cwang0810 · cwang0810 · Jun 6, 2026 · Jun 6, 2026
diff --git a/docs/zh/part1/ch01_data_change.md b/docs/zh/part1/ch01_data_change.md
diff --git a/docs/zh/part1/ch02_quality_framework.md b/docs/zh/part1/ch02_quality_framework.md
diff --git a/docs/zh/part1/ch03_data_stack.md b/docs/zh/part1/ch03_data_stack.md
diff --git a/docs/zh/part1/index.md b/docs/zh/part1/index.md
@@ -2,7 +2,22 @@
 
 ## 本篇定位
 
-第一篇建立全书的共同认知框架，重点说明大模型数据工程的对象、边界、核心成本项与基础设施分层，为后续各篇的预训练、多模态、RAG、DataOps 和隐私治理内容提供统一坐标系。
+第一篇建立全书的共同认知框架，重点说明大模型数据工程的对象、边界、质量目标、核心成本项与基础设施分层。它不以单一工具或单一模型为中心，而是从数据生命周期出发，解释为什么数据已经成为大模型能力、成本和风险控制的共同约束。
+
+从出版稿结构看，本篇承担三项功能。第一，第1章给出问题背景和范式迁移，说明大模型研发为何必须从“模型中心”转向“数据与系统共同治理”。第二，第2章建立贯穿全书的数据质量语言，将噪声、重复、污染、偏差、缺失和时效等问题转化为可测量、可复盘、可阻断的工程指标。第三，第3章把质量框架落到基础设施层，讨论采集接入、处理编排、存储索引、评测运营和治理安全如何共同支撑训练与应用。
+
+## 本篇学习目标
+
+读完本篇后，读者应能够：
+
+- 解释大模型数据工程与传统数据仓库、传统机器学习数据处理之间的关键差异。
+- 识别预训练、指令微调、偏好对齐和 RAG 应用阶段的不同质量目标。
+- 将常见数据问题映射为可检测的质量指标、治理动作和回滚策略。
+- 依据团队规模和训练目标，初步设计 AI 原生数据栈与成本治理方案。
+
+## 章节关系
+
+第1章提出全书的基本命题：数据质量、数据规模和数据多样性共同决定模型能力边界。第2章回答“如何判断数据是否可用”，并给出质量评分卡和治理闸门。第3章回答“用什么基础设施承载这些治理动作”，并将后续各篇的清洗、对齐、RAG、DataOps 与合规内容放入统一架构中。
 
 ## 全书总目录
 

diff --git a/docs/zh/part2/ch04_data_sources.md b/docs/zh/part2/ch04_data_sources.md
diff --git a/docs/zh/part2/ch05_cleaning_dedup.md b/docs/zh/part2/ch05_cleaning_dedup.md
diff --git a/docs/zh/part2/ch06_tokenization_loading.md b/docs/zh/part2/ch06_tokenization_loading.md
diff --git a/docs/zh/part2/ch07_data_operations.md b/docs/zh/part2/ch07_data_operations.md
diff --git a/docs/zh/part2/index.md b/docs/zh/part2/index.md
@@ -2,7 +2,27 @@
 
 ## 本篇定位
 
-第二篇聚焦文本预训练语料，从数据源获取、版权边界、清洗去重、分词序列化到质量闭环，完整展开大规模文本数据流水线的构建方法。
+第二篇聚焦文本预训练语料的生产、治理与持续迭代，讨论从数据源获取、版权边界、清洗去重、分词序列化，到质量评估与运营闭环的完整工程链路。本篇承接第一篇关于数据基础设施和质量框架的讨论，将抽象的数据生命周期落到可执行的文本预训练流水线；同时也为第三篇的多模态数据工程提供对照基线：只有先理解文本数据如何被采集、过滤、打包和评估，才能准确判断图像、文档、视频和音频数据为何会引入更复杂的表示、对齐和成本问题。
+
+从 Springer 技术书章节结构看，本篇的目标不是罗列工具，而是建立可复用的工程判断框架。读者应能够回答三个问题：第一，哪些数据源适合进入预训练语料库，哪些来源需要隔离或剔除；第二，清洗、去重、去污染和脱敏如何共同定义训练数据质量；第三，分词、序列化、加载和评估运营如何把“可用数据”稳定转化为“可训练数据”。
+
+## 本篇学习目标
+
+- 建立文本预训练数据从来源、采集、解析到存证的完整治理视角。
+- 掌握清洗、去重、PII 脱敏和基准去污染的关键工程方法。
+- 理解分词、序列化、Packing、Mixing 与高效 DataLoader 对训练吞吐的影响。
+- 能够设计离线代理指标、数据版本管理和质量闭环，支持持续迭代的数据运营。
+- 能够区分公开网页、代码、学术论文、书籍、企业内部数据和用户反馈数据的不同风险边界。
+
+## 读者前置知识
+
+阅读本篇前，建议读者已理解第一篇中的数据生命周期、质量维度、成本治理和数据栈分层。若读者已有传统 ETL、数据湖或机器学习数据处理经验，可重点关注本篇与传统文本处理不同的部分：训练语料的版权与许可边界、基准污染、离线分词、序列 Packing、跨节点 DataLoader 和数据版本回滚。
+
+## 章节逻辑
+
+第4章回答“数据从哪里来以及是否能用”的问题，重点是来源画像、采集管线、版权许可和元数据存证。第5章回答“原始语料如何变成高质量语料”的问题，重点是规则过滤、模型评分、去重、PII 脱敏和基准去污染。第6章回答“高质量语料如何高效进入训练系统”的问题，重点是分词、序列化、Shard、Packing、Mixing 和 DataLoader 吞吐。第7章回答“如何判断数据版本是否真的改善模型”的问题，重点是离线代理指标、数据版本化、问题样本库、根因复盘和运营节奏。
+
+本篇与前后篇的关系也很明确：它把第一篇提出的数据质量框架落到文本预训练语料的生产流程；同时，它为第三篇多模态数据工程提供对照基线。读者会看到，许多看似属于“文本清洗”的问题，例如来源许可、去重、污染、打包和评估，在图像、视频和音频场景中会变得更复杂。
 
 ## 本篇目录
 
@@ -11,8 +31,4 @@
 - [第6章：分词、序列化与高效加载](ch06_tokenization_loading.md)
 - [第7章：数据评估、质量闭环与运营迭代](ch07_data_operations.md)
 
-## 建议阅读顺序
-
-- 先读第4章，明确数据来源、授权条件与采集合规。
-- 再读第5章和第6章，理解清洗、去重、分词与训练输入组织。
-- 最后读第7章，把离线评测、线上反馈与运营闭环串起来。
+建议按第4章至第7章顺序阅读。已有预训练经验的读者可以先读第7章建立质量闭环视角，再回到第4至第6章检查自己的数据管线是否具备可追溯、可诊断和可复现能力。