← ClaudeAtlas

verifiable-datalisted

生产「每条都能被独立核验」的数据集的方法:A–E 五级置信度、source_url + 逐字 quote 双证、A1/A2 双轨分层、标的指纹锁定、失败留痕。当用户要建数据集、做数据质量审计、写数据登记/申报材料、被问「你的数据凭什么可信」时使用。当用户说「这批数据可信吗」「怎么证明数据有来源」「数据质量怎么保障」「能不能出个可信度报告」「数据溯源怎么做」时使用。
Trustbaselab/trustbase-skills · ★ 1 · AI & Automation · score 74
Install: claude install-skill Trustbaselab/trustbase-skills
# 可信数据生产法 ## 何时使用 - 要建一个「别人可以质疑」的数据集 - 数据要用于对外披露、登记、申报、授权 - 有人问「你的数据凭什么可信」 - 要做数据质量审计 **不适用**: - 只是自己用的草稿数据 → 不需要这么重 - 纯粹的分析报告 → 用写作类 skill --- ## 核心原则:三个「不可」 ``` ① 不可编造 source_url —— 没亲自取到就不写 URL ② 不可编造 quote —— 必须是页面逐字子串,不是概括 ③ 不可编造 as_of —— 页面没写就用取回日期并注明 ``` **违反任何一条,整条记录降为 E 级。** --- ## 五级置信度(A–E) | 级别 | 含义 | 判定条件(必须全部满足) | |:-:|---|---| | **A** | 权威一手 | ① 来源是发布方自己的正式文件/数据表/官方页面 ② 实测 HTTP 200 ③ quote 是页面逐字子串 ④ as_of 来自页面 | | **B** | 权威二手 | 数字被归因于某个一手源,但你没能亲自取到那个一手源 | | **C** | 一般二手 | 二手转述,无明确一手源指向 | | **D** | 存疑 | 来源存在但内容有内部矛盾,或口径不明 | | **E** | 不可核验 | 取不到(403/付费墙/robots 禁止)、或无法确认 quote、或来源已消失 | **⭐ E 级不是「坏数据」,是「线索」。诚实标 E 比伪装成 A 有价值 100 倍。** --- ## A 级双轨分层(关键) **同样是 A 级,「行业相关」和「宏观统计」的价值完全不同,必须分开披露。** | 档 | 定义 | 例子 | |:-:|---|---| | **A1** | 行业相关:政府机关 / 标准组织 / 厂商官网技术数据表 | 某部委文件、ASTM 标准原文、厂商产品 datasheet | | **A2** | 宏观统计:国际统计库,公开发布,任何人免费可得 | World Bank / UN Comtrade / EIA | **为什么必须分:** ``` 如果只报「A 级 87%」→ 看起来很好 但其中 86% 是 World Bank/UN 宏观数据(客户自己就能免费拿) → 一旦客户发现,信任崩塌 分轨披露「A1 13% / A2 86%」→ 难看但真实 → 客户知道你的核心资产在哪 ``` --- ## 执行流程(六步) ### ① 先定 schema,再采数据 **不要先采再想字段。** 每条记录必须固定的字段: ``` id 稳定唯一标识(前缀 + 日期 + 序号) type 领域/类型 public.* 公开可展示字段(名称/地区/发布方/状态) sourced.source_url 来源页 URL sourced.quote 页面逐字子串(≥20 字符) sourced.confidence A | B | C | D | E sourced.verification 核验方式说明(怎么验的) as_of 数据时点(YYYY-MM 或 YYYY-MM-DD) evidence.* 指纹/取回时间/来源快照 ``` ### ② 采一条,验一条 ``` 每采一条立即做三件事: ① curl 一遍 source_url,记 HTTP 状态