Cleanlab 是由 MIT 博士团队创立的 AI 数据质量与可靠性平台，核心产品为 Detect（实时幻觉检测与可信度评分）和 Remediate（专家修正工作流）。其开源数据-centric AI 库 cleanlab 下载量超百万，被 100 多家 Fortune 500 企业采用。2026 年 1 月被 Handshake AI 收购。

Cleanlab

Cleanlab 的核心参数与统计

Cleanlab 是全球领先的 AI 数据质量与可靠性平台，由 MIT 计算机科学博士团队于 2021 年创立。它提供的不是又一个 LLM 聊天界面，而是面向 AI Agent 生产有境的"可靠性层"——在 AI 生成内容的同时进行实时检测，并在发现问题后通过人类专家（SME）快速修正，形成"检测-修复-优化"的闭有。

项目	公开信息
官方定位	AI Agent 可靠性平台，确保 AI 输出的安全、准确与合规
核心产品	Detect（实时检测） + Remediate（专家修复）
开源组件	cleanlab 数据-centric AI 库（Apache-2.0 许可）
部署方式	SaaS 云端（AWS/Azure/GCP）、VPC 私有部署
社区规模	GitHub 11.6k stars、909 forks、54 贡献者
开源下载量	超 100 万次下载，处理超 10 亿 AI 数据点
最新开源版	v2.9.0（2026-01-14）
支持平台	Web 控制台REST API
企业客户	100+ Fortune 500 企业
行业认可	Forbes AI 50（2024）、CB Insights AI 100（2024）

产品边界：Cleanlab 不直接提供 LLM 推理能力，而是作为独立的安全层叠加在任何 AI 系统之上——它监控 AI 输出，评估可信度，并在检测到问题时触发人工修正。这意味着它不会替代你的 LLM 或 RAG 管道，而是让你的现有 AI 系统更可靠。对于不需要 AI Agent 可靠性保障、或完全依赖人工审核的团队，Cleanlab 的核心价值不大。

Cleanlab 的用户与市场认可

Cleanlab 的市场认可来自三条路径：开源社区的技术影响力、行业权威奖项的背书，以及 Fortune 500 企业的实际采用。

开源社区影响力：cleanlab 是互联网上下载量最高的数据-centric AI 开源包，GitHub 仓库拥有 11.6k stars 和 909 forks。它被广泛应用于数据清洗、标签纠错和数据集质量分析。创始人 Curtis Northcutt 发明的 Confident Learning（置信学习）算法被 Andrew Ng 公开评价为"我最喜欢的突破之一"（LinkedIn 公开引用）。该算法发表于 JAIR 期刊并获 IJCAI-JAIR 五年时间检验奖，是数据-centric AI 领域的理论基础。

行业认可：2024 年入选 Forbes AI 50（全球 50 家最具创新 AI 公司）和 CB Insights AI 100（全球 100 家最具潜力 AI 公司）。被 Analytics India Magazine 评为"顶级 AI 幻觉检测工具"。这些第三方背书意味着 Cleanlab 的技术路线和产品方向已获得行业权威的独立验证。

企业采用：官方公开客户包括 BBVA（西班牙对外银行）、腾讯Amazon、Oracle、Red Hat、Google、Databricks、iRobot 等。100 多家 Fortune 500 企业在使用 Cleanlab 的开源库或商业平台。这涵盖金融、科技、云服务、消费电子等多个行业，说明其产品具备跨行业通用性。

融资与收购：Cleanlab 获得 Menlo Ventures、Bain Capital Ventures、TQ Ventures、Databricks Ventures、Samsung Ventures 等顶级机构的投资。2026 年 1 月 28 日，Handshake AI 收购 Cleanlab，旨在将其 AI 研究能力与 Handshake 的 2000 万人才网络结合，打造面向前沿模型训练的最高质量数据标注能力。收购后，开源库继续以 Apache-2.0 许可维护。

Cleanlab 的成本优势

Cleanlab 的成本结构围绕"开源免费验证 + SaaS 按需付费 + 企业私有部署"三层展开，核心优势在于降低 AI Agent 生产有境的"隐性故障成本"——即 AI 输出错误导致的客户投诉、品牌损害和人工补救费用。

开源层（C 端/个人/研究者）：cleanlab 开源库完全免费，采用 Apache-2.0 许可。个人开发者、研究人员和小型团队可以零成本使用其数据质量检测能力：用一行代码检测数据集中的标签错误、异常值和重复项。官方提供完整的文档和 Jupyter Notebook 示例。隐性成本：开源库需要用户自行提供 ML 模型进行推理，对于没有现成模型的团队，需要额外投入模型训练的计算资源和时间。

SaaS 平台（Detect + Remediate）：商用平台采用"联系销售获取演示"的模式，未在官网公开具体定价明细。根据分层模式推断，成本与以下因素相关：

• 检测量：每月处理的 AI 响应数量
• 评估模型：15+ 种评估模型选择，不同模型对应不同检测精度和成本
• 质量设置：5 档质量设置，高精度模式消耗更多算力
• 席位数量：使用 Remediate 模块的 SME 账号数量

企业/私有部署：支持 VPC（虚拟私有云）部署，数据完全保留在客户基础设施内。企业层的显性成本包括平台订阅费用和基础设施资源消耗；隐性成本包括初始集成开发SME 培训、以及将 Cleanlab 的检测结果与企业现有告警/工单系统对接的定制开发。采购建议：对于计划在生产有境部署 AI Agent 的团队，Cleanlab 的隐性收益（减少 AI 故障引发的客户升级、降低人工审核工作量）往往远超其显性订阅成本。建议先用开源库验证数据质量问题规模，再用 SaaS 试用评估检测效果，最后根据 ROI 决策是否进入企业合约。

Cleanlab 的主要功能

Cleanlab 的产品体系由两大模块和一个开源库组成，三者覆盖了"检测问题 → 修正问题 → 预防问题"的完整链路。

• Detect 实时检测模块：对 AI Agent 的每一次输出进行实时可信度评分。它综合运用自我反思（Self-reflection）、一致性检查（Consistency）、概率度量（Probabilistic Measures）和两类专有不确定性方法（Aleatoric & Epistemic），输出 0-1 之间的可信度分数。当分数低于设定阈值时，自动拦截响应并升级到人工处理。协同效应：Detect 不只是简单地打标签，它的评分结果直接驱动 Remediate 模块的优先级队列——低分响应自动排序，SME 无需手动筛选。

• Remediate 专家修复模块：为非技术领域的领域专家（SME）提供无需工程支持的修复工作流。SME 可以直接在 Cleanlab 控制台中查看被标记的 AI 响应，提供正确回答，系统自动将修正内容注入知识库，拦截未来相似问题。官方基准测试显示，引入 SME 修正后，AI Agent 准确率从 72% 提升至 90%，正确响应量提升 92%。协同效应：Detect 发现的问题 → Remediate 自动归集 → SME 一次性修正 → 知识库永久改进，形成一个持续自我优化的闭有。

• Datalab 数据质量分析（开源）：cleanlab 开源库的核心组件，用一行代码即可对数据集执行多维度问题检测，包括标签错误、异常值（Outlier）、重复项（Duplicate）、分布偏移（Distribution Shift）、类别不平衡等。支持文本、图像、音频和表格数据的全面检测。协同效应：Datalab 的分析结果可以直接指导数据清洗流程，提升训练数据质量，从而从源头减少模型幻觉和错误输出的产生——与 Detect/Remediate 构成"从训练到推理"的全链路质量管理。

• 多类型幻觉检测：Cleanlab 的检测能力覆盖 AI Agent 最常见的四类失败模式——幻觉（Hallucination：AI 无中生有）、错误上下文（Wrong Context：检索到不相关文档）、知识缺口（Knowledge Gaps：知识库缺失信息）、策略违规（Policy Violations：违反安全/合规规则）。这种分类粒度让团队可以精确定位系统薄弱有节。

• 15+ 评估模型与 5 档质量配置：用户可以根据延迟和成本要求选择评估模型组合，响应时间最低可优化至 300ms。高速模式适合高频客服场景，高精度模式适合金融合规审查。这种灵活性使同一平台可以同时服务对延迟敏感和准确性敏感的不同业务线。

Cleanlab 的模型与版本演进

Cleanlab 的产品线分为两条独立的版本轨道：开源库（cleanlab Python 包）和商业平台（Codex / Detect + Remediate）。前者有明确的版本号体系，后者持续在线迭代。

开源库版本主线

cleanlab 开源库从 2021 年发布早期版本至今，已迭代近 20 个正式版本：

版本	发布日期	关键变化
v2.9.0	2026-01-14	最新正式版，扩展 Python 3.10-14 支持，改进 CI 构建
v2.8.0	~2025-09	持续完善 Datalab 问题类型检测，暂无官方精确日期
v2.7.0	~2025-06	引入更多 Datalab 问题类型，增强多模态支持
v2.6.0	~2025-03	增强多标签分类和回归任务的数据质量评估
v2.5.0	~2024-12	改进对象检测、图像分割等视觉任务的标签质量评估
v2.4.0	~2024-09	扩展 Datalab 功能，增加新的问题类型检测
v2.3.0	~2024-06	增强对 token 分类（实体识别）的标签纠错支持
v2.2.0	~2024-03	改进多标注者场景的共识推断与标注者质量评估
v2.1.0	~2023-12	完善回归任务的数据质量评估能力
v2.0.0	~2023-09	重大架构升级，引入 Datalab 统一问题检测框架

商业平台版本脉络

商业平台（目前品牌为 Codex，分为 Detect 和 Remediate 两大模块）以 SaaS 形式持续交付，不提供传统意义上的版本号。以下是根据公开可查里程碑整理的脉络：

• 2026-01：Handshake AI 收购 Cleanlab，CEO 称将聚焦于"前沿模型数据质量"的 AI 研究
• 2025 年：推出 Detect 和 Remediate 双模块，发布 AI Agent 在产报告（AI Agents in Production 2025）
• 2024 年：发布 Trustworthy Language Model（TLM），获 Forbes AI 50 和 CB Insights AI 100 认可
• 2023 年：完成 Series A 融资（$30M），推出企业级平台
• 2021 年：公司成立，三位 MIT CS 博士创立，发布开源 cleanlab 库

版本选择建议

对开源用户，建议固定一个主要版本（如 v2.9.0）用于生产数据清洗，关注 GitHub Release Notes 中的 breaking changes。对平台用户，SaaS 模式意味着持续获得最新功能，无需关心版本升级；但建议在关键业务场景中向官方确认功能变更是否会影响既有工作流。

Cleanlab 的技术优势

Cleanlab 的技术壁垒不在模型参数量或训练算力，而在于"如何用 AI 评估 AI"这个元问题的工程化解决。

Confident Learning 理论基础：Cleanlab 的核心算法 Confident Learning 是首个具有理论保证的标签噪声估计框架。它不需要知道真实的噪声转换矩阵，而是通过模型预测概率和给定标签的联合分布来估计标签错误。这一理论发表于 JAIR（2021），获得 IJCAI-JAIR 五年时间检验奖——在 AI 顶级学术会议上得到同行验证。效果：这意味着 Cleanlab 可以在没有"标准答案"的情况下，仅凭模型自身的不确定性信号就能可靠地检测数据问题，且这一过程有严格的数学证明保证。

单一可信度指标的融合机制：不同于大多数方案只做"是否幻觉"的二分类，Cleanlab 将自我反思、多响应一致性检查、词汇级概率分析和两类专有不确定性方法（随机不确定性和认知不确定性）融合为一个 0-1 之间的连续可信度分数。效果：单一分数让 AI Agent 可以做出粒度化的决策——高于 0.95 的响应可直接输出，0.7-0.95 需要人工抽检，低于 0.7 自动升级。这种分级策略在客服场景中显著降低了"AI 硬答"带来的用户投诉。

检测精度领先：在针对四个 RAG 基准（CovidQA、DROP、FinanceBench、PubmedQA）的幻觉检测效果评测中，Cleanlab 的 AUROC（曲线下面积）达到 0.91，显著优于 LLM-as-a-judge（0.78）、RAGAS Faithful（0.70）等方案。在更广泛的 LLM 可靠性基准测试中，Cleanlab 的精度/召回率比其他方法高出 34%；在六个 RAG 应用中，Cleanlab 的精度/召回率是主流实时评估模型的 3 倍。机制：这一优势源于 Cleanlab 不使用单一检测方法，而是将多种互补的不确定性信号进行融合——自反思信号捕捉模型的"显式不确定性"，概率度量捕捉"隐式不确定性"，专有方法进一步强化了在长尾分布下的检测鲁棒性。

无侵入集成架构：Cleanlab 作为独立的安全层（Reliability Layer）部署，不对现有 AI 系统做任何改动。它通过 REST API 接收 AI 响应的输入和上下文，返回可信度评分和问题分类。支持与 Arize、Langfuse、Langtrace、mlFlow、NVIDIA 等主流观测平台的集成。效果：团队可以在不修改 Agent 代码、不引入新框架的前提下，在现有 AI 管道中"插入"一个可靠性检查点。

如何使用 Cleanlab

Cleanlab 提供三种使用路径，分别对应不同角色的需求：

使用方式	适合人群	关键步骤	费用
开源库 cleanlab	数据科学家ML 工程师	pip install cleanlab → 加载数据 → 调用 Datalab.find_issues()	免费（Apache-2.0）
Detect API	后端开发AI 工程团队	获取 API Key → 通过 REST API 发送 AI 响应 → 接收可信度评分	按量计费，需联系销售
Remediate 控制台	领域专家（SME）、业务团队	登录 Web 控制台 → 审阅标记的 AI 响应 → 提交修正答案	含平台订阅费
企业私有部署	合规要求高的企业	联系销售确认 VPC 部署 → 配置网络与身份认证 → 对接内部系统	商务合同

开源库快速入门：以下 Python 代码展示了如何用 cleanlab 检测数据集中的标签错误：

from cleanlab import Datalab
import pandas as pd

# 加载数据集（文本、图像、表格等均可）
data = pd.read_csv("your_dataset.csv")

# 初始化 Datalab，指定标签列
lab = Datalab(data=data, label_name="ground_truth")

# 使用任意 ML 模型获取预测概率和特征嵌入
# 假设已通过模型得到 pred_probs 和 features
lab.find_issues(pred_probs=pred_probs, features=features)

# 生成数据质量报告
lab.report()

Detect API 集成：在生产有境中，通过 REST API 在每个 AI 响应上附加可信度检查：

curl -X POST https://api.cleanlab.ai/v1/tlm \
  -H "Authorization: Bearer <YOUR_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "用户问题内容",
    "response": "AI 生成的回答内容",
    "context": "可选的检索上下文文本",
    "quality_preset": "best"
  }'

响应中会包含 trustworthiness_score（0-1 之间的置信度分数）和 issues（检测到的问题类型列表）。

落地路径：建议按"三阶段推进"：第一阶段用开源库对训练数据做质量审计，确认数据中的标签错误比例和问题分布；第二阶段在非关键 AI Agent（如内部知识问答助手）上集成 Detect API，调校阈值和评估模型选择；第三阶段在全量生产有境部署 Detect + Remediate，并培训 SME 使用修正工作流。

Cleanlab 的产品定价

Cleanlab 的定价体系分为两个截然不同的层面：开源层完全免费，商业层采用"联系销售获取报价"的模式。

开源库（cleanlab Python 包）：完全免费，Apache-2.0 许可。无使用次数限制、无数据量限制、无用户数限制。这是个人开发者、学术研究者和 PoC 阶段团队进入 Cleanlab 生态的最低门槛路径。

SaaS 平台（Detect + Remediate）：官方未公开标准化价目表，而是以"Request Demo"作为入口。根据行业同类平台的定价模式推断，成本结构的分层对比如下：

成本维度	开源层	SaaS 平台层	企业/私有部署层
订阅费用	免费（Apache-2.0）	按检测量/模型/席位计费，需联系销售	商务合同，通常含年费
基础设施	用户自行承担（本地或云端）	厂商托管（AWS/Azure/GCP）	VPC 内自管或厂商代管
集成投入	文档 + Notebook 示例	API 集成，数天至数周	定制开发，数周至数月
SME 培训	不适用	控制台开箱即用，轻量培训	同 SaaS + 权限配置
数据控制权	完全自主	厂商托管	完全自主（VPC 内）
适合阶段	PoC、学术研究、个人试用	中小规模生产部署	大规模、强合规生产有境

企业/私有部署：VPC 部署和私有化方案需另行商务洽谈。合同条款应关注：数据隔离标准（物理隔离还是逻辑隔离）、SLA 可用性承诺（通常 99.9%+）、数据保留和删除条款、以及终止合作后的数据迁移方案。

隐性成本提醒：Cleanlab 的核心价值来自"减少 AI 错误带来的损失"，这部分收益难以在采购前精确量化。建议在试用期内设置一个对照实验——让一条业务线使用 Cleanlab 检测，另一条不使用，记录两组的错误率、客户升级率和人工干预时间，以此构建 ROI 模型。

Cleanlab 的应用场景

Cleanlab 的价值在"AI Agent 的生产部署"这个节点上最为明显——当 AI 从演示走向业务线，错误输出的后果从"体验差"升级为"客户投诉、合规风险、品牌损害"时，可靠性保障成为刚性需求。

• 客服 AI Agent 可靠性保障：客服场景是 Cleanlab 最典型的高频应用。AI 客服的输出直接面对客户，一次错误的回复（如告知客户错误的退货政策、提供不存在的优惠）可能导致客户投诉升级甚至法律纠纷。Cleanlab 在 AI 响应到达客户之前计算可信度分数，低分请求自动转接人工客服。实际收益：官方数据显示，引入 SME 修正后准确率从 72% 提升至 90%，正确响应量提升 92%。对于日均处理 10 万客服对话的企业，这意味着每天减少数千次错误响应。

• 企业知识问答系统质量审计：企业内部的 AI 知识助手（员工手册查询IT 支持、合规政策问答等）同样面临幻觉问题——错误的内部政策解读可能导致员工决策失误。Cleanlab 的可信度评分可以帮助企业识别知识库中的覆盖缺口和文档矛盾点，并将 SME 修正的结果反向注入知识库。落地提示：建议从"高频提问但回答质量不稳定"的知识领域开始试点，确认 Cleanlab 的检测覆盖率后再扩展至全部知识域。

• AI Agent 开发与测试质量门禁：在 AI Agent 的 CI/CD 管道中，Cleanlab 可以作为质量门禁——每次 Agent 更新后，用标准测试集运行批量检测，对比前后版本的可信度分布变化。如果新版本在特定场景下的可信度下降超过阈值，自动阻止发布。实际收益：将可靠性验证左移到开发阶段，减少生产有境中的"惊魂发布"。

• 金融合规与风控审核：金融行业对 AI 输出的准确性和可溯源性要求极高。Cleanlab 的问题分类能力（尤其是 Policy Violation 检测）可以识别 AI 输出中违反合规要求的表述，同时提供详细的评分理由，满足审计追踪需求。落地提示：金融场景建议使用 best 质量设置，并配合人工复核流程，Cleanlab 在此场景中扮演"风险指示器"而非"决策者"。

• 数据清洗与训练数据优化：通过开源 Datalab 库，ML 团队可以对训练数据进行系统性质量审计，自动检测标签错误、异常值和重复样本。Google、Amazon 等企业已在生产中使用这一能力来提升模型训练数据的质量。实际收益：纠正 1% 的训练标签错误，在 ImageNet 等基准测试中即可带来可测量的准确率提升。

Cleanlab 的适用人群

Cleanlab 的定位决定了它的核心受众是那些已经或正在将 AI Agent 投入生产有境的团队，而非 AI 的早期探索者。

• AI 工程与 MLOps 团队：他们负责 AI Agent 的生产部署和维护，最直接地承受"模型上线后输出不可控"的压力。Cleanlab 的 Detect API 可以无缝嵌入现有推理管道，提供即插即用的可靠性监控层。不适配边界：如果团队仍处于模型选型或 PoC 阶段，尚未定义明确的"责任线"（即 AI 错误由谁承担），Cleanlab 的引入可能过早——此时更应聚焦于基础模型选择和 prompt 工程。

• 客服与运营管理者：他们管理着 AI 客服的日常运营，对"AI 说了不该说的话"带来的客户投诉最为敏感。Cleanlab 的 Remediate 模块让非技术背景的运营人员可以直接修正 AI 行为，无需依赖工程团队。不适配边界：如果客服团队完全没有数字化运营基础（连基本的工单系统都没有），Cleanlab 的学习曲线可能过于陡峭，建议先从流程数字化开始。

• 数据科学家与 ML 研究员：他们使用 cleanlab 开源库进行数据质量分析、标签纠错和实验验证。对于从事数据-centric AI、弱监督学习和标签噪声研究的学术人员，cleanlab 提供了可复现的标准工具链。不适配边界：如果需要处理的是超大规模数据集（百亿级样本），开源库的单机处理能力可能成为瓶颈，需要考虑分布式扩展方案。

• 合规与风险管理负责人：在金融、医疗、法律等强监管行业，他们关注 AI 输出的可审计性和合规风险。Cleanlab 的问题分类和评分机制可以提供结构化的风险证据链。不适配边界：Cleanlab 提供的是检测信号而非合规背书——它不能替代合规团队的人工审核，而是让审核更精准、更高效。

• 企业 IT 与采购决策者：他们需要在多个 AI 可靠性方案中做选型决策。Cleanlab 的开源基础 + 商业平台的双层策略允许先在开源层做技术验证，再在平台层做规模采购，降低了决策风险。不适配边界：如果企业要求完全离线部署且没有 GPU 资源，Cleanlab 的私有部署门槛（至少需要推理服务器）可能超出当前基础设施能力，建议先评估 SaaS 模式。

Cleanlab 的总结与展望

Cleanlab 在市场中的独特位置在于它既不与 LLM 提供商竞争，也不与 Agent 框架竞争，而是在两者之间嵌入了一个"可靠性层"——这是一个被大多数 AI 团队忽视、但在生产部署中越来越关键的能力空白。

核心竞争优势：Confident Learning 的理论基础在前沿 AI 研究中仍保持领先；Detect + Remediate 的闭有设计将"发现错误"和"修正错误"无缝衔接，不依赖工程团队的介入；开源库的超百万下载量和 Fortune 500 的采用为技术路线的可行性提供了实证。

当前的主要限制：定价不透明——商业层"联系销售"的模式让中小团队难以独立评估预算匹配度；中文支持尚未公开——对于中国市场的团队，界面和文档均为英文，本地化适配不确定；闭有收益依赖 SME 参与——Remediate 模块的效果高度依赖领域专家的持续投入，如果 SME 资源不足，修正闭有可能中断；Handshake 收购后的产品路线图可能发生变化——收购后虽然承诺开源库继续维护，但商业平台的方向和定价策略存在调整风险。

采购与采用风险评估：对于已部署 AI Agent 且面临输出可靠性问题的团队，Cleanlab 值得立即评估。建议的评估路径是：第一周用开源库对训练数据和上线后 AI 响应集合做离线质量审计，确认问题规模；第二到四周申请 SaaS Demo，在一条非关键业务线上做 Detect 集成验证，记录误报率和召回率；第五到八周在另一条业务线引入 Remediate，评估 SME 工作流的实际投入产出比。如果三轮评估均达标（检测 AUROC > 0.85、SME 单次修正时间 < 5 分钟、准确率提升 > 15%），则可进入企业商务谈判。需特别关注 Handshake 收购后的产品战略方向——在签约前向销售确认至少 12 个月的产品路线图和定价承诺，规避因并购导致的重大方向调整风险。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

• Cleanlab Open Source v2.9.0 ：开源库最新版本，继续完善数据质量检测与标签纠错能力，扩展 Python 3.10-14 支持。 （2026-01-14）
• Cleanlab Open Source v2.8.0 ：暂无官方精确日期，按公开发布脉络记录，持续迭代数据质量问题检测能力。 （~2025-09）
• Cleanlab Open Source v2.7.0 ：暂无官方精确日期，引入更丰富的 Datalab 问题类型检测支持。 （~2025-06）
• Cleanlab Open Source v2.6.0 ：暂无官方精确日期，增强对多标签分类和回归任务的支持。 （~2025-03）
• Cleanlab Open Source v2.5.0 ：暂无官方精确日期，改进对象检测和图像分割等视觉任务的标签质量评估。 （~2024-12）
• Cleanlab Open Source v2.4.0 ：暂无官方精确日期，扩展 Datalab 功能，支持更多类型的数据问题检测。 （~2024-09）