大家都在談 RAG，但我九成時間在洗資料

公司這幾年累積下來的客戶往來信件，總共 26,600 封。這大概是我做過最貪心的一個旅行社自動化題目：把這些信丟進一個系統，讓 AI 學會怎麼回信。做下去才發現，真正花時間的不是接 AI，是把這堆信洗成一個能查的東西。

從 26,600 封信到 11,135 組對話

第一步是拆對話串。一封信單獨看沒有意義，同一組客人來回七八封，才構成一次完整的詢問到成交（或沒成交）的過程。26,600 封信拆完，變成 11,135 組對話。

拆完之後還要洗：引文、簽名檔、公司免責聲明這些雜訊留著不清，後面做語意搜尋的時候，系統會把「敬祝商祺」這種話當成有意義的內容去比對，結果自然跑偏。這一步沒做好，後面接的模型再強也沒用。

每一組對話還要貼上幾個標籤：人數、天數、去過的景點、負責的同事，還有最關鍵的一個——這一團最後有沒有成交。

「有沒有成交」這個標籤，是整套系統能不能用的關鍵

如果只是把信件丟進去讓 AI 學語氣，學到的東西良莠不齊——沒成交的案子裡，業務的回法不見得是好的示範。貼上這個標籤之後，之後要檢索案例，就可以只挑成交過的那些，等於是讓系統只跟公司裡表現最好的那批對話學。

中英夾雜也是這批信件的常態，客人有講英文的、也有中文夾雜地名和飯店名的，清理的時候要決定統一用哪種語言存，還是兩種都留著。個資的部分則是在進到下一步（向量化）之前先做一輪去識別化，客人的姓名、Email、電話這類欄位不會被拿去跟語意搜尋放在一起，這件事我沒有等系統做完才想到，是資料清理這一步就先畫清楚。

這整支清理流程是用 Python 寫的批次腳本，沒有工程師背景也能一步步照著資料的樣子調整規則，唯一比較花時間的是每次調完規則都要抽樣回頭看有沒有洗過頭，把有用的內容也一起洗掉了。

如果你也是旅行社

你公司最值錢的資產，可能正躺在 Gmail 裡沒人整理。但它要先被拆成一組一組、貼好標籤、洗乾淨雜訊，才叫資產；直接丟給 AI 學，學到的只會是一堆噪音。