zk-data-agent/skills/online-mining-v2/knowledge/工作流.md

工作流

分支 A：线上候选直接作为数据样本

适用表达：

• “把筛选出的数据变成样本”
• “拿线上数据做评测集”
• “保留这批线上 case”
• “导出候选样本”

流程：

1. 分析需求，确认目标标签和复杂度。
2. 设计 ELK 挖掘策略。
3. 用 elk_search_cases.py 拉候选。
4. 用 elk_join_request_logs.py 补全 main/pre_processing 字段。
5. 展示小批候选给用户 review。
6. 用户确认后，优先用 build_online_records.py 直接生成 canonical records 和流通表格。
7. 只有需要人工查看 draft 或混合生成数据时，才用 build_dataset_draft.py 转 dataset draft，再接 product-data。

这个分支不生成新 query。

rid 快速转样本流程

适用表达：

• “把这个 rid 的数据拉下来，作为测试数据”
• “这几个 request_id 转成我们的元数据”
• “线上命中的这批样本直接导出”

流程：

1. 整理 request_ids、dataset_label、target、complex、时间范围。
2. 如果用户说“一周内/最近 7 天”，传 lookback_days: 7；如果给起止日期，传 date_from/date_to；如果只给某一天，传 date。
3. 调用 build_online_records.py。
4. 检查返回的 summaries：
   • query
   • target
   • target_source
   • prev_session_count
   • main_domain
   • planning_result
5. 告诉用户输出路径：
   • output/records.jsonl
   • output/records.csv
   • 用户要求训练/评测时，再导出 training.jsonl / eval_planning.csv

prev_session 以前处理 promptModel 的 [对话历史] 为准。不要用主表 session_id 重建模型输入历史；它更适合排查同设备/同链路日志，不适合作为训练/评测 prompt 历史。

分支 B：基于线上问题补充生成数据

适用表达：

• “基于这些 badcase 再生成一批”
• “扩写类似 case”
• “构造训练数据”

流程：

1. 先完成分支 A 的线上问题定位和 review。
2. 总结线上错误模式、边界和负例。
3. 切到 product-data 的 generation goal / generation plan。
4. 用户确认计划后再生成新数据。

review 展示建议

每条候选优先展示：

request_id:
query:
planning_result:
main.domain / main.func:
candidate_domains:
session_id / device_id:
tts:

不要默认展示完整 prompt。prompt 很长时只展示命中片段。