别再把采样数据当成全量数据喂给 LLM 了，这会让模型产生严重的幻觉

之前在折腾 data2prompt v0.5.0 版本的时候，我差点被自己坑了，最后不得不专门撸了个 output-contract.md 文档来复盘。其实核心问题不是新功能好不好用，而是咱们做移动端数据处理时有个习惯：为了塞进上下文窗口，习惯性地从几十万行的大文件里随机抽个十几行做采样。

这事儿最坑的地方在于，咱们人类看 CSV 预览时心里有数，知道这只是个样本；但 LLM 没这“直觉”。你直接把那 15 行数据甩给它，它会表现得超级自信，甚至能一本正经地根据这几行样本去算什么平均值、趋势图，最后告诉你“客户流失率是 5%”。这哪是在推理啊，这纯粹是基于随机种子的幻觉，这种“一本正经胡说八道”在生产环境里可是成本杀手。

为了规避这个风险，我现在的代码逻辑里定了个死规矩：只要是经过截断或采样的内容，必须在最前面强行加上特定的警示语，比如：

-- [Sample: random 15 of 1,234,567 rows] --

这玩意儿不能搞什么 Note: 或者加表情包这种花里胡哨的东西，必须得用这种极其统一、看起来像工具指令的语法。我们要让模型一眼就能分辨出：“这是系统在提醒我，这部分数据不完整，不是原始全量数据”。

另外，对于安全性要求极高的合规场景，我还有个强迫症：凡是读不了的 Parquet 文件，或者因为 .gitignore 被过滤掉的文件，绝对不能让它们在结果里“静默消失”。哪怕没读到，也得在索引里明确标上 Omitted。你得防止模型因为没读到某个配置文件，就自信满满地告诉你“这个项目里没有配置文件”，这种信息不对称导致的决策错误，咱们移动端开发得精打细算地规避掉。