把每一次人工纠正，变成系统下次能复用的经验。
机制一
样本沉淀
每一次人工纠正，都会被记成一张样本卡存进库。比如模型把「带看转化佣金」按错口径算了，业务老师改回正确算法，这条问法到正确结果就落成一张卡。卡里不只存答案，还存意图标签和口径说明，后面召回就靠这些信息。
机制二
相似召回
新问题进来，系统不急着直接丢给模型。它先在样本库里翻，找出几张问法相近、口径相近的卡，当作 few-shot 例子一起喂进去。模型看到前面这几张卡都是这么处理的，就会顺着同样的口径走，而不是凭空编一个。召回靠语义层面的近似，不靠关键词硬匹配，所以「业绩分成」能召回「提成」那张卡。
机制三
回归校验
样本库不是加了就完事。每动一次，都要跑一遍回归基准，把历史问过的问题重新问一遍，确认老答案没被新样本带偏。这一步很像写代码要跑测试。没有回归，样本越加越乱，今天修好一个，明天带崩三个。回归基准就是那道护栏。
机制四
越用越准的飞轮
把前面三件事串起来，就转成一个飞轮，用得越多，沉淀的样本越多；样本越多，相似召回越准；召回越准，答得越准；答得越准，业务老师越愿意用、越愿意纠。园区的数据口径是长出来的，得一点点养出来。样本库让系统跟着园区一起长，把经验留下来。
说点实在的
回到两套系统的说法。管数据的那套，负责把房源、租客、合同、账单收进一个干净底子，口径先统一。问数据的那套，靠的就是这套 FewShot 样本库，让问数越问越准。问数平台不是甩一个大模型就完事，得把业务经验一点点攒进样本库，让系统跟着园区一起长。模型会换代会升级，样本库里的业务经验，才是这个园区真正留下的东西。
