直接回答
先给出可以用于决策的结论
数据准备可分为原始文件、业务元数据、权限和评测四层。原始文件要覆盖常见及困难格式；业务元数据用于把文件与产品、设备、订单或项目关联；权限说明谁能看到什么；评测集则定义用户会问什么、正确依据在哪里、哪些问题必须拒答。扫描清晰度、图纸版本和视频音质比文件数量更重要，首期应选择一类业务对象和一组高价值问题完成闭环。
判断前需要确认哪些条件
同一个问题在不同企业、数据和项目阶段下可能有不同答案。建议先核对以下条件，再把网上的通用结论代入自己的项目。
文件格式、清晰度、语言和专业符号复杂度是否存在稳定的产品设备项目等业务主键版本、生效日期、作废状态和责任人是否明确角色权限、涉密范围和对外模型使用边界
建议按什么顺序推进
01
先明确目标与边界
选定一个知识使用场景和用户群。
02
验证关键依赖
整理代表性文件、元数据、版本和权限。
03
形成可评审成果
制作包含正常异常和无答案的真实问题集。
04
用真实结果决定下一步
抽样验证解析结果并修订数据规则。
放到实际业务中如何理解
示例用于说明判断方法
制造企业建设图纸知识库时，不能只收集PDF导出文件，还要说明图号、产品、版本、生效日期、替代关系和使用部门。若生产现场仍可能使用旧图，评测中必须包含“当前有效版本”“两个版本差异”和“无权查看客户图纸”等问题。 示例不代表特定客户业绩，实际结论需要结合企业自己的业务量、样本、系统和责任边界验证。
最容易踩的坑
资料没有版本和对象关系就直接批量向量化
把自动转写文本当成绝对准确的原始记录
不准备无答案、低质量和越权问题
最终应该怎样验收或确认
应抽样核对不同格式的解析、元数据、对象关联、版本和权限。真实问题能够找到正确资料及片段，作废版本不会默认作为现行依据，低质量或缺失文件会被标记，越权用户无法通过问答或引用访问受限内容。
准备与供应商或内部团队沟通时，建议带上当前流程、代表性样本、现有系统、计划时间和预算等级。先把未知项明确标注，再决定采用诊断、PoC、固定范围项目或持续研发，通常比直接索要一个缺少边界的价格和工期更可靠。