Nexa Intelligence每段被接受的对话转化为结构化智能的十个类型化维度。
对话是原始素材。十个维度是平台强加于每段被接受对话的结构。该集合在形态上具有跨行业稳定性：每个行业纵向获得十个维度，根据劳动力实际掌握的知识，替换其中两至三个。零售业获得一套维度。咨询业将客户细分行为替换为参与经济学指标。餐饮业将品牌感知图替换为班次级运营差异。数量始终保持在十个。
十是一个经过校准的数字。五个维度会相互压缩并失去跨市场的可比性。二十个维度会将信号分散在过多字段中，每个字段在任何单次对话中都供给不足。以十个维度，一场十五至四十五分钟的访谈能够在每个维度上产生足够的密度以支持跨对话聚合，同时字段数量足够少，使模式仍可作为单一对象进行查询。这一校准是实证性的。在首次商业部署前，历经两年工作才最终确定。
模式是将其提取出来的方式。
[ 01 ] · NAMED: 十个维度
每个维度一段话。将它们视为一份契约来阅读。
痛点
员工反映的反复出现的摩擦，锚定到逐字引用并按频率和严重程度评分。只要员工持续提及相同的摩擦，该事实就在语料库中保持活跃。当一个刷新周期不再将其浮现时，它就会衰减。
机会评分
可从一线观察到的未满足需求或未售出库存，按可操作性排序。每个机会带有一个级别：即时（员工昨天提到的缺货 SKU）、中期（需要规划周期的客户模式）、结构性（需要战略决策的品类调整）。
品牌感知图
对于员工提及的每个品牌，记录其情感、使用场景和替代关系图（客户转而选择哪个品牌以及基于何种原因）。这是使一个语料库能在大型美妆零售部署中服务目录上每个品牌合作伙伴的维度。每个品牌合作伙伴获得该维度的范围限定投影。
AI 就绪度评分
按员工和任务维度，评估 AI 辅助在哪些方面有帮助、在哪些方面会被拒绝以及在哪些方面存在风险。之所以采集此数据，是因为为平台提供数据的同一批劳动力，也将被要求采用平台的智能体。该维度在问题被提出之前就回答了采用性问题。
留任驱动因素
是什么让该员工留在岗位上、什么会让他们离开，以及什么会让他们推荐同事。该维度对劳动力流失问题给出了结构性答案，而人力资源调查只用五点量表来回答这一问题。
市场信号
员工已在一线观察到的品类转变领先指标。员工突然听说的某个产品。街对面新开的竞争对手。开始提出不同问题的客户群体。该维度是系统对品类的即时预测。
监管与合规风险
与政策相悖的已披露做法，以及员工陈述的原因。之所以采集此数据，是因为劳动力知道变通做法在哪里，而管理层往往不知道。中立性协议使这一维度得以诚实地浮现。害怕被评价的员工永远不会提及变通做法。
培训缺口
员工缺乏且自知缺乏的具体技能，对应到当前培训目录的覆盖情况。这是集合中半衰期最长的维度。只有当培训目录或产品发生变化时才会衰减。
客户细分行为
观察到的客户类型学、决策标准、价格阈值和渠道替代。该维度是劳动力对客户的了解与品牌合作伙伴按客户细分范围查询需求之间的桥梁。
竞争对手提及图
每个被提及的竞争对手、背景情境，以及在客户决策中比较结果如何。结合品牌感知图，该维度使语料库能够在细分层面回答跨品牌替代问题。
[ 02 ] · NAMED: 行业适配
形态固定。内容适配。
上述十个维度是零售业的集合。对于咨询业，客户细分行为被替换为参与经济学指标（费率实现、范围蔓延、合伙人杠杆）。对于餐饮业，品牌感知图被替换为班次级运营差异（同一门店在早市、午市和晚市的表现差异）。对于药店，监管与合规风险权重更大，AI 就绪度评分针对受监管的配药场景进行校准。
通用模式：每个行业纵向保留十个维度，并相对于零售业集合替换其中两至三个。模式可跨行业纵向移植。替换方法论按行业纵向记录，并随部署交付。
[ 03 ] · NAMED: 预丰富化门控
对话必须赢得进入语料库的资格。
大多数 AI 访谈系统处理每段对话后再进行过滤。缺点是低质量对话会污染仪表板报告的聚合数据。平台采用相反的设计。确定性门控在任何 LLM 调用之前运行：中止的通话（不足六十秒、少于六条消息、少于四行清理后的文本）以及低信号通话（用户字符少于两百个，或平均轮次低于十五个字符且最长轮次低于四十个字符）无法通过门控。
当门控触发时，质量分数被设为零，原因被记录，流水线退出。不会在不会产生信号的对话上消耗任何 LLM token。阈值（六十秒、两百个字符）是实证性的。它们在试点语料库上进行了校准。它们作为参数被追踪，可按行业纵向调整。
第二道门控在 LLM 流水线之后运行。如果智能提取调用将丰富度标记为「薄弱」，或引用清理调用将每条逐字引用标记为低价值，或质量审计将数据可用性标记为「低」，该对话将被标记为异常值并从高管视图中排除。记录被保留用于审计，不会被删除。
[ 04 ] · NAMED: 五次调用流水线（方法论层面）
每段对话经过五次 LLM 调用和一个确定性评分步骤。
工程深度详见文档站（下方链接）。在方法论层面，流水线以特定顺序执行五件事，并具有特定的原子性属性。
调用 1，智能提取。文本记录被转化为结构化的痛点、机会、威胁、意外发现、矛盾、受访者画像，以及零至八条关键逐字引用。每条逐字引用必须是真实员工轮次的字面子字符串。调用后运行幻觉过滤器进行验证。虚构的引用会被删除，而不是被改写。
调用 2，引用清理。以较低成本模型执行的机械性工作。逐字引用是法律记录，绝不修改。显示用长版本去除填充词但不改写。显示用短版本从长版本内部提取最强的品牌观点子句。魁北克法语语域保持完整。
调用 3，感知映射。与智能提取分开运行，以防止模型将两者合并为一次处理。先提取原始内容，再构建结构。此调用后运行交叉污染检查：任何提及了员工从未提及的竞争对手或产品的品牌感知字段将被清除并标记。
调用 4，质量审计。独立智能体在每次对话中根据六个协议 KPI 对访谈智能体进行评分。审计提示词引用与配置访谈智能体相同的协议规范。双方以同一文档为基础，因此审计不会悄然偏离其所衡量的协议。
调用 5，翻译。分析字符串从法语翻译为英语，以便仪表板能够为英语用户提供服务。源语言逐字引用绝不翻译，始终以原始语言保留作为溯源记录。
确定性评分。不使用 LLM。公式将丰富度（提取的智能计数，设有上限）、深度（轮次数、最长轮次长度、持续时间）和执行度（审计的六项 KPI 分数）合并为零到一百的综合分数。公式可审计。客户可以请求生成其语料库中任何分数的精确计算过程。
一段对话运行一个流水线。失败会清除所有部分状态，重试从头开始。数据库中不存在部分丰富化记录。
[ 05 ] · NAMED: 完整性控制
防止无声故障的四种机制。
流水线运行四项控制，捕获大多数流水线忽略的故障模式。提示词漂移检查。每个系统提示词通过 SHA-256 哈希注册。已部署的哈希与注册版本不匹配时，调用会以失败关闭。幻觉过滤。每条关键逐字引用在持久化之前，都被验证为真实员工轮次的字面子字符串。交叉污染检查。引入了员工从未提及的实体的感知映射字段会被清除并标记。丰富化审计追踪。每次 LLM 调用都会在仅追加审计表中写入一行：流水线版本、提示词版本、模型标识符、token 计数、持续时间、状态。该表永不删除。
这些控制背后的机制详见 信任与安全。