資料版本控制：讓每個分數都能追回當時的資料

三個月後有人問「這個 91% 是用哪份資料跑的」，如果答不出來，那個分數就沒有意義。

最小可行方案

1. 資料集目錄用日期＋雜湊命名，永不覆寫。
2. 每份資料集附一個 manifest.json，記錄來源、筆數、處理步驟、雜湊。
3. 處理腳本進 git，並在 manifest 裡記下 commit id。
4. 評測報告引用資料集雜湊，而不是路徑名稱。

{
  "dataset": "ticket-cls",
  "version": "2026-08-07",
  "sha256": "9f2c…",
  "rows": 4821,
  "source": "prod_logs 2026-05-01..2026-07-31",
  "pipeline": ["redact@v3", "[email protected]", "split@group-by-user"],
  "code_commit": "a1b2c3d",
  "notes": "移除 refund 類別中 132 筆標註分歧樣本"
}

大檔案怎麼存

資料不要進 git。放物件儲存並在 git 裡只保留 manifest 與腳本。需要更完整的工具時再考慮專門的資料版控方案，但多數團隊 manifest 就夠用了。

雜湊怎麼算

# 對排序後的內容算雜湊，避免檔案順序造成差異
find data/ -type f -name '*.jsonl' | sort | xargs cat | sha256sum