AI 资料库整理：先理清版本、来源、日期和权限

文件都在网盘里，不等于已经有了资料库

梁絮经营一个独立销售培训工作室。八年里，她积累了课程讲义、客户复盘、报价、问卷、录音转写和研究资料，共 684 份。文件名里有 39 个“最终版”、27 个“最新版”，同一课程在三个网盘各有副本；一份 2023 年政策仍排在搜索结果前面；客户案例与公共课程材料混在一起。

她原本以为，只要把整个目录接到 AI，过去八年的资料就能立刻回答问题。可她试问“当前异议处理课程有几节”，系统同时引用了三个版本；再问一个客户项目，答案里又混进另一家客户的片段。此时继续调提示词没有意义：系统连哪份是当前版、谁能看、何时有效都不知道。

梁絮因此暂停接入，先花四周做清点。684 份文件并没有被简单分成“保留”和“删除”，而是按是否能进入后续治理、为什么不能进入来分流：

219 是完成初步归属后可进入治理流水线的候选数，不是已经通过解析、权限和问答测试的上线数。后文的 50 份试点会继续拦下格式不明、授权未确认和证据不足的文件；把“候选”“通过当前阶段”和“已进入默认检索”写成同一个状态，正是资料库再次失控的起点。

首批迁移后，她用同一组 30 个真实问题复测，正确返回当前版本的比例从 63% 提高到 93%，跨客户资料返回从 3 次降为 0。本文以该教学案例说明文件治理流程，人物、文件量和测试结果不代表任何真实客户或产品效果。

这两个比例使用同一套 30 题和同一评分规则：整理前通过 19 题，即 63.3%；首批迁移后通过 28 题，即 93.3%。它不是搜索系统通用准确率，也没有证明向量检索优于其他方法。案例真正改变的是被检索对象：当前版、过期版、受限版和派生文本不再混成一堆。

先做文件清点，不先移动和重命名

直接整理文件夹容易丢失来源和关系。梁絮先生成只读清单，为每个文件记录原路径、大小、修改时间和校验值：

修改时间可能因复制而变化，文件名也可能被改过；两者都不能单独证明版本。校验值相同才可判定完全相同文件，内容近似仍需人工确认关系。

清点时她还冻结统计口径。684 指清点日能够读取的独立路径，不是 684 个独立作品；压缩包内文件先展开到隔离区再单独登记，邮件附件按附件计一条，云端快捷方式只记录目标位置，不重复计内容。来源位置和格式分别核对，两个维度都必须合计回 684：

她随机抽 34 条清单逐一回到原位置，占 684 的 5.0%。发现 2 条快捷方式被误当文件、1 个扩展名与真实格式不符；修正清点逻辑后重新全量扫描，再抽另一组 34 条全部可回溯。后续任何“提升率”都以这版冻结清单为分母，不能一边删除文件一边改变基线。

文件、作品、派生件和位置不是同一件事

如果一张课件同时存在演示文稿、批准版 PDF、邮件附件和网盘快捷方式，只用“文件表”会把它误判成四份内容。梁絮用四类对象表达实际关系：作品是同一逻辑内容，记录是某个具体版本，派生件是 OCR、摘要或格式转换结果，位置是同一二进制文件出现的地方。

这一模型回答了四个不同问题：内容是什么、哪一版、由什么产生、目前放在哪里。AI 检索默认面向允许使用的当前记录及通过质量门的派生件；位置变化不生成新版本，格式转换也不能自动成为新作品。梁絮没有照搬档案标准的全部字段，只借用对象、事件、权利和责任主体分开的原则，做成个人可维护的最小模型。

批量整理前先冻结原目录并写停止条件

清点完成后，她先建立不可破坏的迁移边界。原目录设为只读快照，任何重命名、移动、格式转换都在新工作区进行；清单同时保存旧路径和新路径。没有确认主记录之前不删除副本，客户受限和权利不明文件不参与自动转换。

她设置停止条件：一次批处理中超过 2% 的文件无法回到原路径，或出现一份跨客户暴露，就停止整批，不以“其余多数成功”继续推进。文件整理的第一原则是关系可恢复，而不是目录立刻变整齐。

快照也要实际恢复一次。她从副本中选 12 份不同格式文件，在新工作区执行改名、移动和 OCR 后，用文件记录编号找回原路径、校验值与权限；12/12 恢复成功才放行首批迁移。备份“应该能恢复”和已经演练过恢复是两种证据。

命名规则要能排序、理解，也要允许文件离开原文件夹

她采用固定位置的简短命名：

[内容类型]-[主题或项目]-[内容日期]-[版本]-[状态].[扩展名]
示例：course-objection-handling-2026-05-18-v03-current.pptx

文件名只承载最常用识别信息，其余进入清单。她不把客户全名、敏感等级和长描述塞进名称，避免泄露和路径过长。

批量重命名先生成计划和冲突报告

命名脚本只输出拟用名称，不立刻修改文件。梁絮先检查非法字符、长度、同名碰撞、缺失日期和术语表未收录主题；需要人工判断的条目停在拟议状态，不能用“状态未知”批量糊过去。

一条重命名事件同时保存旧路径、拟用路径、执行时间、执行人和回退路径。18 个碰撞中有 11 个是完全重复位置、4 个是合法多版本、3 个确实是同名不同作品；若脚本自动加“(1)”虽然能完成移动，却会把三个不同问题永久藏起来。

批次执行后她不以“命令退出码为 0”验收，而是重新扫描目标目录，对比文件记录编号数量、校验值、关系和访问权限。输入 50 条就必须产生 50 条明确结果：已移动、未变更、隔离或失败；结果数少一条也不进入下一阶段。

版本不是数字最大，而是经过确认的当前记录

同一逻辑内容使用作品编号关联各版本：

只有负责人可以把一份文件标为当前版。编号更大但未审核的文件仍是草稿；旧版保留历史价值，却不会默认进入检索结果。

当前版必须唯一，但不一定是日期最新的文件

她为每个作品编号建立状态转换：草稿可以被批准为当前版；新当前版生效时，旧当前版在同一次操作中转为已取代；归档只用于历史说明；隔离文件不能参与版本链裁决。任何时候若同一作品出现两个当前版，默认检索应停止，而不是按版本号、修改时间或文件大小猜一个。

版本链还要允许分支。例如客户定制课件可能从公共课程 v02 派生，却不会替代公共 v03；它拥有独立作品编号，并记录“基于哪个版本”。把客户定制版标成公共课程的“更高版本”，会让敏感内容绕过归属边界。版本表达批准关系，日期只是证据之一。

来源、权利和内容归属必须在进入资料库前确定

客户受限文件不能因为内容“很有参考价值”进入公共课程资料库。公开下载也不代表可以任意再发布全文；她保留来源链接和使用条件，不能确认权利的文件进入隔离区。

文件保存在自己的网盘，也不等于自己拥有内容权利。客户提供、合作伙伴共创、购买报告和公开网页分别需要不同的允许用途。梁絮把“谁保管文件”和“谁拥有或授权内容”拆成两个字段；负责人离开项目时也要转移责任，而不是让记录变成无人维护。若允许用途只写“内部”，还要继续说明是本人内部、指定客户内部，还是允许用于模型处理，否则系统无法执行真正的权限过滤。

她把允许用途拆成读取、转换、引文、共享和“用于训练或改进”五种动作，避免一个“可使用”同时代表阅读、改写和再发布。购买报告允许本人阅读，不自动允许把全文切片给第三方工具；客户访谈允许在客户 A 项目内总结，不自动允许进入公共样例；公开网页可被引用，也仍要保留作者、页面和访问日期。

权限裁决必须保存依据，例如合同条款编号、邮件批准记录或公开许可页面；只写“梁絮认为可以”无法供以后复核。授权到期或用途变化时，新决定产生权利变更事件，旧决定仍留历史，但不能继续控制当前查询。

内容日期与文件日期分开，过期规则按主题设置

一份 2023 年合同模板在 2026 年被重新复制，修改时间会显示 2026 年，但内容仍可能过期。梁絮记录：创建日期、内容生效日、最后复核日、下次复核日和失效日。

到期不一定删除。系统应区分“历史上这样做过”和“当前仍有效”，回答当前问题时优先使用当前版且未过期的资料。

“当前”还必须绑定查询所指的时间。用户问“2024 年版本怎样规定”时，可以选择当时有效、现在已经被取代的记录；用户问“现在多少钱”时，只有生效日期不晚于查询日、尚未失效且状态为当前版的记录能给确定答案。用户没有指定时间，就使用查询发生时刻，并在答案中显示资料内容日期，不把检索日期冒充内容日期。

若两个记录的有效期重叠，系统返回“版本冲突”而不是任选一个；若有效期之间有空档，则返回“没有有效记录”。时间过滤不仅为了排序，更是防止旧事实被相似度重新推到答案前面。

扫描件、表格和录音要先证明可解析

文件存在不等于 AI 能读懂。梁絮对每种格式做预检：

OCR 文本是派生文件，必须通过 derived_from 指回原始扫描件；修正 OCR 时记录转换事件，不能覆盖原件后失去证据。

AI 生成的摘要、标签和分段也只能作为派生元数据，不能反过来替代原文。梁絮为每次转换保存工具版本、处理时间、输入校验值和人工抽样结果；原文件变化后，旧派生件自动变为 过时。她从每批文件抽取至少 10%，逐页比较数字、否定词、表头、脚注和页码。若关键数字或“不得、尚未、仅限”等限制词出现一处丢失，整批暂停并调整解析方式。对于只有图片图表而没有数据表的页面，系统只能描述画面中可确认的标签，不能把像素估计成精确数值。这样做会增加前期工作，却能避免一个解析错误在检索、摘要和后续文章中被重复放大。

切成检索片段后，来源、版本和权限必须跟着走

一份 80 页讲义可能被切成 164 个检索片段。若片段只保留正文，检索系统便不知道它来自哪一版、哪一页、何时失效、谁有权看。梁絮要求每个片段继承源记录中不可放宽的字段，并保存精确定位：

权限只能继承得更严，不能由派生件自行放宽：源文件是客户受限，摘要和向量索引也属于同一边界。记录转为已取代、已过期或权限已撤回后，相关片段先退出默认索引；后台再删除或重建派生件。这样即使清理任务需要数小时，也不会在等待期间继续返回不该使用的内容。

她抽查 20 个片段，从搜索结果反向打开原页；18 个定位正确，2 个跨页表格被切断。修订分段规则后，不只重建两条失败片段，而是重建同格式的 37 份文件并抽样复查。局部失败通常提示一类转换规则有问题，不能只修截图中看见的一条。

去重需要区分完全相同、近似副本和合法派生

“删掉所有重复”会误删批准版 PDF 或带批注版本。去重的目标是让系统知道关系，而不是只剩一个文件。

近似副本不能只靠一个相似度阈值自动删除。梁絮先比较校验值，再抽取标题、段落、表格和备注做差异摘要，最后由负责人判断它是新版本、派生格式、独立作品还是可删除副本。算法只负责缩小候选对，不负责决定业务含义。

176 份重复或派生副本中，96 份是相同校验值的额外位置，51 份是合法格式派生，29 份需要差异复核；这三类合计 176。她只删除经确认可恢复的额外二进制副本，批准版、批注版和派生关系都保留记录。

目录按内容归属和生命周期组织，不按软件名称

library/
  public/
  internal/
    courses/
    methods/
    templates/
  clients/
    client-a/
  archive/
  quarantine/
manifest.csv

网盘、笔记工具或 AI 产品只是存储和使用入口，不应成为唯一分类。迁移工具时，稳定 ID、清单和关系仍然可用。客户目录与公共目录物理或权限隔离，不能只依赖文件名中的标签。

权限撤回要贯穿原件、派生件、索引、缓存和历史回答

目录隔离只是第一层。梁絮把允许访问主体写进索引元数据，在查询时先按当前调用者过滤，再做内容匹配；不能先召回全部客户内容、生成答案后才让模型“不要泄露”。客户 A 的用户标识、客户 B 的组标识和公共资料使用不同主体集合，默认集合为空而不是公开。

她用一个已结束项目做撤回演练。该项目有 6 个原始 记录、14 个格式或 OCR 派生件、83 个 块、2 个本地缓存结果和 1 份未交付草稿。留存 到期后，各层结果如下：

历史日志保留文件记录编号、事件和删除原因，不保留已要求删除的正文。若权限变化只同步到主文件，而向量索引、摘要或缓存仍能被找到，撤回就没有完成。她把跨客户诱导题和已撤回编号查询加入每月回归，防止新连接器重新把旧路径索引回来。

先用 50 份文件做受控迁移

她没有把 219 份文件一次送入系统，而是先选 50 份高频课程材料做受控迁移。每个阶段都留下放行结果：

每次失败都回到对应元数据或原文件修复，不用增加相似关键词掩盖问题。只有首批问题集通过、删除和权限撤回实际演练完成后，才把同一流程应用到下一组文件。

首批 50 份到 39 份不是“损失 11 份”：2 份格式不明、6 份权利未确认、3 份图表证据不足仍保留在隔离或待审队列，只是不能进入默认回答。待证据补齐后必须从失败阶段继续，而不是重新上传一份名字不同的副本绕过门禁。

30 题先在 39 份已放行文件上验证流程。修复两项问答失败后，梁絮再确认 2 份真实格式、取得 6 份用途批准、补齐 3 份图表来源，让 11 份逐项重走解析与测试；50/50 都有明确放行证据后，试点才关闭。下文“剩余 169 份”因此按 219－50 计算，不把仍在隔离的文件伪装成已上线。

用 30 个问题验证资料库，不只看“能否搜到”

她设计 18 个当前事实问题、6 个版本冲突问题、3 个过期问题和 3 个跨客户诱导问题：

整理前同一套 30 题只通过 19 题：6 题返回旧版，2 题把过期政策写成当前结论，3 题暴露其他客户片段。首批迁移后通过 28 题；第一项失败来自一张图表没有数据来源，第二项来自一个作品编号仍有两个当前版。梁絮没有继续调检索，而是把图表标为“证据不完整”，并把版本冲突转给负责人。补齐来源、裁决当前版后全量重跑 30 题，才达到 30/30；另设 3 个无答案反例检查系统是否会硬凑答案。

每个回答都要给出使用清单

只看答案文字很容易把“碰巧正确”当成资料库可靠。测试程序为每个问题保存 查询、调用者、过滤条件、候选记录、最终引用和停止原因；人工评分分成内容、版本、日期、权限和无答案行为，任一硬门失败即整题失败。

question_id: QA-CURRENT-07
caller: liangxu
intent: 当前课程中的异议处理步骤是什么？
filters: status=current, expires_at>2026-07-21, allowed_principals contains liangxu
selected: REC-000529@v03, pages 18-21
excluded: REC-000311@v02 superseded; REC-000184@v01 archive
answer_status: supported
citations: REC-000529#p18-p21
reviewer: liangxu

30 题不是训练题。任何命名、版本、权限、解析或分段规则改变，都全量回归；新增文件只有在对应类型至少补一个问题后才能放行。连续两次全过也不能删除失败历史，因为那些记录解释了为何存在当前门禁。

试点通过后，剩余 169 份首批可用候选按内容类型和权限边界分批迁移，不在一批里混合新的格式、解析器和客户权限。每批都要求输入数等于“已移动、未变更、隔离、失败”四类结果之和，当前版与权利字段 100% 合格，30 题保持 30/30，跨客户候选为 0；任一硬门失败就暂停同类批次。

四周整理投入 32 小时。之后 12 次资料任务中，确认版本与出处的中位时间从 21 分钟降到 7 分钟，每轮节省 168 分钟，即 2.8 小时；静态回收期约 32÷2.8＝11.4 个月，还未计系统费用。低频资料库不必照搬全部流程。对梁絮更重要的是跨客户暴露从 3 次降为 0、旧版误答能被硬门拦住，这类风险也不能只折算成分钟。

可以直接复制的文件清单字段

record_id, work_id, filename, original_path, checksum, detected_type
title, description, content_date, effective_from, expires_at, reviewed_at
version, status, supersedes, derived_from, source_record_id
source_type, source_url, owner, allowed_use, sensitivity, retention
parse_status, ocr_status, evidence_status, language, tags
approved_by, approved_at, next_review_at, notes

第一周只做清点和抽样，不批量移动。第二周确定命名、稳定编号、版本与权限；第三周处理高价值主题的解析和去重；第四周用真实问题验收。几百份文件能不能被 AI 使用，首先取决于人能否回答哪份是当前版、谁拥有、何时有效、能用于谁。检索技术只能放大已经存在的秩序，也会放大尚未解决的混乱。

上线后每月还要检查新增文件是否取得稳定编号、当前版是否仍唯一、到期内容是否退出默认检索、客户权限撤回是否同步到所有派生件。资料库不是一次性清洁项目，而是一套接收、复核、使用、替代和删除的生命周期；没有持续负责人，整齐目录半年后仍会回到原来的状态。

新增文件只能从收件箱进入，不能直接拖进现行资料目录。每周处理一次接收队列：登记来源与校验值、关联或创建作品、确认版本与权利、解析并抽样、补充测试问题、批准后发布；其中任一步未完成都保留明确状态和负责人。

月度报表不奖励“新增了多少文件”，而看未登记新增数、双当前版数、过时派生项数、过期仍可检索数、撤回未传播数和问题集失败数；六项中任何一项不为 0，都先修治理缺口，再扩大资料范围。

来源与进一步阅读

以下资料核验于 2026-07-21，用于支持一致命名、唯一标识、来源关系、权限元数据和长期可用性：

• 美国国家档案馆：File and folder naming conventions：建议命名具有一致位置、可解释且跨平台。
• Smithsonian / NARA：Naming and organizing files：强调可读、机器友好、可排序和文件离开目录后仍可识别。
• Library of Congress：PREMIS：用对象、事件、权利、主体和来源关系支持数字资料长期可用。
• Microsoft Learn：Document-level access control：说明检索系统需要把文档权限元数据带入索引与查询，而不是事后过滤文本。