数据清洗与预处理操作手册 (通用版)

核心目标：把“乱码和废话”删掉，把“逻辑和关联”留下。

第一阶段：文件“大扫除”（格式清理）

1. 清理“无效零件”
• 页码/页眉/页脚： 批量删除文档中的“第 X 页”、“公司机密”、“版权所有”等重复信息。这些信息混在正文中会干扰语义块。
• 乱码修复： 检查是否有 PDF 转换带来的特殊符号（如 `` 或 * 等）。
• 多余空行： 删除连续的空行，只保留必要的段落分隔。

2. 处理“视觉障碍”
• 图片处理： 如果图片里有重要文字，请手动把文字打出来放在图片下方。大模型目前主要识别文字，无法直接读取图片里的复杂逻辑。
• 流程图转换： 将流程图（如：A步->B步）改为文字描述：“如果发生 A 情况，则执行 B 动作”。

第二阶段：内容的“整容术”（结构优化）

1. 使用 Markdown 标记（非常重要）
• 标题层级： 使用 # 表示大标题，## 表示小标题。
• 加粗重点： 对核心术语、产品型号（如：BMC1101N）进行加粗。
• 列表对齐： 使用序号（1. 2. 3.）或圆点（-）列出要点，不要把所有内容挤成一大段。
• 示例：# 售后服务流程## 1. 退货申请### 1.1 申请条件

2. 表格的“降维打击”
• 不要直接粘贴复杂表格： 复杂的 Excel 表格直接上传效果很差。
• 转换方法： 建议将表格转为 Markdown 格式，或采用“属性: 数值”的描述方式。
• 例子： 不要只留一个单元格写“Φ24*Φ14*35”，要写成“尺寸：Φ24*Φ14*35”，确保每一行数据都带着它的含义。

第三阶段：语义的“补全灯”（上下文强化）

1. 主语补全
• 避免代词： 如果文中多次使用“它”、“该公司”、“这台机器”，请尽量替换为具体的名字。
• 修正前： “它的主板型号是 Z790。”
• 修正后： “这台桌面电脑的主板型号是 Z790。”

2. QA（问答对）化处理
• 针对常见问题，直接总结成问答格式。
• 格式： 问： 如何处理服务器勒索病毒？
答： 应当采取以下三步措施：1... 2... 3...

第四阶段：自检清单（上传前检查）