开始准备
建立一个语料项目
导入原始文本后，系统会保留基础处理结果；后续增删停用词时只重新应用词表，不重复解析和分词。
当前语料项目
语料项目
等待导入
处理状态
等待导入
当前进度
0%
STEP 01 · 数据导入
原始文件保留
导入原始语料
选择原始文件，并按数据类型确认正文列或拆分方式。导入后先检查文本数量、字符规模、空值和重复情况。
STEP 02 · 基础处理
可复用
完成基础清洗与分词
基础处理只需要完整执行一次。之后如果只是增删停用词，会直接复用已有分词结果，不重新解析原始文件。
STEP 03 · 人工筛词
人工确认
根据真实语料筛选停用词
先看高频词，再逐个判断是否属于噪音。每次调整只重新应用停用词，不重复执行文件解析和分词。
AI ASSISTANT · 可选
只给建议，不自动清洗
AI 清洗建议助手
AI 只分析高频候选词和少量真实样本，给出“建议过滤 / 建议保留 / 人工确认”。系统不会自动删除任何词，最终由你决定。
仅发送候选词、统计指标和少量样本到平台已配置的 AI 服务；不会发送全部语料。
完成基础清洗后，可让 AI 辅助判断高频词。
BUILT-IN STOPWORDS · 本地词库
本地运行 · 可多选
内置多语言通用停用词库
可同时选择多个语言词库，与个人词库、TXT 和人工勾选词自动合并。应用词库只重新过滤已有分词结果，不会重新解析原始文件，也不会调用 AI。
正在读取内置词库…
尚未启用通用词库可在首次基础清洗前选择，也可清洗后随时调整。
词库默认全部关闭，由用户主动选择。通用词库覆盖范围较宽，应用后建议在“检查结果”中复核主题词是否保留。中文、英文为完整支持；其他语言词表已内置并标记为 Beta。
高频词检查系统统计与 AI 建议分开显示，任何词都需要你确认后才会加入停用词。
完成基础处理后会显示高频词。
STEP 04 · 结果检查
人工复核
检查清洗结果
检查关键信息是否保留、噪音词是否已经处理。用于语义分析的完整文本会单独保留，不会因为筛停用词被破坏。
完成处理后显示样本。
STEP 05 · 建模准入
BERTopic READY
生成清洗后建模语料
CSV 是正式清洗产出：text 列只包含最终清洗完成的文本，不会再混入原始文本、语义中间层或分词缓存；原有时间、评分、地区等业务字段会尽量保留。
需要完整留档？ZIP 不是正式建模产出，仅用于审计、复现或迁移。包内包含：最终清洗 CSV、raw / semantic / model 对照表、基础分词缓存、实际停用词、清洗参数与 manifest。