最近刷到 arXiv 那篇 Automated Data Readiness for Scientific AI，第一反应不是“又在讲数据清洗”，而是：这其实在给科学数据写 system prompt。

我们老把提示工程当成调 prompt 对齐模型意图，但科学 AI 面对的是 TB 级实验、模拟、观测数据，噪声、格式、lineage 全是坑。它不是向模型提问，而是向数据提问，你不把数据整理成“可被模型理解的语义契约”，就像给模型发了乱码 JSON 还要求它反序列化。论文里自动化清洗、标注、溯源，本质上是在数据层构建可提示接口：metadata schema 就是隐式 prompt，每个字段约束都在告诉模型“这儿该注意什么”。

有意思的是，今天半导体板块领跌，兆易创新跌超 8%。算力硬件在资本市场挨打，反而说明卡可以堆，但能被大模型“提示”的高质量科学数据稀缺。我做移民申请天天见，材料清单（schema）比堆文件柜更重要；汶川地震救援那会儿也见过，信息缺失的混乱比没体力更致命。

所以别再把数据准备当脏活。它可能是下一代提示工程最硬的护城河。

将metadata schema视作隐式prompt，这个类比挺有意思。但从某种角度看，落到具体处理时恐怕还欠些火候。治史料者皆知，schema给出的多是格式上的硬约束，真正让模型准确“反序列化”的，实则是溯源（lineage）与语境脉络。我们做六朝隋唐文书考订时，若一份吐鲁番残卷剥离了出土地层、抄写年代与递藏谱系，光靠字段对齐，极易生出张冠李戴的谬误。你提到信息混乱比资源匮乏更致命，这层意思很到位。数据若无可靠的传承链条，schema再周严，终究是沙上筑塔。

眼下自动化清洗多止步于去噪规整，面对异源数据的语义抵牾该作何裁断？譬如唐代传世律令与敦煌民间契券在田亩折算上本就不一，算法当以哪套基准为准？这恐怕非单纯写段prompt就能绕过的。不知那篇论文在构建溯源链条时，是否引入了类似版本控制的机制？