有段时间我很迷恋“学完整流程”。后来我发现，完整流程不是靠看出来的，是靠跑出来的。于是我给自己做了一次项目代练：不追求宏大，也不急着上量，只追求把链路跑通——从需求到规则到试标到抽检到交付，再到复盘。哪怕只做 10 条数据，也要像做 1 万条一样认真。

我选的场景很“普通”，因为普通才更像真实工作：一家在线教育平台希望模型能判断用户的“学习意愿强弱”，用于辅助顾问跟进。你看，这句话已经比“更懂用户”具体了一点，但仍然不够执行。学习意愿是什么？表现在哪里？一条对话里用户的态度会不会变化？模型一次能吃多少字？数据来自咨询聊天还是电话转写？如果你不把这些挖出来，后面的每一步都只是猜。

于是我先把“愿望”翻译成“任务”：数据是长对话，模型窗口有限，需要切分；切完以后，给用户回复标注强/中/弱。听起来终于像个任务了，但困难刚刚开始，因为“强中弱”是人的感受，不是数学。你要做的是把感受变成规则。我的做法是先把三类写得很笨：强就是主动推进（问价格、问时间、问细节、表达想报名），中就是礼貌但不推进（说“再看看”“最近忙”这类），弱就是明确拒绝或回避。然后我发现这样写不够，因为现实里最多的是“似是而非”——用户嘴上很客气，实际一直在躲。这个时候，规则里就必须出现边界例：什么叫礼貌？什么叫回避？遇到模糊句子如何处理？我甚至会写一句“如果你犹豫超过 5 秒，请按 X 处理”，因为标注执行需要这种“止损按钮”。

写完规则后我没有立刻开干，而是先做试标。试标像一个照妖镜：你以为写清楚了，但标注员会用结果告诉你哪里没写清楚。试标出来一致性不高的时候，千万别急着怪人。大部分情况都是规则有洞、例子太少、或者你把业务目标理解得太理想。那一晚我对着几条“争议样本”改了很久，改到最后我才意识到：规则文档的价值不在“多漂亮”，而在“能减少犹豫”。能减少犹豫，就是能提升一致性；一致性上来了，模型才有机会学到稳定的规律。

进入正式标注后，我给自己加了一个限制：无论数据量多小，都要做抽检，并且把抽检当作“反馈回路”。发现问题就记录：这是规则覆盖不足，还是样本切分不合理，还是培训不到位？然后把问题回写到规则里。这样做的好处是，项目不会靠“人记忆”维持质量，而是靠“文档和流程”维持质量。你会明显感觉到，项目从一盘散沙变成了一个系统。

最后交付那一刻，其实并没有“结束”的爽感，反而是“终于可以复盘”的轻松。我把错误类型归档，把高频边界补进规则，把切分点踩坑写进注意事项。因为我知道，下次再做类似任务，我不想再从头撞一遍墙。所谓成长，很多时候就是把撞墙的地方贴上标记，顺便给未来的自己留一盏灯。

如果你也在入行路上，我很推荐做一次这样的项目代练：不用追求大而全，追求把闭环跑通。你会更快理解这份工作的真实肌理：它不是背概念，而是不断把“模糊”变成“标准”，把“经验”变成“可复用”。而这种能力，不止在 AI 训练里值钱，在任何复杂系统里都值钱。