第一步：盘点数据源
列出系统名称、负责人、数据量级、更新频率与接口方式，库表、文件与接口都要登记在册。为什么先盘点：多数接入延期不是技术难，而是找不到系统负责人，或不知道数据在哪张表、由谁维护。盘点表要指定维护人并随变更更新，否则三个月后又会失真。
第二步：分级与授权
按敏感程度给字段分级，明确哪些可进模型、哪些需脱敏、哪些禁止出库，并取得数据负责人书面授权。边界：涉及个人信息与客户商业秘密的字段，接入范围与用途须由客户方确认，我方不自行扩大，也不把一次授权当成永久许可。
第三步：字段映射
把源字段映射到目标结构，写明单位、编码、空值含义与业务口径差异。怎么做：映射表要由业务方逐项确认，尤其状态码与金额单位，这两类错误最难在上线后察觉，往往要等业务投诉才暴露，返工范围也最大。
第四步：抽样验真
抽取样本逐条比对源系统与接入后的值，检查丢失、截断、乱码与时区偏差。为什么不能只看总数：行数对得上不代表内容对，字符集与时间字段是最常见的隐性错误，总量校验发现不了，抽样才能看出来。
第五步：增量与对账
设计增量拉取方式，时间戳、变更日志或全量比对都要写明适用条件，并配套日常对账任务与差异告警。怎么做：先跑一段并行期，用对账结果证明同步稳定，再停掉人工核对，不要提前撤掉唯一的兜底手段。
适用与不适用
适合谁
- 准备把业务系统数据接入 AI 应用的企业
- 已有数据中台、需要打通新数据源的项目
- 对数据准确性有明确要求的行业客户
不适合谁
- 只用公开资料、不涉及内部系统的场景
- 尚未确定数据用途与授权范围的项目
典型场景
某连锁药店的智能补货助手需要接入门店库存与总部采购数据。数据岗先盘点两套系统的负责人与更新频率，业务方确认字段口径，抽样比对发现库存单位有盒与箱两种写法；统一编码后并行跑了两周对账，才切换到自动补货建议。
可执行步骤
- 逐个列出系统名称、负责人、数据量级、更新频率与接口方式并登记成册。
- 按敏感程度给字段分级，并逐项取得数据负责人的书面授权与用途说明。
- 与业务方逐字段确认映射关系、单位、空值含义以及状态码的业务口径。
- 抽样比对源系统与接入后的值，逐项检查丢失、截断、乱码与时区偏差。
- 设计增量拉取方式，并配置每日对账任务、差异阈值与固定的告警接收人。
- 并行运行并与人工核对一段时间，确认两者完全一致后再停用人工比对。
常见坑
- 拿到导出文件就当数据源，表格里的手工修改无法回流，数据越用越偏，最后谁也不敢信这份数据。
- 字段单位不统一，库存与金额类计算整体失真，且往往在上线后很久才被察觉，返工范围很大。
- 未做字段分级，敏感信息随测试数据流入开发环境，形成合规隐患，清理起来也非常麻烦。
- 只做一次性全量导入，没有增量与对账，数据在数周内即告过期，业务逐渐弃用这套系统。
自检与验收清单
- 数据源清单是否写明负责人、更新频率与接口方式并登记成册
- 字段分级与数据使用授权是否书面化、可追溯到签字人
- 字段映射表是否由业务方逐项确认、签认并留档
- 抽样验真是否覆盖字符集、单位与时区等易错字段
- 是否配置日常对账任务、差异阈值与固定告警接收人
常见问题
接入一定要走接口吗？
不一定。接口最稳定，文件与库表直连也可行，但要评估更新频率与耦合风险。文件方式需要约定命名、落地时间与失败重试，否则一旦漏传，下游会在无感知中使用旧数据，问题很难被及时发现。
历史数据要不要全部接入？
按用途取舍。检索类场景通常需要较长时间跨度以提升召回，问答类场景可先接近期数据。全量接入的成本与合规审查都更高，建议分期并明确每期用途，避免一次性搬全库再回头治理。
客户数据会不会被用于训练？
默认不用于训练，这一点应在合同与数据处理说明中写清。接入的数据仅用于客户自有系统的检索与推理，项目结束按约定导出与删除，客户可要求提供处理记录与销毁确认。