自演进 · 人机协同闭环
AI 能编目之后，剩下的问题是：
它能不能越用越准？
某头部视频平台媒资团队的 AI 编目链路已达生产级 —— 54 个业务字段、25 秒/条、成本下降 92%。 但人工在工作台上修正的每一个字段，过去都没有被系统回收。这套闭环解决的就是这件事： 把人工修正变成机器下一次不再犯错的规则。
≤25s
单条编目耗时（人工约 6.5 分钟）
-92%
单条成本降幅
100%
人工修正落盘（含坏数据兜底）
≥20%
规则生效后修正率下降的验收门槛
闭环全景
为什么需要这套闭环
三个压力构成了传统人工编目的「不可能三角」：
- 内容侧 —— 新增内容量年增 50%+，编目人力仅增 8%，媒资积压成常态；
- 成本侧 —— 客户单价持续下压，人工单条成本固定，利润空间被挤压；
- 质量侧 —— 初中级人员错误率 5%–10%，几十个字段的填写规范难以完全落地。
AI 编目把「能不能自动化」解决到了 90%+ 的准确率，但最后一段爬坡（96% → 98%+） 靠的不是更大的模型，而是把人工校正的经验系统化地喂回去。 通用工作流平台普遍没有自反馈机制 —— 这套闭环就是外挂式的补全方案。
三个不可妥协的设计判断
修正原因是训练标签
每次修正必须标注原因（来源错误/格式不符/语义偏差/幻觉编造/漏抓补全）。 没有它，系统只知道「字段被改了」，无法区分「抓错源」和「编造内容」—— 两者的解法完全不同。空原因直接抛异常。
规则必须人工审核
错误规则一旦固化会被批量放大，且因为它是「系统行为」而非个例错误， 事后复核反而更难发现。状态机强制 草案→待审→灰度→全量，跳步抛异常。
规则必须附样本证据
审核人需要看到触发规则的原始修正记录才能判断规则是否成立。 空证据的规则无法入库。