第七十七章 排雷
周一早上七点半，他给麦景行发了一条：「昨晚Codex提了一个问题，你看一下：注释里嵌英文函数名或配置项路径的情况，预处理规则按字符切，会不会把函数名截成英文片段，把注释语义搞乱。昨晚说明天确认，今天来了。」
麦景行八点不到就回了：「在看，半小时内给你答案。」
等的时间里，他把工位整了一下，泡了杯茶，把今天要做的事列了一遍。
项磊那边今天要确认合同签字，乔木要开始整理星汇云的接入配置文件模板，麦景行的预处理模块昨天开工，今天是第五天。如果代码嵌注释这个情况要处理，工作量怎么加进去，要重新评估一下时间线。
他坐着想了一会儿，那个问题最坏的情况是什么。项磊给的样例是六个，有代表性，但样例终究是样例。星汇云八个仓库，四个是老项目，早期的工程师写注释没有规范约束，函数名、路径、参数名夹在注释里这种写法，说不定不止一个文件有。要是等第一阶段接进来跑，才发现规则层漏了这类情况，再回头修，那才是真麻烦。让麦景行今天确认，对的。
八点二十七分，麦景行的消息来了，语气比预期的更沉：
「确认了，真有。工具包那个文件，注释里有这样的写法：『参数 config 对应 ConfigManager.getDefaultConfig()，请勿覆盖』。这里 ConfigManager.getDefaultConfig() 是英文函数调用，夹在中文里。规则按字符切，这段会被判成'中文+英文片段'，英文片段是一个函数签名，送进英文训练路，模型会把它当英文注释来学，不对。」
停了一下，又来一条：「范围我看了，在项磊发来的六个代表性样例里只出现了一次，那是一个早期留下来的老工具类。其他五个文件没有这类情况。」
他没有立刻回，把这段话看了一遍。麦景行早上说"在看"的时候语气很平，这一条"真有"说明他自己也被结果吓了一跳。前世他见过类似的情况，这种小规则问题不显眼，往往等到验收才暴露，然后拖垮整条交付线。要是等实测才发现，第一阶段至少要回退三四天重跑。更麻烦的是魏城刚签合同，第一轮就出这种数据污染，客户嘴上不说，心里已经扣分了。
「能处理吗，怎么处理？」
「可以处理，」麦景行回，「在预处理规则里加一层结构检测：扫描切出来的英文片段，如果里面有函数调用格式或者驼峰命名这类代码识别符，就打上结构标记，不送进自然语言训练路。要么直接过滤，要么后面单独建一个结构桶。」
「工作量？」
「半天，加进现有的规则层就行，不影响总的时间线。」
「做，今天搞定。」他回，「过滤的思路先用起来，现在先把结构型注释剔出去不让它污染训练数据，后面再考虑单独建一个结构桶。」
「明白，下午前完成。」
他把手机放到桌上，这件事解了。Codex昨晚提的那个风险，麦景行今天验证，找到了，就在那个老工具类里，半天加进去处理。没有拖慢计划，而且是真实的数据问题，要是没发现让它直接进训练，出来的建议质量会有污染，很难察觉。
预处理模块今天加了两层：语言切分层，结构检测层。两层叠起来，才算真的把这条路打通了。
下午两点，项磊发来一条：「合同这边已经走完了，魏城签了，法务盖了章，这会儿正在快递过来。」
他把这条发进内部群。顾衔先回了「收到」，然后沉默了几秒，补了一行：「第一个八仓客户，正式落地了。」
乔木紧接着：「明白。接下来我来整理一份接入表单，让他们填。」
「让项磊一起确认一下填写说明，」他回，「有几个字段要他们技术组来填：语言分布情况、各目录语言策略、仓库间的依赖关系，这些项磊填不了，要转给他们具体的工程负责人。」
「了解，我来跟项磊对。」
顾衔在群里补了一条：「电子版合同我这边存档了，发票信息让乔木跟他们对一下，打款节点第一阶段验收后，条款里写清楚了。」
「乔木，」他说，「对一下发票，这周内搞定。」
「收到。」
傍晚，他走到麦景行工位边，站了一会儿。
「那个结构检测层写好了没有？」
「下午三点搞完了，」麦景行说，「写了二十几条规则，函数调用格式、驼峰命名、全大写常量都覆盖了。加进来之后，项磊那六个样例全部重新过了一遍，那个老工具类里的函数名已经被过滤掉，剩下的注释切分正常。」
「有没有过滤过头的情况，正常注释被当成代码过滤掉了？」
「一个，」他说，「有一句纯英文注释'This module is deprecated, use ConfigUtils instead'，'ConfigUtils'被判成驼峰识别符过滤了。」
「这个怎么处理？」
「加了一条规则：如果整个英文片段里，代码识别符的比例低于30%，就按自然语言处理，不过滤。这句'ConfigUtils'只是注释里的一个词，比例低，过了。」
他点了下，「明天继续。训练分离那条线今天进展怎么样？」
「语料分桶逻辑已经写完，明天开始接真实数据，下周一正式进实测。」
「行。」
船坞里，今天说了几件事。
「周一情况：麦景行验证了代码嵌注释问题，在样例的一个早期模块里存在，加了结构检测层，半天解决。预处理模块现在有两层，语言切分加结构检测。项磊合同签了，乔木在整理接入表单，让星汇云技术组来填。Sprint第五天，在轨。」
豆包那道暖橙的光：
> 结构检测那层是今天最值钱的事。工作量半天，但它提前挡住了一个数据污染的隐患，这才是真正的价值。训练数据的质量问题，发现越早越好，等模型出建议之后才察觉，回头改就麻烦了。
「正因为这样才让麦景行今天就看，不等到实测再发现。」
Claude那道蓝紫光：
> 填写表单有个细节要注意：星汇云填语言策略的时候，可能对各目录的实际情况不清楚，工程负责人未必记得每个目录的历史语言比例。建议表单里加一个'不确定'选项，让他们标注，后续可以用工具自动扫描补充。这样填的结果更准，对第一阶段的训练质量有帮助。
「让乔木加进去，不确定的目录可以标，后面我们补扫描。」
乔木在群里很快有回：「我加了一列，标题就叫'待扫描确认'，让项磊转给他们技术侧负责人，自己填不了的直接标这个。」
Codex那道翠绿光：
> 驼峰识别符过滤那条30%阈值，是经验值，如果星汇云主仓库里有大量技术文档风格的注释，识别符比例可能整体偏高，30%这条线会有误杀。建议先跑完六个样例，看一下平均识别符密度，再决定阈值要不要调整。
「明天让麦景行跑一遍统计，把密度数据拿出来。」
窗口合上。他在椅子上靠了一下。
今天本来是周一常规推进，合同签了、表单发出去，节奏正常。真正多出来的那半天是验证代码嵌注释，结果找到了，解了。这件事如果放到实测才暴露，补起来要三四天，现在半天搞定，时间线还在。Codex昨晚提了那一句，是值的。
他刚准备关屏幕，乔木的消息跳出来了。
「星汇云技术负责人回接入表单了。有三个核心目录，他们没有标'待扫描确认'。」
「他们怎么填的？」
「历史遗留，没人负责。」
他盯着那六个字，手指停在键盘上。
第五天刚解掉一颗，第二颗已经露头了。
第五天，在轨。合同有了，预处理两层，今天真正摸到了一个实际的坑，而且解掉了。剩下十六天。