合成数据能否替代真实数据：生成、过滤与训练闭环的边界

合成数据解决的是覆盖不足

真实数据难以覆盖低频故障、危险场景和新产品冷启动，合成数据可以定向补充。但它不能自动代表真实世界，生成模型会复制自身偏差和知识盲区。项目开始前应明确缺少哪些能力，以任务标签、难度、语言、用户群体和失败类型建立覆盖矩阵。

生成过程需要多样性约束

只改变提示词中的少量词汇会产生表面不同、结构相同的样本。可以组合规则、检索资料、多个生成模型与程序化模拟，并要求不同推理路径和表达风格。涉及事实的内容应绑定权威来源，不能让模型凭空制造训练答案。隐私场景还需检测与真实记录的近似重复。

过滤比生成更重要

质量流程应包含格式校验、去重、事实核验、难度判断和安全检查。模型互评可以降低人工成本，但不能由同一个模型同时生成并最终裁决。对高价值小样本进行人工抽检，记录错误类型并反向调整生成策略。数量巨大但错误集中会让模型稳定学到错误模式。

训练时控制数据配比

合成数据不应淹没真实分布。可以先用合成样本学习稀缺能力，再用高质量真实数据校准语气和边界。对每个数据来源设置权重并跟踪版本，训练结果必须在独立真实测试集上评估，不能使用同源生成数据作为最终证明。

形成失败驱动的闭环

从线上收集匿名化失败模式，转化为新的合成场景，再经过审核进入训练。持续比较新增数据对不同能力和人群的影响，防止局部提升造成整体退化。合成数据的价值来自可控覆盖，而不是廉价复制。