单篇资料格式化指导

用途：

用于统一整理本素材库中的单篇文章、网页、案例、协议、提案材料、媒体报道等文本资料，使其适合后续检索、切片、标注与模型训练。

适用范围：

1. `01-共享底座素材`
2. `11-资本战略总顾问模型`
3. `12-企业经营战略总顾问模型`
4. `13-品牌营销战略总顾问模型`
5. `14-FDE总顾问战略模型`
6. `90-待分拣素材` 中待格式化文件


一、总原则

1. 一篇资料一个文件
- 不做多文综述混排
- 一个文件只承载一篇原始资料

2. 以格式化为主，不以改写为主
- 重点是清洗噪音、补齐结构、统一字段
- 不随意改写作者观点，不重写原文逻辑

3. 保留原文信息密度
- 保留术语、条款名称、流程名称、专有名词
- 不无端把原文改成统一口吻

4. 原文层与分析层分离
- 原文文件只承载资料本身
- AI 分析、人工解读、迁移判断应另起文件


二、推荐文件结构

每篇资料建议统一为以下结构：

标题：xxx
来源：xxx
作者：xxx
发布时间：xxxx-xx-xx
原始链接：xxx
资料类型：行业文章 / 法律解读 / 实务指南 / 提案材料 / 协议模板 / 案例复盘 / 媒体报道 / 内部文档
适用模型：共享 / 资本战略总顾问模型 / 企业经营战略总顾问模型 / 品牌营销战略总顾问模型 / FDE总顾问战略模型
角色视角：创业者 / 企业家 / 顾问机构 / 投资人 / 律师 / 媒体 / 客户方 / 综合
能力标签：边界定义 / 战略分析 / 资本路径 / 经营诊断 / 品牌定位 / 营销策略 / 顶层设计 / 提案表达 / 交付流程 / 风险处理 / 顾问问答
语言：中文 / 英文
质量等级：A / B / C

摘要：
（优先保留原文导语；若原文没有导语，可以留空，不强行生成 AI 摘要）

正文：
# 一级标题
## 二级标题
### 三级标题
正文段落……

附注：
- 已清理页面导航、广告、相关推荐、评论区等噪音信息
- 保留原文核心表达，未改写作者观点


三、必须清理的噪音

原则上应删除：

1. 页面导航
2. 广告和下载提示
3. VIP、积分、登录提示
4. 相关推荐、评论区、转发按钮
5. 阅读量、字体切换、返回顶部等页面噪音


四、必须保留的信息

原则上尽量保留：

1. 标题
2. 来源
3. 作者
4. 发布时间
5. 原始链接
6. 原文导语
7. 正文中的标题层级
8. 条款、步骤、清单、数字、周期、案例
9. 专有名词和英文术语


五、正文格式化规则

1. 标题层级统一为 `# / ## / ###`
2. 段落拆分清晰，一个自然段单独成段
3. 风险点、步骤、清单尽量整理为标准列表
4. 协议和法律条款保留原编号体系
5. 专有名词不替换
6. 金额、费率、时间、百分比不模糊化


六、训练场景下不建议做的事

1. 不要给每篇强行写 AI 总结
2. 不要把个人解读混进正文
3. 不要统一改写成同一种文风
4. 不要随意删掉原文中的细节、案例和措辞


七、推荐的双文件策略

如条件允许，建议每篇资料保存两份：

1. 原始抓取版
- 文件名示例：`文章标题.raw.tx`

2. 格式化训练版
- 文件名示例：`文章标题.tx`

这样便于追溯、回滚和后续批量优化。


八、命名规则

建议文件名尽量直接使用文章标题，并做最小清洗：

1. 保留标题核心语义
2. 删除平台噪音词
3. 避免无意义前后缀
4. 中英文混合标题可保留，但空格和符号要规整


九、推荐处理流程

1. 抓取原文
2. 保存 raw 版本
3. 清理噪音信息
4. 补齐元信息头
5. 统一标题层级
6. 拆分段落与列表
7. 保存格式化版本
8. 抽查开头、标题、列表、结尾是否完整


十、验收标准

一篇格式化完成的资料，至少应满足：

1. 能看出标题、来源、时间、链接
2. 正文结构清晰，标题层级明确
3. 没有明显广告和页面噪音
4. 原文观点和论证顺序未被篡改
5. 条款、步骤、数字、案例没有被误删
6. 可以直接进入后续切片、分类和训练候选流程