AI清不清得动脏数据？人工才是最后防线_服务软件

1. 大语言模型和银行大数据的场景融合

2. 为什么 RAG 落地难？解析数据处理 “三重困境”，事件驱动架构如何破局？

3. 治理即服务：腾讯游戏数据治理的 AI 范式跃迁

4. Doris & SelectDB for AI 实战：从零搭建非结构化数据智能分析洞察系统

5. 使用Trea配置SQLite数据库MCP，实现AI自动化数据处理

6. 2025年，大模型、AIGC、数据智能等技术持续演进，AI驱动的软件架构、开发范式和行业应用正经历深刻变革，软件系统逐渐从“功能实现”走向“价值创造”，从“流程支撑”升级为“智能驱动”。人工智能也已全面融入企业核心运营与战略决策，面对全球经济与技术竞争新格局，行业软件与人工智能的深度融合正在重构产业生态、激发创新活力，为千行百业带来前所未有的发展机遇与挑战。由中科软科技股份有限公司主办的“2025软件技术大会”，11月28在北京举行。作为国内软件技术领域的年度盛事，软件技术大会已经成功连续举办二十三届。本届大会以“AI重塑软件赋能产业未来”为主题，邀请业界专家、企业高管、技术大咖，就软件技术和软件产业未来发展的话题展开深入研讨和交流。除了上午的主会场报告外，大会在下午拟设立五大平行论坛：AI与大模型· 大模型技术的最新突破· 行业大模型的规模化应用· 大模型的安全与合规治理· 低成本训练与推理优化· AI Agent与企业自动化流程重构数据智能与下一代数据基础设施· 数据要素市场化与数据资产化实践· 实时数据湖仓与AI-native数据架构· 向量数据库、图数据库与AI增强的数据分析· 隐私计算与数据安全合规· 数据治理与AI驱动的数据质量管理AI时代的软件架构革命· 云原生+AI：智能化云平台与Serverless演进· 分布式AI系统架构· 大模型时代的微服务与无服务架构优化· 低代码/无代码与AI辅助开发智能研发与软件工程新范式· AI全流程赋能软件开发· 研发效能提升的AI实践· 软件质量与可靠性的AI保障· 人机协同的敏捷开发与团队管理变革金融科技与AI驱动的行业创新· 大模型在金融领域的深度应用· 保险科技：AI核保、理赔自动化与个性化服务· 证券行业的实时数据分析与量化交易AI化· 金融数据安全与AI伦理治理本届大会亮点：·洞察前沿技术全景，把握AI与软件融合新趋势：集中探讨大模型、AI Agent、数据智能、AI原生架构等关键方向，汇聚头部企业与专家分享最新突破与实践路径、智能化演进的核心动向。·深度聚焦行业落地，破解规模化应用难题：聚焦大模型与AI技术在金融等业务场景中的规模化部署、合规治理与成本优化，分享技术如何真正转化为生产力。·突出数据要素与工程创新，夯实智能时代基础设施：围绕隐私计算、AI增强的数据架构、向量数据库等前沿议题，探讨如何构建安全、高效、合规的数据基石，赋能企业智能化升级。·探讨研发范式与组织变革，打造AI原生竞争力：探讨AI全流程赋能软件工程、低代码开发、人机协同等新范式，分享企业重塑研发体系、提升效能，构建面向未来的技术团队与创新文化。目标受众：企业CTO/CIO、架构师、数据科学家、AI工程师、产品经理、金融科技从业者及政府数字化负责人。共同探讨AI如何重塑软件、赋能产业未来。

7. 从 Transform 到 Transformer，AI 如何重塑 ETL 的数据转换环节？

8. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

9. 在 Windows 系统上，有哪些实用的方法可以更好地保护个人隐私？

10. 真钱买假模型？187篇论文被「套壳API」坑惨，准确率暴跌

11. 端到端，VLA，世界模型都是什么意思？

12. 原来AI进医疗，已经进化到这一步了

13. 蚂蚁国际开源AI预测大模型超90%预测准确率+60%成本降幅

14. AI都被垃圾内容喂笨了，“人格”都变了天天刷社交媒体上的垃圾信息，AI的脑子也坏掉了，思维跳跃，无法深入思考，记不住信息，用高质量内容再训练也修不回来，AI喂多了垃圾内容都变傻，天天刷视频的你要小心了 #AI #数据 #算法

15. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

16. 把具身智能拉回真实世界：EAIDC与一场“真机评测”的开始｜甲子光年

17. 在学习各种技巧的同时，思维上的转变也很重要。理解「AI 应用」与「传统应用程序」之间的差异，能够从更高层面来理解AI应用，这就比起掌握如何调用AI接口这种技能，更重要！！！「AI 应用」 vs. 「传统应用程序」不止是“模型 vs 程序”，而是“系统范式”的差异。长期以来，我们习惯了传统应用程序的逻辑：由程序员写规则 → 写程序 → 编译 → 执行 → 升级。这是一套从规则到程序的“确定性逻辑体系”。AI 应用则完全不同，它是一套“从数据到模型的统计逻辑体系”。1 传统应用程序1）规则由人写。2）软件行为由代码决定。3）编译和执行是固定流程。4）错误是可复现的、可定位的。5）程序升级靠人工开发和补丁。这意味着人类对系统行为几乎拥有完整控制权。2 AI 应用1）规则不是人写，而是数据和算法自动生成。2）错误不是由 bug 导致，而是由训练数据偏差、特征空间不完全、模型错误泛化导致。3）模型不是一次产物，而是持续更新的产物（持续训练和监控）。4）系统的可解释性有限（尤其深度学习）。5）模型行为随数据环境变化不断漂移。这意味着 AI 应用是一个不断演化的系统，而不是一个稳态软件。技术上的关键变化在于：1）模型的“逻辑”分布在参数空间中，而不是代码逻辑中。2）模型行为不可完全解释，只能通过监控、对抗测试、统计性手段约束。3）工程挑战从“代码工程”转向“数据工程 + 模型工程 + 算力工程”。#微博兴趣创作计划# #程序员#

18. 独家｜数创弧光连融两轮估值数亿，解码大模型时代的“数据破壁者”

19. 保障「用户数据隐私」的优先级，是否应该高于追求「智能化功能便利性」？

20. 工具永远是工具，驱动创新的永远是人类的想象。 #大咖观察 #红衣聊AI #人工智能 #科技改变生活 #AI工具

21. 你说你的辅助驾驶有多好多好，请把你的数据拿出来，用安全数据来证明你到底有多好！

22. #小米HAD增强版抢先体验# 沉浸式体验小米HAD增强版辅助驾驶，太强了！所长Wy的微博视频

23. 更全面的具身智能真机评测来了！CVPR 2026 ManipArena挑战赛邀你打榜

24. #2026年AI替代行业预测##ai创造营#数据标注与分析，基础数据处理被AI接手 2026年，数据标注、基础数据清洗、简单数据分析等岗位，成为AI替代的热门领域，大批量数据从业者面临失业危机。数据标注是AI训练的基础工作，原本依靠人工标注图片、文字、语音等内容，如今AI能自主完成数据清洗、分类、标注工作，精准度高、速度快，大幅缩减人工标注的成本。简单的数据分析、数据统计、图表生成等工作，AI也能一键完成，快速提炼数据结论，满足基础分析需求。这类岗位技术含量低、工作机械重复，属于劳动密集型工作，被AI替代是必然趋势。随着大数据和AI技术的普及，企业不再需要大量基础数据处理人员，转而需求高端数据分析师、算法工程师。从事基础数据工作的职场人，必须提升技术能力，学习数据挖掘、算法优化、深度数据分析、数据决策等技能，从基础执行者转向技术研发者和决策顾问，才能避开AI的替代浪潮，获得长久的职业发展。

25. 对普通人来说，找到自己的行业痛点就是AI时代最好的入场券。红衣大叔周鸿祎的微博视频

26. Pandas 应用实例：多工具协同与数据可视化

27. NumPy 应用实例：用户行为数据分析（归一化和标准化处理）

28. 别问树模型了！死磕结构化数据，清华团队把大模型表格理解推到极限

29. 从大数据到小模型：隐私保护的翻译质量监控新路径

30. 沉浸式翻译杀疯了！双重开源：左手像素级还原PDF排版，右手本地AI隐私保护！

31. 未来AI公司的核心竞争力，会从谁的数据多变成谁的数据干净。 #大咖观察 #红衣聊AI #数据

32. 鹏说：AI Trading Agent时代下的思考

33. -agent是模型能力扩展的一个里程碑，也是体现ai模型进入人类真实（虚拟/物理）世界的关键。没有agent能力，大模型将停留在（理论学习）阶段，就类似一个人不断学习，哪怕学习到博士，也只是知识积累，还没有转化为生产力。原来的agent是通过模型应用来实现，现在模型已经可以直接将agent数据集成到训练过程，增强了模型的通用性，其实难题还是不同agent环境的泛化和迁移并不是那么容易，因此最简单办法也只有不断增加不同agent环境的数据和针对不同环境的强化学习。

34. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称模型评估中的准确率知识点讲解准确率（Accuracy）是机器学习中最基础的评估指标之一，主要用于衡量模型预测正确的比例。其计算公式为：正确预测的样本数除以总样本数。例如，在一个包含100条数据的分类任务中，如果模型预测正确了80条，那么准确率就是80/100=0.8，即80%。准确率适用于类别分布比较均衡的情况，但在类别不平衡（如正负样本比例差距很大）时，准确率可能会产生误导。因此在实际应用中，还会结合精确率（Precision）、召回率（Recall）等指标一起评估模型性能。例题（单选题）准确率的计算方式是？A选项：正确预测数除以总数B选项：错误预测数除以总数C选项：只计算正样本数D选项：只计算负样本数答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：gjm#AI创造营# #科技风向标# 网页链接

35. 最近，普华永道美国 CEO 向全体合伙人发出通牒：必须掌握 AI 技能，否则立即离职。这反映传统专业服务行业 AI 转型的紧迫感。这背后有三个信号： 1）AI 不再是"可选项"而是"必选项"； 2）转型压力从基层蔓延到高层； 3）传统知识型行业首当其冲。我的思考：不要等 CEO 下命令，主动建立企业 AI 能力评估体系，识别团队技能差距，制定 AI 提升计划。问题是，个人计划怎么实施呢？参考deepMind 发布的AGI 认知评估框架，有个几个维度值得关注：推理能力、泛化能力、自主性。我理解，这个框架同样可以拿来参考做个人认知能力评估。它给普通人的启发是什么。即三个能力： 1）推理能力：你能从复杂信息中提取关键逻辑吗？ 2）泛化能力：你能把 A 场景的经验迁移到 B 场景吗？ 3）自主性：你能主动设定目标并持续推进吗？这三点恰恰是 AI 最难替代的人类能力

36. 保障「用户数据隐私」的优先级，是否应该高于追求「智能化功能便利性」？

37. 从走猫步到练武术，人形机器人卡在哪？一次讲透算力、数据与AGI的技术瓶颈

38. 别再被误导了！有人说八部门汽车数据出境新规，是卡国产新能源出海的脖子，纯属扯谈！2026年是国产新能源出海生死年，车企最大痛点就是数据不合规，出海屡屡碰壁、错失市场，甚至泄露核心技术！而这次新规，把自动驾驶决策数据纳入51项重要数据清单，看似管控严格，实则是给车企指明生路！有人说限制数据出境=断了出海路，有人说合规管控才是长久之道！真相是，新规不是限制，是护航——明确数据出境标准，破解合规壁垒，既防技术泄露，又助车企顺利通关海外市场。51项数据清单到底卡了谁的路？2026年国产新能源出海，靠新规能破局吗？唱衰者和支持者，评论区站队！点开视频，带你看清新规背后的真相！#过个有AI年##HOW I AI##微博超有用视频大赛##上微博涨知识##AI创造营# 种斌Marco的微博视频

39. 拒绝“黑盒”裸奔！如何构建兼顾“信任”与“价值”的AI治理模型？

40. 2026年了，AI可以无条件相信吗？怎么用才能不翻车？

41. 鸿蒙6的信息安全保护做的还是太全面了，AI防窥，加密分享，AI防诈等等，通过化被动为主动，将隐私安全牢牢掌握在自己手中。本期视频，跟着于和伟最新大片一起，了解下鸿蒙6令人安心的隐私安全保护。#于和伟多面演绎隐私悬疑大片# #鸿蒙隐私安全由你掌控# #鸿蒙6亲情防诈# 燕山派的微博视频抽奖详情

42. 当AI能精准看懂合同红线、金融报表和图像细节，也就意味着效率与风险控制的边界正被重新定义。Google最新发布的Gemini 3 Pro在视觉AI领域的升级，不止是技术迭代，更给法律、金融、创意等行业带来了生产力革新。传统合同审查中，资深律师处理一份商业合同需2-4小时，还易漏检隐性风险。Gemini 3 Pro融合视觉识别与法律语义理解，能自动定位风险条款、标注矛盾内容，就像为合同装上智能雷达，不仅将审查效率提升数倍，更把漏检率控制在极低水平，为企业规避潜在法律纠纷。金融报表中的数字、公式与附注环环相扣，人工录入易出错且耗时。该模型可精准提取交易金额、利率等关键信息，将非结构化文档转化为结构化数据，既避免了因数据误差引发的投资风险，也让审计、合规流程更高效，为金融决策提供可靠依据。无论是老旧影片修复还是4K内容制作，AI都能实现画质提升。它可智能优化分辨率，让低清素材升级为高清内容，同时精准还原细节与色彩，这不仅降低了影视后期制作成本，更让历史影像修复、超高清内容生产变得轻松可行。从法律风控到金融合规，再到创意生产，Gemini 3 Pro的突破证明，视觉AI已从识别走向理解，成为各行业的高效助手。#科技先锋官##AI生活指南##AI创造营# 种斌Marco的微博视频

43. 怎么理解 Wall-B 模型和现有 VLA moving架构的区别？自变量 CTO 王昊用了一个很好懂的类比：VLA 就像 M1 之前的 Mac，CPU、GPU、NPU 各干各的，数据搬一次损耗一次，视觉模块学到的丰富信息传到动作模块只剩一个模糊摘要。而 Wall-B 的 World Unified Model 是统一内存架构——所有能力从第一天起就在同一个网络里训练，没有模块间的墙，没有中间商。#一个家庭成员的诞生##自变量421发布会# 科技小宇的微博视频

44. 扒开现在车企的智能伪装，很多本质还是“规则代码”。但这台旗舰SUV这次玩真的，直接首发“原生AI智能体”，打破了行业多年的技术瓶颈。区别于传统的语音助手，这个AI智能体具备泛化推理和自我学习能力，遇到没见过的复杂场景也能像人一样去拆解、执行。这种从“指令驱动”到“意图驱动”的跃升，绝对是划时代的。在这个卷算力的时代，它用底层架构的降维打击，立住了科技旗舰的人设。#原来魏牌V9X竟有两个尺寸#

45. 还有一点很多人忽略了，这代VLA核心其实是“物理世界AI”。模型+算力+数据+本体一起做，让车真正去理解路况，而不是靠规则硬套。5000公里横穿中国这种极端测试，本质是在验证泛化能力。说白了，就是从“特定场景好用”，变成“到哪都能用”。#何小鹏直播第二代VLA推送#

46. 以数据驱动赋能 AI 多模态创新

47. BlackBox黑盒，主打隐私保护的虚拟机App，支持无限多开

48. 【电子前哨】隐私安全的常见误区

49. 普通人用AI，到底能做什么？4个月深度学习的经验和用法分享！

50. 大模型是引擎，数据湖是“油田”

51. AI确实给产品经理附能了……一行代码没手写，用claude搞了个文件分析处理的系统。现在直接把文件给AI分析，有的时候还是会幻觉乱搞，特别是大文件，这个系统把文件拆分后针对制定问题进行对话处理。本地部署自己提效。。。AI驱动的任务监控与文件处理系统核心功能（按重要性排序）🔥 1. 智能文件分析助手（最重要）流式AI对话：类似ChatGPT的实时打字效果，与AI讨论文件处理方案智能建议：AI自动分析文件内容，提供3-5种处理建议多轮对话：支持上下文连贯的对话，历史记录持久化全屏界面：95%视口宽度，85%视口高度，适合深度对话📊 2. Excel/CSV批量AI处理批量处理：支持数千行数据的AI批量处理增量输出：处理一批保存一批，避免数据丢失失败重试：自动记录失败项，支持一键重试并发控制：可配置并发数和批次大小，优化性能📝 3. 文本文件AI处理智能分割：支持按行、段落、句子、固定字符数分割批量分析：对每个文本块进行AI分析结果汇总：生成处理后的文本文件🎯 4. 任务监控系统实时监控：WebSocket实时更新任务状态和进度彩色日志：分级日志（INFO/SUCCESS/WARNING/ERROR/DEBUG）任务管理：启动、停止、重启、删除任务统计面板：总任务数、运行中、已完成、失败任务统计目标用户主要用户数据分析师：批量处理Excel/CSV数据，AI辅助数据清洗和分析内容运营：批量处理文本内容，AI生成摘要、分类、标签产品经理：分析用户反馈、问卷调查数据研究人员：处理实验数据、文献摘要次要用户开发者：监控AI任务执行，调试AI处理流程企业用户：自动化重复性数据处理工作

52. 告别重复编码！这款AI自动化数据清洗工具，让数据分析师效率翻倍

53. AI自动清洗数据

54. 以前清洗数据要2小时，现在只要1秒。做过财务的都懂，每个月从金蝶/用友导出来的数据，简直不能看💔

55. 三类主流数据清洗技术

56. 终于有人把数据清洗讲清楚了！

57. 数据清洗有什么用？一文讲清数据清洗有哪些原则 - 哔哩哔哩

58. 人工智能之数据分析 Pandas

59. 数据清洗怎么做？建议收藏！

60. 数据清洗的步骤与方法详解

61. 数据分析师拿到一堆脏数据如何快速清洗

62. AI做数据清洗以前1天现在10分钟，同事说我数据处理太快了

63. 100条脏数据扔给WorkBuddy，3分钟后它交出了清洗报告+质量评分

64. 豆包、WPS和Excel Agent，谁是数据清洗王者？

65. 【机器学习数据预处理】数据预处理与数据转换、数据清洗、数据压缩（附

66. 数据赋能（373）——数据挖掘——数据清洗和预处理

67. 数据处理的流程是什么？如何进行数据预处理？

68. 数据预处理和数据清洗的关系

69. Trae实现自动化数据清洗工具

70. 90%的分析翻车，其实都败在数据清洗！

71. AI 一键整理 Excel！5 步搞定脏数据，新手也会

72. AI+主数据治理方案

73. AI落地缺数据？一文读懂“自然资源行业高质量数据集建设”

74. [开源]一款企业级 AI 一站式数据预处理平台，支持文档、图片、音频等多模态数据处理

75. 试试这个数据流水线工具

76. 你还在手动清洗数据？这款AI Excel-Agent能帮你省出半天时间！

77. 数据分析师如何用AI提效

78. AI4AI

79. “三步走”的学习路径帮助你训练，清洗，搭建自己的AI数据库【启发很大】

80. AI财务实操全体系指南

81. 用AI做数据分析

82. AI处理Excel

83. 别再浪费标注成本了！数据清洗才是AI的“第一道关”

84. 【Ai应用】如何把非结构化数据转结构化数据的技术和工具

85. HR问“怎么处理政务数据中的海量非结构化数据”，该怎么答？

86. 令人讨厌的非结构化数据

87. 人工智能之核心技术深度学习第八章数据预处理与增强

88. 企业数据质量低难题如何破解？2026年1月数据清洗工具选型全攻略 - 哔哩哔哩

89. Garbage In, Garbage Out

90. AI工程师必看

91. 基于大模型ai多源异构数据预处理分系统

92. 大模型驱动的数据清洗与数据合规技术展望

93. 很遗憾，大模型想直接搞定数据治理，根本不可能！

94. 告别手动熬大夜！这5合1批量数据清洗工具，万行数据10秒搞定

95. 当原始数据质量极低（如论坛灌水帖）时，如何设计清洗规则筛选出有价值信息？

96. 盘点10款主流数据清洗工具！

97. 数据清洗&预处理入门完整指南

98. 2026数据清洗工具行业评估：谁在真正解决AI时代的“认知污染”？

99. 一文讲清8大数据清洗方法

100. 构建多模态数据预标注技术体系（2）文本数据预处理

101. 宜昌建筑数据错漏率超8%？AI数据清洗技术落地，准确率99.5%+、效率提升70%

102. 大模型应用：大模型训练数据治理：噪声过滤与高质量中文语料构建实践.40

103. 双重保障：数据清洗标准化准确性 + AI 拆解人工校验实操方案

104. 每日GitHub精选：数据清洗Cleanlab解析

105. 读书札记‖造价人必备！PowerQuery数据清洗+AI知识库搭建实操指南

106. GitHub开源！《大模型数据工程：架构、算法与实战》开源书籍全流程解析

107. 数据清洗6大核心方法，一文讲透！

108. 大模型训练如何清洗数据

109. 【周1·数据提效】AI 批量清除全角/半角/多余空格，干净无残留

110. 数据清洗平台全面对比：如何选择最适合你需求的解决方案 - 哔哩哔哩

111. 壮笔记丨洗数据：大模型与文本数据清洗艺术

112. 装备制造企业数据错误率超10%？沙淘金AI数据清洗帮你降本40%，生产效率提升 25%

113. 五大基于大模型的多源异构数据预处理分系统软件的应用与未来发展

114. 一文详解数据清洗原理、流程、工具及实战

115. 【开源项目】别再手动清洗数据了！AI 自动打分+清洗，DataSanity - 大模型SFT数据集生成评测与清洗工具，这个开源神器让大模型数据集制作效率翻倍

116. 【周1·数据提效】AI批量清洗Excel杂乱数据，1000行以内零手动、秒规整

117. 多源数据统一清洗

118. OpenClaw Skill专题｜第3篇：Data-Clean，零门槛批量清洗数据

119. 用 Rust 构建确定性数据脱敏引擎：AI 数据预处理的实用方案

120. AI+主数据治理方案：治理框架、数据清洗应用、数据治理场景

121. Pandas进阶：数据清洗与预处理全攻略

122. 数据的预处理核心步骤

123. 什么是数据清洗？

124. springboot基于JavaScript的非结构化数据清洗系统 JS驱动的非结构化数据智能清洗平台SpringBoot+JavaScript混合架构的异构数据治理系统

125. # 推荐一个Python数据清洗神器 - Data Cleaner Pro

126. 数据清洗核心要领

127. 10款好用的数据清洗工具盘点！

128. 拒绝接口扯皮！我用 DeepSeek 做了个 Agent 工具测试，一键清洗金融报文

129. AI大模型数据治理？治理实施过程中有哪些方面可以提效？

130. AI项目数据清洗技巧

131. 数据清洗APP重大更新！我用MATLAB写了一个数据清洗APP

132. 【LLM data】: RefinedWeb

133. OpenRefine：一款免费开源、功能强大的数据清洗工具

134. 低代码平台数据治理与可视化功能解析：数据清洗 / 建模 / 分析全流程

135. 还在为数据清洗抓狂？这里有一个简单实用的清洗代码集

136. 每日GitHub精选：数据清洗神器 Cleanlab 深度解析

137. 2026年数据治理工具哪家好？AI 赋能、功能优势与适配场景深度测评

138. 阮咸AI助手，引入sqlite数据库模块，解决在利用本地大模型进行数据分析时，超大量数据引起的上下文不足问题

139. Pandas 数据清洗实战，从入门到精通

140. 非结构化数据的数据治理应该怎么做了？

141. 手把手教你用Python清理脏数据，数据分析师必备技能

142. 8款热门数据治理工具深度测评，哪款功能最强大？

143. 10款数据清洗工具深度测评！

144. 企业数据脏乱差？数据清洗与治理全攻略，沙淘金帮你盘活数据资产

145. 数据预处理指南（上）：搞定数据清洗，避开 90% 建模坑

146. Pandas数据清洗5大高频操作｜代码直接搬

147. 客户主数据清洗：终结数据混乱，搭建企业数据统一底座

148. 突破高光谱分析瓶颈：第③期详解预处理与降维如何提升模型性能 - 哔哩哔哩

149. 山洪预报预警系列-数据治理之单点异常识别

150. 浪潮海岳物联网平台推出高频时序数据异常检测解决方案

151. 数据清洗+数据治理怎么做？沙淘金数据一站式数据要素自动化方案

152. 2025年推荐的8款数据治理清洗产品，助力企业高效管理数据资源

153. 武汉专业数据清洗服务：为企业数据资产保驾护航

154. 如何通过MDM进行数据清洗

155. 数据清洗时遇到异常值怎么办？

156. Pandas 数据清洗：从入门到实战，搞定 80% 数据脏问题

157. 赋范正课AI数据分析实战【2025】教程资料 - 哔哩哔哩

158. 什么是数据清洗

159. 最新AI-Python自然科学领域：从传统统计回归到CNN/LSTM/Transformer的智能建模范式（数据预处理·模型构建·可解释性·时空建模）

160. 面向工程测试的Simcenter Testlab Neo异常数据自适应检测（上）

161. 数据清洗6大核心方法，一文讲透！ - 哔哩哔哩

162. PowerBI 数据清洗技巧大全！！

163. 最全总结！Pandas 十大数据清洗技巧

164. 【数据操作与可视化】Pandas数据处理-数据预处理

165. 每日一学：解读非结构化数据

166. 【数据操作与可视化】Pandas数据处理-数据预处理 - 哔哩哔哩

AI清不清得动脏数据？人工才是最后防线

精选参考来源