這篇文章出自資料公司 Hightouch 的部落格，討論「身份解析」系統常見的「過度合併」問題，也就是誤把不同人的紀錄合併成同一身份。過去靠人工檢查，每小時只能看 50 個身份，難以大規模評估，Hightouch 想用大型語言模型自動化這個審查工作。
團隊測試多個模型當評審，包括 Claude Opus 5.5、Gemini 3.1 Pro、GPT-6 Luna 與 Jev。做法是先用便宜快速的 Jev 初判，信心落在中間地帶（30% 到 90%）的案例才轉交最貴的 Opus 5.5 複審，形成混合評審架構，而非每筆都用最貴模型判斷。
較簡單測試集上單用 Opus 5.5 準確度 99.0%，每千筆成本 3.86 美元；混合評審降到 98.8%，成本降到 0.88 美元，降幅 4.4 倍。較困難測試集上，混合評審準確度 95.3% 略高於 Opus 的 95.1%，成本仍省一半，關鍵是 Jev 犯錯時傾向標示「低信心」。
這篇文章比較偏資料工程與企業產品面，不是開源專案，是 Hightouch 在自家客戶資料平台上做的實際案例分享。對正在學程式的孩子或家長來說，可以從中學到一個實用概念：不必每件事都用最貴工具，先用簡單方法篩一輪、再把困難部分交給更強工具，是業界常用來兼顧品質與成本的做法。
AI開發工具資料工程