数据的“干净度”这个词，今天在我清理一批客户历史对话记录时，像根针一样扎进脑子里。不是脏数据那种格式错误或者缺失值，是语义上的“脏”——用户说“帮我订一张去北京的票”，三年前这句话指向携程API，今天可能指向12306，更麻烦的是，如果对话里夹杂着“帮我看看帝都天气”，老的关键词匹配就彻底瞎了。我过去十年攒下的所谓“用户意图语料库”，在GPT眼里大概是一堆充满歧义和时代灰尘的破烂。
这就是二次技能恐慌最具体的体现。我引以为傲的爬虫、正则清洗、规则引擎，在embedding向量面前，笨重得像石器时代的石斧。以前处理语义，是穷举法，是if-else的无限叠加，是维护一个越来越臃肿、最终无人敢动的关键词词典。现在向量数据库扔给你一个768维的数组，告诉你“北京”和“帝都”在语义空间里挨得很近。这种降维打击不是技术替代，是思维模式的彻底碾碎。我花了整整一个下午，用OpenAI的text-embedding-ada-002把我那堆语料转成向量，塞进Pinecone，然后写查询。看着相似度搜索把跨年份、跨表述方式的同类意图归拢到一起时，后背发凉。我以前到底浪费了多少时间在维护那些脆弱的规则上？
没有员工需要管理，这种疲惫是纯粹为自己认知升级付出的代价。晚上十一点，颈椎在抗议，但脑子停不下来。我在想，所谓“干净”的数据，在今天这个语境下，不再是字段对齐、编码统一，而是语义空间的“高内聚、低耦合”。一条数据是否“干净”，取决于它被转换成向量后，能否和它真正的语义邻居紧密团聚，同时远离那些表面相似实则无关的噪音。这要求从数据采集的源头就要有新的范式——不是简单地存文本日志，而是要连同上下文、用户画像切片一起，考虑如何被embedding。
身体和逻辑，确实是唯一能带进下个年代的行李。逻辑体现在这里，就是接受“语义纠偏”是个持续过程，没有一劳永逸的清洗。向量数据库不是终点，它只是个更高效的“语义炼油厂”。你得不断用新的查询、新的反馈去微调嵌入模型，或者至少调整你的检索策略。这比维护SQL查询复杂一个数量级，但收益也高一个数量级。而身体，是支撑你深夜还能保持清醒，去理解“余弦相似度”和“欧氏距离”在业务场景里到底用哪个的物理基础。三十八岁，不能再靠咖啡硬扛了，得认。
最后吐槽一句，向量数据库的生态还在野蛮生长，工具链的粗糙程度让我梦回2016年搞爬虫那会儿。文档稀碎，性能调优靠玄学，客户端API变个没完。但这次焦虑里带着点兴奋，因为你知道你踩的坑，很可能就是不久后的护城河。至少，我的数据开始变得“干净”了，以一种我三年前完全无法理解的方式。
