2026年6月20日星期六2026 年 6 月 20 日 决定在数据收集过程中思考防御标准，以避免收集到恶意数据 由于 AI 生成的代码或文档可能包含 ASCII 变形、Unicode 混淆字符、不可见控制字符、混淆字符串等，需要在收集阶段考虑如何检测并规范化 总结出比单纯大量收集 GitHub 数据更重要的是先制定过滤恶意/污染/混淆数据的标准 由于状态问题，后续工作可能会稍作延迟