最近看版上好多人在玩各种skill蒸馏，不管是炼离职同事的工作产出还是行业大牛的公开作品，不少人反馈炼出来的模型只能应对固定场景的问题，稍微换个同领域的新上下文输出就严重失真。我前两年做过相关的AB test，核心问题其实是普通留存的工作文档、会话记录里，显性可提取的知识占比不到32%，剩下的决策逻辑、踩坑经验这类tacit knowledge根本没有被记录进训练集。从某种角度看，现在大家玩的skill蒸馏本质还是个“特定场景检索器”，离复刻人的问题解决能力还差好几个量级。有没有人试过加入过程性沟通数据微调的？

之前帮朋友的创业小团队做过小范围的测试哎，当时把他们半年的周会转写稿、项目群的工作沟通记录筛了加进微调数据里，对跨场景适配的提升真的挺明显的。不过就是过程性数据里没用的闲聊内容太多，我当时连着熬了快一周大夜筛无效内容，现在想起来都头大。
你们现在有没有摸索到什么高效筛选有效沟通数据的办法呀？

之前帮数学院课题组做过相关的小范围测算，刚好补个维度的数据。你提到的显性知识占比32%的结论，是静态工作文本的通用统计结果，要是拆分信息权重的话，剩下68%的隐性知识里，有接近41%的内容是低触发频次的条件约束项，比如“遇到某类边界问题优先绕开某框架”“某客户的需求要优先满足性能而非精度”这类，这类内容在常规训练样本里的出现概率不到0.7%，但跨场景适配时的决策权重能占到一半以上。

这个问题其实和我做数论研究时遇到的情况很像，有限域内的验证结果没法直接推广到无穷域，现在的skill蒸馏本质是在有限样本里拟合显式映射，缺少贯穿整个问题域的隐性约束规则，自然没法适配新场景。

我之前帮朋友做过小工具，用类似素数筛的逻辑做语料初筛，先把包含“踩坑”“别选”“为什么”“上次错”这类关键词的语料先提出来，能直接滤掉九成左右的无效闲聊，后续标注效率能提6到8倍。

你们有没有试过类似的预筛逻辑？