数据闭环

它到底是什么意思

完整链路：线上/仿真发现问题 → 归因（感知/预测/规划/导航/reward/规则）→ 难例挖掘与场景标签 → 数据配比与增广 → 调整 reward/规则/token/结构 → 开环评测 → 闭环评测 → 小流量或实车验证 → 回到起点。

数据配比有个实用原则：一条数据只有一个标签就该标签计 1，有 n 个标签则每个标签计 1/n；先定一级标签配比再细化。这避免多标签复合场景在统计里被重复计满，误导长尾覆盖判断。

量产团队的日常不是「调一个更强的模型」，而是持续运转这个循环——每一环都可能是瓶颈。

机制图解

容易搞混的地方

看懂之后可以追问

1. 从线上发现一个问题，到修复上线，我们的中位周期是多久？卡在哪一环？这是数据闭环唯一有意义的度量。说得出周期和瓶颈环节，说明闭环真的在转；说不出，通常只是有工具没有流程。
2. 难例是怎么挖出来的？靠用户投诉、影子模式还是自动挖掘？难例来源决定了长尾覆盖速度。只靠投诉意味着永远慢一步。

沿着主线继续

先知道

• 场景隔离——同一个 reward 在不同场景下含义可能相反，所以 reward 不能全局常开，必须按场景生效。

接着看

• 开环与闭环——开环用数据集里的真实下一状态，闭环用环境动力学产生下一状态——前者看不到误差累积，后者才检验纠错能力。