语料标注规则：第一版不用写全，但必须能跑起来

本文面向从零起草语料标注规则的团队，讨论第一版应当包含什么、不该包含什么、以及如何进入第二版。文中不含产品推广，不构成法律意见；材料清单与具体要求以属地网信部门口径为准，量化值引用处保留标准原文的"应／宜"性质。

0 先说结论

关于这份材料，容易读到的是"合格的规则应该包含哪十项""常见缺陷有哪六种"这类清单式文章。它们对改稿有用，对起步没用。

原因很直接：第一次写的人，面对一份十项清单，会本能地按清单逐条填满。结果是写出一份结构完整、覆盖全面、但没有任何一条被真正执行过的规则。

结论：第一版的目标不是"写全"，是"能跑通"。它只需要一条完整链路，加一处明确留白。

三个判断：

判断一：第一版是探测器，不是说明书。 真实的边界情形，只会在标注过程中暴露，不会在起草会议上想出来。所以第一版的作用是把边界"引出来"，而不是提前覆盖它。

判断二：一条跑通的链路，比十条写满的条款有用。 因为跑通的那一条会暴露四类真实问题：判据不够、样本不足、平台不支持、人员来不及。这四条信息，是第二版的全部输入。

判断三：明确写"待定"比含糊写满更专业。 一份标了五处待定的规则，是可维护的；一份处处看似完整的规则，会把问题藏起来，直到被追问时才一次性暴露。

后面按"为什么写不全 → 最小版本包含什么 → 怎么起步 → 不该写什么 → 怎么进入第二版"展开。

1 为什么第一版必然写不全

不是能力问题，是信息位置问题。

规则要处理的，是"这条数据算不算通过"这类判断。而这类判断的难点分布，只有实际标过的人知道：

• 哪些情形看起来像 A 类、其实是 B 类；
• 哪些情形两人一定会判不一致；
• 哪些情形照条款判会得出明显不合理的结论。

这三类信息，全部产生于标注现场，不在起草会议里。起草阶段能拿到的，只有法规要求、标准框架、以及别人的模板——三者都是通用形态，不指向你的语料、你的模态、你的业务场景。

所以第一版的正确姿态是承认无知，并把无知标出来。

反过来，如果第一版就写得很满，会出现一个具体的后果：所有含糊的地方都被措辞盖住了。

比如用"应综合考虑上下文语境"来覆盖一类说不清的情形。这句话在评审时挑不出错，但它不能被判定，也不能被培训——它只是把问题从"规则缺失"转换成了"规则存在但不可用"，后者更难发现。

一句话概括这个区别：

空白是可被发现的，含糊是不可被发现的。

2 最小可用版本包含什么

核心概念是最小可运行单元：一个任务类型 × 一种模态 × 一个判定对象，配齐五要素，形成一条从输入到留痕的闭环。

不需要覆盖全部任务类型，也不需要覆盖全部模态。一条就够。

2.1 五个要素，缺一条链路就断

五要素里，起步阶段最容易只写前两项。因为前两项是"怎么写"的问题，后三项是"怎么落地"的问题——前者靠脑子，后者要靠平台、靠人、靠流程。

但恰恰是后三项决定第一版能不能跑通。一条只有"触发条件+判定标准"的规则，写在纸上是完整的，跑起来是断的。

2.2 最小版本的样子

不必写成一本书。一页纸能装下：

最后一行是这份文档最值钱的地方，后面单独说。

2.3 为什么只做一条

因为一条链路会把四个约束同时暴露出来：

这四条，是起草阶段无论如何想不出来的。做一条，全部浮现；做十条，同样只暴露这几类问题，但成本是十倍。

3 起步的四步

四步的顺序不能换：先定对象，再看现场，然后一次写齐，最后标空白。前三步产内容，第四步产可维护性。

3.1 第一步：定对象，不定范围

先回答一个问题：你要判的最小的那个东西是什么？

不是"文本"，是"用户提问后系统给出的第一段回复"；不是"图片"，是"用户上传图片中含人脸的像素区域"。颗粒度落到能被一个人指着说"就是这条"，才算定下来。

这一步最常见的错，是把范围当对象。写"本规则适用于文本类语料"，这不是定对象，这是划地盘——地盘里仍然什么都有，谁也不知道该从哪判起。

3.2 第二步：抄现场，不抄模板

找一到两个正在做这件事的人，让他连续判二十条，你在旁边记录。记的不是结论，是四样东西：

• 他在哪一条上停下来了；
• 他停下来时说了什么（通常是"这个要看情况"）；
• 他最后依据什么做了决定；
• 他判完之后又改了吗，为什么改。

二十分钟的记录，抵得上一周闭门写作。因为这些停顿点，就是规则需要覆盖的位置。

模板可以看，但只用来核对结构有没有缺项，不要用来填内容。模板里那些"应综合考虑""应保持审慎"的表述，属于别人的语境，搬过来只会增加不可判的条款。

3.3 第三步：写一条完整的，而不是十条半截的

选一个最常出现的判定对象，把五要素一次写齐。写的时候有一个硬要求：每一条判定标准后面，能接上一句"违反它的具体表现是什么"，并且答得出来。

答不出来，说明写的还是原则，不是判据。这时候有两条路：换成三类判据之一（可枚举、可计量、可比较），或者把它降级为流程要求（比如"须经二人复核"），不再当判定标准用。

3.4 第四步：把空白明确标出来

这是第一版最重要的一步，也是最容易被跳过的一步。

做法很简单：在文档末尾单设一节，标题写"本版未覆盖的情形"，逐条列出你在起草时想到但没想清楚的东西。例如：

• 多轮对话中，前一轮已拒答、后一轮换问法再次询问，如何判定；
• 引用他人观点并加以批评时，是否构成对某类表述的传播；
• 同一段内容同时命中两类风险时，按哪类记录。

这三条列出来，不加任何解释，也不写"另行制定"。

为什么这一节有价值： 它把"我不知道"变成了可传递的信息。第二个人读到这一节，就知道哪里不该自作主张，也知道了下次讨论的起点。

反过来，如果把这些情形含糊地塞进正文（比如写一句"应结合具体语境综合判断"），问题就被掩盖了，而且会以"这条到底怎么算"的形式，在每一次标注中重复出现。

3.5 三种起点，三种走法

实际起步时，团队手上拿的东西不一样，第一步也就不同。

第一种，什么都没用，从空白开始。

这是最省事的处境，因为没有被继承的包袱。走法就是上面四步，一条链路一页纸，一到两周能出。

唯一要防的是"去搜一份模板"。搜来的模板通常来自另一个行业、另一种模态，直接套用会把不属于你的情形都写进去，反而增加空白——你写了一条自己业务里根本不存在的判定，它永远不会被触发，也就永远不会被发现是错的。

第二种，手上有集团或前人的旧版。

这种处境的风险是继承，不是缺内容。旧版通常已经写了一两年，条款多、结构完整，看起来可以直接改。

但旧版的前提可能已经不成立：语料来源换了、模态加了、人员从五人变两人。这些前提变化不会写在文件里，只体现在"这条现在没人按它做"上。

建议做法是先做一次判定，不做全文改写：

四步做完，把失效部分移入"本版未覆盖"或独立归档，剩下的再按最小版本补全。不要在原文件上直接改——原文件是历史记录，改了之后就说不清"我们什么时候停止执行某条"。

第三种，外包方提供了一版模板。

这在外包标注的场景里最常见。模板一般写得挺规范，因为它要适配多个甲方。

问题在于它是通用最优，不是你的最优。它会把各种可能情形都列上，代价是每条都不够细。直接提交会出现一种情况：结构很完整，但每一条被追问时都答不到底。

建议做法是把它当"情形清单"用，不当"规则"用：从里面挑出与你业务真实相关的那些情形，逐条问"我们实际怎么判"。答得出来的写进判定标准，答不出来的列进未覆盖。

同时要处理一件事：外包方自己的操作细则不会主动交给你。 他们为了交付，一定会在模板之外长出一套实际做法。起步阶段就该把这件事写进约定：依据条款要回填，操作细则要报备，冲突时以你的规则为准。

一句话概括这三种起点的差别：

空白起步，怕的是抄模板；有旧版，怕的是照改；有外包模板，怕的是照交。

4 第一版明确不该写的四类内容

清单式文章常说"应该写什么"，但起步阶段更需要知道"先别写什么"。以下四类，写了会带来实际麻烦。

4.1 不要写没有执行人的角色

规则里出现"由质量管理部门审核"这类表述时，先问一句：这个角色现在由谁担任，姓名是什么。

答不出来，就不要写。纸面角色的代价不在写的时候，在核对的时候——任何一次现场核验都会问到"这个岗位是谁"，届时无法回答，比不写这个角色更被动。

起步阶段的正确做法是写实际情况：由某某兼任，并说明兼岗时如何补偿（例如外部抽检、交叉复核）。承认兼岗不丢人，虚构岗位才是风险。

4.2 不要写做不到的指标

常见的有：全量复核、每条标注双人独立判、每周一次全量抽检。

这些指标在规则里成立，在实际产能下不成立。而写了做不到的指标，后果比不写更重：它把一个可协商的现状，变成了一个可被追责的承诺。

起步阶段建议只写两类指标：一类是已经做到的（哪怕标准不高），一类是有明确机制保证能逐步达到的（写清当前值与目标值）。不写"应尽力达到"这种中间态。

4.3 不要用"另行制定"做出口

"具体细则另行制定""详细流程见相关制度"——这两句在起草时很省事，但它制造了一个空引用。

核验时的追问只有一句：那份细则在哪。拿不出来，这句就是缺口；拿出来了但内容和本文对不上，问题更大。

如果确实还没写，正确写法是列进"本版未覆盖的情形"，而不是写成"另行制定"。前者是诚实，后者是假装完整。

4.4 不要抄一套通用风险分类了事

风险分类必须能对上你自己的业务。如果规则里的分类和拦截词库的分类、评估题集的题型都对不上，会出现一个具体的空白：某一类被声明覆盖，但标注阶段没有对应的判据，实际没人在管这一类。

起步阶段不必追求分类的完备性，但必须保证一件事：规则里出现的每一类，都能指出由谁在什么环节判它。

5 从第一版到第二版：什么时候该改

第一版不需要定期修订，需要的是触发式修订。以下四个信号出现任一，就该动。

四个信号里，"判完又改"最容易被忽略。它通常被理解为个人谨慎，实际是规则在边界处没给方向——判完之后当事人自己也拿不准，于是凭感觉修正。

第二版的做法不是把每条都写细，而是针对上述信号出现的那几条改。改动范围应当小于条款总数的两成，超过这个比例，说明不是在修订，是在重写——重写的成本高，而且会让已经形成的操作习惯失效。

5.1 一次修订要成对

修订几乎总是加法：被问一次，补一条。但条款之间的冲突概率随数量按组合增长——十条有 45 种两两组合，二十条有 190 种。

所以第二版起，建议执行一条纪律：每加一条，同时处理一条——合并、删除，或者明确写出两条的适用顺序。

第三种最常被跳过，也最容易出事：两条都命中而结论不同时，标注员的实际选择取决于个人习惯，而这个选择不会留下任何记录。

6 六种常见的起步错误

六种里，"只写半程"最隐蔽。因为前两项写得很扎实，文档读起来也像那么回事；直到有人问"判完之后记在哪"，才发现没有答案。

一个简单的自检：把规则从头读一遍，是否能还原出一条完整路径——这条数据什么时候进来、按什么判、判完记什么、判错了怎么办。 任何一环接不上，就是半程。

7 发布前核验清单

22 项，四组。这是给第一版用的清单，标准低于成熟版。

A 对象与范围（5）

• [ ] 已明确最小判定对象，颗粒度到"能被指着说就是这条"
• [ ] 已明确判定单位（整条／单句／某段／某区域）
• [ ] 未把"适用范围"当成"判定对象"
• [ ] 第一版只覆盖一个任务类型、一种模态
• [ ] 已知的第二类任务或模态，列入"未覆盖"而非含糊带过

B 五要素完整性（6）

• [ ] 触发条件写明在哪个环节、由什么动作触发
• [ ] 判定标准属于可枚举／可计量／可比较三者之一
• [ ] 每条判定标准都能答出"违反的具体表现"
• [ ] 边界说明给出三到五个"不算违反"的具体情形
• [ ] 违约处置写明范围（单条／整批）与处理方式
• [ ] 证据形态写明记录字段、存放位置、签署人

C 可执行性（6）

• [ ] 起草者之外，至少一名实际执行者通读过
• [ ] 规则中出现的每个角色，都能对应到具体担任人
• [ ] 指标分为"已达成"与"有计划达成"两类，无中间态
• [ ] 不存在"另行制定""见相关制度"这类空引用
• [ ] 不参与起草的人，能否独立判完十条（做过一次实测）
• [ ] 记录所需的字段，标注平台上确实存在

D 空白与演进（5）

• [ ] 设有"本版未覆盖的情形"一节，至少列三条
• [ ] 该节内容是不加解释的情形描述，未写"另行制定"
• [ ] 已约定四个修订触发信号的观察人
• [ ] 已约定第二版的触发条件（不是日期）
• [ ] 已知的记录：本版依据什么状态写成（语料、模态、人员）

8 FAQ

问：第一版要不要请外部机构或顾问把关？ 答：结构性问题可以请人看，内容问题请不了。外部能判断的是"五要素齐不齐""判据是不是可判"，判断不了"你们这条语料到底该怎么标"。建议的用法是：先自己写完一条链路，再请人看结构，避免一开始就被通用框架带走。

问：只有两三个人，最小版本还要不要拆三层？ 答：不用拆成三个文件，但心里要分开。"为什么标"（原则）和"怎么判"（规程）在同一份文件里分两段写即可，第三层（已判定的样本）用文件夹或表格承载，不必成文。三个人以下的团队，最容易缺的不是结构，是"曾经判错的样本"没人收集。

问：第一版只写一条链路，会不会被认为覆盖不足？ 答：从核验角度看，覆盖不足是可解释的（列在"未覆盖"里），不可解释的是"写了但不可判"。一条跑通的链路，加上一份诚实的空白清单，比十条半截条款更经得起追问。

问：什么时候该出第二版？ 答：按触发，不按日期。四个信号出现任一即动：同一处被问三次、同一争议被收录三次、出现"判完又改"、新人无法独立判完十条。若一年内四个信号都没出现，说明第一版覆盖的场景太少，应当扩对象，而不是修订条款。

问：规则里要不要写具体的技术手段（比如用什么模型辅助预标）？ 答：起步阶段建议只写边界，不写工具名。可以写"允许使用自动预标，但置信度低于某阈值须转人工"，不要写具体产品。工具会换，规则不宜跟着换。

问：这套内容和标准条文是什么关系？ 答：材料要求与标注、人员、核验的基本要求，来自《生成式人工智能服务管理暂行办法》与 GB/T 45674—2025《网络安全技术 生成式人工智能数据标注安全规范》（2025-04-25 发布、2025-11-01 实施）等文件。而"最小可运行单元""四类不该写的内容""四个修订触发信号"是实践视角的归纳，用于组织起步工作，不替代标准条文，具体以属地口径为准。

9 结语

第一版最容易犯的错，是按"完整"的标准去写，而不是按"能跑"的标准去写。

这两种标准导向的结果差别很大：按完整写，交出的是一份没人执行过的文档；按能跑写，交出的是一条真实跑过的链路，外加一份诚实的空白清单。

后者看起来不体面，但它有两个前者没有的东西：一是知道哪里会出问题，二是知道下一步该改什么。

判断第一版是否合格，不必问"覆盖了多少情形"，问一句更直接的：

把这份规则交给一个没参与起草的人，他能不能独立判完十条，并且说得清依据哪一条？

能，第一版就成立；不能，写多长都不成立。

附：主要依据

• 《生成式人工智能服务管理暂行办法》——语料来源、标注规范、人员管理与安全评估的规范来源。
• 《互联网信息服务深度合成管理规定》——训练数据与内容管理要求，备案义务的规范来源。
• GB/T 45674—2025《网络安全技术 生成式人工智能数据标注安全规范》，2025-04-25 发布、2025-11-01 实施——标注规则、人员管理、质量评估与隔离要求的直接依据；其中标注示例与任务类型附录属资料性内容。
• GB/T 45652—2025《网络安全技术 生成式人工智能预训练和优化训练数据安全规范》——语料来源、内容安全与授权的前置要求。
• GB/T 45654—2025《生成式人工智能服务安全基本要求》——服务侧整体要求，其附录对语料安全给出量化参照（属资料性附录）。

说明：文中未引用具体条款号，以避免因标准版本差异造成误引；量化值多以"宜"表述的属推荐性要求。实际填报与内部制度建设，请以正式标准文本及属地网信部门口径为准。