修好這件事的團隊，起點都不是換更強的模型，而是換更好的索引：語料規模的圖文配對，且文字真正描述影像。這是一個資料問題，而且市場上已有解答——現成多模態資料集以約 每 1,000 筆 $0.25 的價格，交付橫跨 100 多個網域的對齊紀錄；在這個價位，索引一百萬筆對齊配對只要幾百美元。

測試你的 Agent 有沒有這個問題，只需要一行：拿一張它理應看過的圖片，問它圖裡的東西。如果它從文字詮釋資料回答、或者開始幻覺，瓶頸是你的索引，不是模型。

第二課：對齊勝過數量

第二課關於「好」的多模態資料是什麼意思。一百萬張配上泛用標題（「IMG_2041」「商品照」）的圖片，價值低於十萬筆文字欄位真正描述視覺內容的紀錄——商品名稱、屬性、情境。

所以評估資料集時，紀錄結構比紀錄數量重要。一份結構良好的紀錄，攜帶影像參照、對齊文字，以及讓你能安全切片的詮釋資料：

# 把多模態資料集分片索引進檢索庫
for record in dataset.stream(filter={"domain": "ecommerce_listings"}):
    if not record.get("title"):          # 跳過未對齊的紀錄
        continue
    doc = {
        "id": record["record_id"],
        "image": record["image_url"],
        "text": f"{record['title']}. {record.get('attributes', '')}",
        "market": record.get("market"),
        "language": record.get("language"),
    }
    index.upsert(embed_multimodal(doc))   # 圖文聯合嵌入

if not record.get(“title”) 這一行防護就是整課的濃縮：未對齊的紀錄會毒害多模態索引。在嵌入之前先過濾掉，成本為零，答案品質的改善卻可以量測。

第三課：多樣性是覆蓋問題，不是美德

第三課通常以使用者抱怨的形式被發現：Agent 對某個市場的熱門商品回答得完美無缺，對其他一切卻充滿自信地答錯。索引過度代表了採集路徑湊巧過度代表的內容。

反制措施是源頭紀律。透過地理定位基礎設施採集的資料集供應商——Thordata 的採集網路涵蓋 190 多個國家、支援城市層級 IP 定位——產出的語料裡，市場與內容類型的長尾是真實存在的。評估一份多模態資料集時，不要問「有幾筆紀錄」；問「它覆蓋了我部署分布的多大比例」，然後用真實使用者畫出來的驗證集去測。

第四課：Agent 需要新鮮度，不只是記憶

檢索索引是一張快照，而企業一直在讓快照腐敗：商品改版、包裝更新、截圖隨每次發版過期。讓 Agent 保持可信的團隊，把索引更新當成排程作業來經營，而不是一次次的重建專案。

兩個機制讓這件事變得可負擔。第一，排程採集：同時經營資料集與採集基礎設施的供應商（Thordata 即是）可以按節奏跑週期性作業，把新紀錄送進你的儲存。第二，新鮮度感知檢索：為每份文件加上時間戳記，回答「現況類」問題時優先採用近期紀錄——從網頁搜尋借來的模式，搬到內部使用。

第五課：有些 Agent 問題是關於外部世界的

最後一課讓至少一個團隊感到意外。他們的客服 Agent 開始收到任何內部語料都回答不了的問題：「為什麼你們的產品在另一個網站比較便宜」「你們是不是不賣藍色那款了」「為什麼搜尋你們的頁面出不來了」。這些是關於即時網路的問題——特別是關於搜尋結果的。

解法是把 SERP 資料當成另一種可檢索語料。透過 SERP 監控解決方案，結構化的 Google 與 Bing 結果——自然排名、購物版位、廣告——以量價約 每 1,000 次回應 $0.70 流入 Agent 的索引，並按排程更新。關於能見度、搜尋中的定價、品牌在結果中的出現的問題，不再超出範圍；Agent 用服務其他一切的同一套檢索層回答它們。

這個模式可以推廣：監控導向的資料流——排名追蹤、競品 SERP 動態——是絕佳的 Agent 語料，因為它們送達時就是結構化、帶時間戳記、且持續更新的。持續 SERP 資料爬取服務交付的正是這種形狀的資料流。

常見問答

需要多模態模型才能受益於多模態資料集嗎？ 不一定。即使 Agent 本身只讀文字，當索引管線使用對齊的說明文字時，純文字 Agent 也會進步——資料集的文字欄位攜帶了原始語料沒有的資訊。多模態模型解鎖全部價值，但資料投資在每個階段都有回報。

多少對齊資料才夠？ 誠實的答案：覆蓋你的部署分布就夠。用視覺驗證集量測——一百個使用者真正會問的、關於圖片的問題——然後持續索引直到準確率進入平原期。多數團隊遠在「全部」之前就進入平原期；他們停在「使用者真正會問的全部」。

可以把專屬資料與採購的資料集混合嗎？ 可以，而且這是標準架構：底下是採購的廣度，上面是專屬的深度，兩者流入同一個檢索庫。保留來源詮釋資料，你永遠知道哪個答案建立在哪類資料上。

相對於 LLM 技術棧，這要花多少錢？ 零頭等級。以每 1,000 筆 $0.25 計，一個認真 Agent 索引的資料採購是幾百美元；每千次 $0.70 的 SERP 資料流隨監控範圍（而非模型用量）規模化。對比一次自信滿滿的錯誤回答送到客戶手上的代價——客服升級、信任流失——這筆經濟帳不需要再辯論。

一週內從哪裡開始？ 第 1–2 天：從真實使用者問題建立視覺驗證集。第 3 天：拉一份篩選過的資料集分片並建立索引。第 4–5 天：用增強後的索引跑驗證集並量測。如果改善肉眼可見，就補上新鮮度層——排程採集，加上回答外部世界問題所需的 SERP 監控資料流。一週，足以知道 Agent 的眼盲是否可以用資料的價格修好——而答案幾乎永遠是可以。