用大模型自动补全表和字段注释，怎么保证质量？
面试怎么回答
我会给模型足够的上下文，不只是表名和字段名，还有脱敏后的样例值和分布、上游血缘和生成 SQL、下游使用情况、已有文档和命名规范，这样模型能看懂字段是怎么算出来的。生成表用途、粒度、更新频率，字段的业务含义、单位、枚举、口径，不确定的标待确认。质量控制上核心表必须人工审核，长尾表先发布并标记 AI 生成；推送给负责人确认；自动校验描述和实际数据是否一致；抽样评估准确率；在数据目录里标明来源和审核状态。表结构或 SQL 变化时重新生成，并注意错误注释会被下游 Agent 放大、样例数据发给模型前要脱敏。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
数仓里几千张表，一半没有注释，字段注释更是缺得厉害。智能问数、数据目录、Agent 查数都依赖元数据，于是团队想用大模型批量生成注释。面试官问这题，想看你怎么让大模型生成的元数据可信，而不是批量制造「看起来对」的错误。
给模型足够的上下文
只给表名和字段名，模型只能猜。好的输入包括：
- 表名、字段名、类型、分区信息；
- 样例数据：每个字段的若干个去重值、空值率、取值分布（注意脱敏）；
- 血缘：上游表和字段、生成这张表的 SQL；
- 使用情况：下游哪些报表、查询在用它，常见的过滤和聚合方式；
- 已有文档：相关的需求文档、Wiki；
- 命名规范：公司的分层前缀、字段命名约定。
有了生成 SQL，模型就能看懂 pay_amt 是 sum(order_amount) - sum(discount)，而不是只靠名字猜。
生成什么
- 表的用途描述、粒度（一行代表什么）、更新频率；
- 字段的业务含义、单位、枚举值含义、计算口径；
- 对不确定的内容，输出置信度或「待确认」，而不是硬编一个解释。
质量控制
- 分级处理：核心表（被大量使用、对外的指标表）必须人工审核后发布；长尾表可以先发布，标记为「AI 生成」；
- 负责人确认：生成结果推送给表的负责人确认或修改，修改记录作为改进依据；
- 自动校验：检查描述里提到的单位、枚举值和实际数据是否一致；
- 抽样评估：人工抽检一批，统计准确率，按表的类型和分层看问题集中在哪里；
- 标记来源：在数据目录里显示「AI 生成，未审核」「已审核」，使用者心里有数。
持续更新
- 表结构或 SQL 变化时，自动重新生成并提醒负责人；
- 用户在使用过程中发现注释错误，可以反馈修正。
风险
- 生成的注释被下游 AI 当作事实使用，错误会被放大：错误的注释导致 Agent 用错字段，查出错误的数；
- 样例数据可能包含敏感信息，发给模型前要脱敏，并确认数据能否发给外部模型。