Can an Agent Debug a Web Corpus? Agentic Auditing of Slovak FineWeb2
智能体能调试网络语料库吗：斯洛伐克语 FineWeb2 的 Agentic 审计
🧭 Agent 驱动数据审计与质量评估
Comenius University in Bratislava · Cisco Systems · Kempelen Institute of Intelligent Technologies · Brno University of Technology
用工具型 LLM agent 低成本审计斯洛伐克语 FineWeb2，产出可执行测试并发现 140 万篇机器生成内容
📌 工作参考价值（4 点）
- 用一次 LLM agent 探索数据管道并产出可执行的验证规则（正则/统计特征/轻量模型），比全量 LLM 分类便宜 4 个数量级，适合定期巡检搜索/推荐语料、商品描述或 UGC 内容的系统性污染。
- 把「模型分类」改为「agent + 工具 + 人工盲审」的审计模式：让 agent 输出 selector 和判断依据，再抽检验证，既能估算缺陷率，又给出 pipeline 漏检原因，便于修复上游过滤规则。
- 预算可控的只读 API 设计值得借鉴：限制工具调用轮次和文档读取量，把单次审计成本压到几美元，可高频跑在数据入库前或日常监控中。
- 先做静态采样/规则基线，再决定是否上 agent；论文中静态采样基线成本不足一半且能验证更多 selectors，业务上应优先用简单可解释规则覆盖大部分问题。