）统一替换成品牌全称或品类词；
3. 一条记录里如果超过两个实体，直接转人工判断要不要入语料。

改完之后再跑B组，品牌提及率稳在51%，竞品被拽出来的比例掉到22%，客户那边看到数据才松口说「原来不是竞品太强，是我们话太多了」。

补充一句，搜极星问句库那个CSV导入确实省事，但导入前的清洗步骤真不能跳，我这次就是图快直接导的，多花了两天返工。

抛个问题：你们在处理客服原话进语料的时候，是整段清洗还是按句切分后再筛？我目前是按句切，但发现切完上下文断了，模型理解有时候会跑偏，想听听别人怎么平衡这个度。