一次喂全量还是分批喂，看你要的答案里有没有排名

同一批数据，一次全丢进去和分十次喂，得到的答案形状不一样。要整体分布就一次喂，要逐条判断就分批。这条分岔不是习惯问题，喂法一变，问题类型也跟着变。

分岔点在答案里有没有排名

判断标准很简单：你要的答案里，会不会有一份「谁比谁大」的排序。

要排名，就必须一次喂全量。分批喂出来的每批答案各自内部有序，批与批之间没有可比性，你拿十条尾部数据去比另一批的头部数据，比的是两批的输入规模，不是数据的真实大小。

不要排名，就分批。逐条判断、逐条留痕、逐条给结论的时候，分批是唯一能落地的喂法。

两种喂法的分岔点、代价、回退与停手条件

两种喂法摆在这张表里

全量喂最贵的代价是静默丢失。条数超过容量，模型不会报错，它会把中间一段压缩掉，然后在剩下的内容上照常给你答案。你看不出来，因为格式完整、语气正常。我们吃过一次亏，一批两千条的差评聚合，长尾那一档整个消失，结论往中间段挤，方向整个是反的。

分批喂要防的是口径漂移

每批十条是经验值，条数视长度定。关键不在十条这个数字，在批与批之间判断标准要一样。我做的方法是固定留一条基准样本，每一批都带上它，看它在不同批里被判成什么。这一条判得不一样，说明前面那批的口径已经漂了。

漂了的处置不用重跑全部，退回上一批改口径就行。批与批之间隔夜退成本最低，隔三天以后你自己都想不起来当时用的什么标准。

优劣会在什么地方翻转

一般情况是全量快得多。两条路的时间差能到几倍，分批喂的十分钟能顶全量喂的一个小时。

翻转到分批更划算的情况有两个。一是条数上千：全量喂必然触发压缩，而压缩不会告诉你，分批喂至少能得到完整的结论集合。二是要求可追溯：需要向别人解释每一条为什么这么判的时候，分批留的痕迹能直接拿出去，全量喂给不了。

反过来，翻转到全量更划算的情况也真实存在：如果你要的只是「大概集中在哪几类」，分批十次问出来的结论会带着批次结构，你还得再合并一次。这一步往往比一次全量喂更贵。

两条都不该走的情况

条数在两千以上，两条路都要先做抽样。抽样口径定下来之前不要动手，因为按全量做完发现里面有一类要单独处理，那时候重跑全部的代价是抽样口径定错的三倍。

还有一种情况：数据本身没有稳定的主键，两批之间对不上行。这种情况下分批喂会一直卡在口径漂移上，该做的是先把主键定出来，不是换喂法。