50 条脏数据批量替换：用 AI 写正则并验证后复用

一句话结论

批量替换别直接让 AI 写正则：先给 50 条真实样本让它列规则，再逐条回放验证，规则才能上量。

这篇解决什么问题

手里有一批导出的文本，几十到几千条，格式乱得离谱：全角半角混着、标点重复、空格多到像排版练习。想一次性统一成同一种格式，又不敢直接全量跑，怕把干净的也改坏。

适用：文本量大、格式毛病有共性、你手上已经攒到一批能代表全貌的样本。不适用：只有三五条要改（手改更快），或者每条要不要改都得靠业务判断。

开始前要准备什么

• 一个对话式 AI：Claude 网页版免费额度够日常用，Cursor 里要付费
• 一份 50 条上下的真实样本，脱敏后存成纯文本
• VS Code，改的时候要勾上查找框里的 .* 正则开关
• 一个表格工具记「原值 → 期望值」，飞书表格就够
• 时间：样本整理 10 分钟上下，规则调通通常半小时内

具体怎么做

第 1 步 · 摊平样本，标出改后样子

50 条不用特意挑，按导出顺序取前 50 条反而是最好的样本，脏的地方通常是均匀分布的。你只用手改其中 4 条，让 AI 看见你的判断标准就行。

你是我的数据清洗助手。下面是一批从系统导出的文本字段，我要把它们统一成同一种格式。
【原始样本】共 50 条，编号 S01 到 S50，原样粘贴，不做任何清理：
S01：【急】 退换货申请 怎么处理？？
S02： 订单号 2024 0715 查询
S03：客户7788 反馈：物流太慢！！！
S04：（加急）发票 抬头 写错了
S05：转人工——请回电
S06：商品名称: 测试 商品 A 12 型号
（把剩余样本按同样格式接在后面）
【我手动改好的示范】只改这 4 条，作为我的判断标准：
S01 → 退换货申请怎么处理
S02 → 订单号20240715查询
S03 → 客户7788反馈物流太慢
S04 → 加急发票抬头写错了
现在先别给我正则表达式。只做一件事：把我改动的地方归纳成规则，用「规则名 / 触发条件 / 期望结果 / 涉及样本编号」四列输出成表格。凡是你猜不准我意图的地方，单独列在表格下方问我。

预期产出：一张四列的规则草表，外加几个 AI 反问你意图的问题。那些问题往往就是后面最容易返工的地方。

第 2 步 · 先排顺序，别急着要正则

清洗是有先后的。去空格放太早，会把刚补上的分隔符一起吃掉；去括号放最前，又可能让后面的匹配整个错位。我第一次跳过了这一步，规则单跑都对，串起来全乱。

上一步的规则表我看了，现在做排序，先不写正则。
要求：
1. 按「必须先后执行」的顺序重排，越靠前越先跑；
2. 相邻两条如果会互相影响（前一条改完导致后一条匹配不上，或者后一条把前一条的结果又改坏），在规则后面标「与上一条冲突」并说明原因；
3. 另起一段列「顺序无关」的规则，这些先跑后跑都行；
4. 这一轮只排顺序，不要输出任何正则表达式。

预期产出：一份带冲突标注的执行顺序表，加一组可并行的独立规则。有冲突的那几条，就是需要重新拆分的候选。

第 3 步 · 一条规则一条正则

很多人图省事，直接让 AI 给一条万能正则，看着很爽，真出问题就没法调了。拆成一行一条，哪条错就停哪条，这是能不能自己接手维护的分水岭。

现在把排序表转成可执行的替换规则，一条规则一行，用表格输出四列：
规则名 | 查找（正则） | 替换为 | 用在哪
写的时候遵守这几条：
1. 优先用最保守的写法，能不用 .* 就不用，非要用就加数量上限，比如 .{1,20}；
2. 明确 ^ 和 $ 的位置，说清楚是全字符串匹配还是局部匹配；
3. 「替换为」这一列如果是空，写「留空」，不要写 null；
4. 每行正则后面用一句话说明它会匹配到什么，方便我人工核对；
5. 另外单独告诉我：哪些规则在 VS Code 的查找替换里能直接跑，哪些必须放进 Python 脚本。
补充背景：我主要在 VS Code 里操作，会勾选查找框的「使用正则表达式」；另有一部分数据走 Python 脚本。Excel 自带的查找替换不认正则，这个我知道，不用提醒。

预期产出：一张四列替换表，查找、替换为、用在哪都齐了，每行还带一句中文说明。你人工扫一遍就能挑出明显不对的。

第 4 步 · 50 条回放，只要 PASS 或 FAIL

这一步是全文的重点。让 AI 拿同一批样本真的跑一遍，而不是让它自己拍胸脯说「规则正确」，要的是逐条结论。

接下来做回放验证。请严格按上一步的规则表，对下面 50 条样本逐条模拟执行。
输出一张表格，五列：
编号 | 原始值 | 执行后 | 我的期望值 | 结论
规则：
1. 「结论」这一列只能填 PASS 或 FAIL，不要写「大概」「可能」；
2. FAIL 的行，在表格下方单独用列表说明是哪条规则出的问题、错在哪里；
3. 全部跑完后，最下面给一行统计：PASS 多少条、FAIL 多少条、通过率多少；
4. 不许修改我的期望值去凑 PASS。没有给期望值的行，结论列统一写「待核对」。
样本和期望值如下：
S01 | 【急】 退换货申请 怎么处理？？ | 退换货申请怎么处理
S02 | 订单号 2024 0715 查询 | 订单号20240715查询
S03 | 客户7788 反馈：物流太慢！！！ | 客户7788反馈物流太慢
（把剩余样本按同样格式接在后面）

预期产出：一张带编号的验证表，加一份失败清单和通过率统计。第一遍很少有全过的，这是正常现象，不用怀疑方向。

第 5 步 · 补反例，把误伤堵住

漏改看得见，误伤看不见，这步最容易被跳过。我踩过一次：一条去空格的规则把「型号 A 12」改成了「型号A12」，型号对不上，后面排查了好一阵。

再帮我查一遍误伤。下面这些是「不该被改动」的样本，它们看起来和上面的脏数据很像，但业务含义不同，必须原样保留。
【必须保持原样的样本】
N01：商品 型号 A 12 的配件
N02：订单号 20240715 已发货
N03：客户 7788 转 9900 分机
N04：【重要】请勿回复本邮件
请对照上一步的规则表逐条说明：这几条会被哪条规则命中、命中后变成什么、是否需要加例外。需要加例外的，直接给出修正后的正则（仍然是四列：规则名 | 查找 | 替换为 | 用在哪），并在说明里写清这个例外是为了保护什么。

预期产出：一份例外清单，以及几条被追加了边界条件的修正正则。反例样本建议攒到 10 条以上再收手。

第 6 步 · 落成一张能存下来的规则卡

规则调通不算完事，得让它下次还能用。写成 Markdown 放进项目文档或者知识库，换一批数据直接搬过去。

最后把规则整理成一份可以存下来复用的清单，用 Markdown 输出。
格式要求：
1. 开头写清楚这份规则适用的字段类型、适用的系统、以及最后一次验证用了多少条样本；
2. 规则用表格：规则名 | 查找（正则） | 替换为 | 适用场景 | 已知例外；
3. 「已知例外」这一列必须写实，没有就写「无」，不许省略这一列；
4. 表格后面附一段「换到新数据上怎么复测」的三步小流程，让下次不用重新想；
5. 全篇不要出现具体的客户名、手机号、订单号，统一用 X 占位。

预期产出：一份带适用说明、正则表、例外清单和复测流程的规则卡。这才是这次真正带走的东西。

实测记录

成本上没什么可算的，网页版对话的免费额度足够跑完这一整套，真正花的是你读验证表的时间。

和手工比：50 条这个量级，熟手手改未必慢多少。但手工有两个问题，一是换个人做结果会不一致，二是量一旦上到几百条就顶不住了。规则的好处是可以重跑。

最容易错的 3 个地方

1. 只给 AI 三五条样本。纠正：样本太少它只能猜，凑到 40 条以上再开口。
2. 让它输出一条万能正则。纠正：拆成一行一条，错了能定位，接手的人也看得懂。
3. 信了 AI 自己说的「验证通过」。纠正：它算正则是靠推演，边界字符容易错，必须在 VS Code 或脚本里真跑一遍。

可复用的东西

六个提示词按顺序串起来就是一套固定流程：归纳规则 → 排执行顺序 → 出正则表 → 50 条回放 → 补反例 → 出规则卡。前四步几乎每个清洗任务都能直接套，第五步的反例样本每次得按业务重写。

建议把第 3 步和第 6 步的提示词单独存成片段，把正则表的列固定下来，以后新增规则往里加行就行，不用再重新组织语言。

总结一句：AI 在这里的价值不是替你写对正则，是逼你把规则想清楚，再拿样本一条条验。流程听着笨，但比我以前凭感觉全量替换稳当得多。你手上那批数据，最难洗的是哪一类？

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接