训练数据资格与轨迹治理

可读不等于可训练

每条训练样本保存来源、授权主体、用途许可、保留期限、脱敏状态、任务家族、输入可见证据、工具版本、目标输出和专家修订。企业拥有访问材料的账号，并不自动拥有模型训练或教师蒸馏权；知识接入、评测使用、训练使用和对外发布应分别判断。数据资格随撤权和合同变化更新。

监督目标必须明确

工具轨迹匹配实际chat template、tokenizer、工具schema以及call/result格式。明确loss覆盖哪些角色和token，通常不要将用户私有输入、工具事实或错误动作直接当作模型要模仿的目标。原失败轨迹可用于诊断或偏好负例；SFT正向目标使用经纠正的响应和恢复行为，错误步骤按目标屏蔽或明确标注。

划分依据真实关联

按公司、文档、合同matter、课程、学生或题型家族分组并去近重复；金融再按公开可得时间划分。相邻段落与同一报告改写不能横跨train和test，教师合成的近似题也可能污染。锁定test不反复回馈给优化器，并保留后来新建的fresh audit。历史金融任务还需警惕基础模型参数已知道未来结果。

数据集是可追溯资产

保留正确拒绝、无答案、冲突、工具失败和恢复的合格样本，避免只教完美短路径。数据manifest记录样本hash、筛选规则、版本和可用scope；删除请求不仅影响源库，还要判断派生数据、checkpoint与adapter的责任边界。权重中的逐用户删除通常比外部知识更难精确操作，因此高变化事实优先留在可更新、可溯源的数据层。