用已知浓度的标准样品建立响应值与浓度之间的对应关系，再用这条关系去反算未知样品的含量——这就是校准曲线最朴素的用途，实验室里天天在做，产线检测站里也天天在跑。偏偏它又是个特别容易“阴”你的东西：曲线画出来相关系数 0.999，软件自动通过，结果样品测出来偏高 20%，你回头查仪器、查前处理、查操作记录，折腾两三天，最后发现问题出在一个早就该被剔除的高浓度点把整条线的斜率压低了。这种经历，凡是常年跟数据打交道的人基本都栽过。

这篇内容想干的事情很具体：把“校准曲线异常导致数据偏差”这件事拆开揉碎，给你 7 种能直接上手操作的定位与修复方法，从标准品本身、数据分布、回归模型、仪器状态一直查到基质效应和数据处理链路。适合谁看？实验室检测岗、质量控制岗、仪器分析人员、产线检测工程师，以及任何需要靠标准曲线把信号换算成数值的从业者。全文会给出判断阈值、排查顺序、实操步骤和几个能直接复现的小工具，你可以对着自己的数据一步步套。

1. 先分清：你遇到的到底是哪一类“曲线异常”

1.1 三种典型形态，对应三种不同的病灶

很多人一看到数据不对，第一反应是“曲线有问题”，然后就开始重新配标准、重新进样，运气好糊弄过去了，运气不好第二天照样偏。原因在于“曲线异常”这四个字太笼统，它至少在形态上分三类，每一类的病灶位置完全不同。

第一类是整条线斜率不对。表现为所有校准点回算浓度都朝同一个方向偏，比如全部偏低 10%，或者全部偏高 8%。这种系统性平移通常指向标准物质本身的浓度有误、配制过程中的稀释倍数记错、或者仪器灵敏度整体漂移（光源老化、检测器增益变化、进样量整体变化）。斜率问题是最“好治”的，因为它是全局性的，改一个环节就能拉回来。

第二类是低浓度段翘起或压平。表现为零点附近的点偏离直线，浓度越低偏得越离谱，浓度高了反而还好。这类问题多半出在空白污染、检出限附近噪声过大、积分基线没扣干净、或者低浓度段本身就不符合线性。低端失真是最容易被忽略的，因为很多人的质控样品都放在中间浓度，谁会拿 0.5 倍检出限的样品去做日常质控呢。

第三类是高浓度段向下弯。这是最经典的形态，曲线尾部明显下垂，回算浓度越高的点负偏差越大。检测器饱和、信号超出线性动态范围、离子源空间电荷效应、光学系统杂散光，都会造成这个结果。它的迷惑性在于，中间浓度点拟合得非常好，相关系数依然漂亮，只有最上面那一两个点悄悄把斜率往下拽。

判断顺序建议：先看回算浓度的偏差方向是否一致（判断斜率类问题），再看偏差随浓度变化的趋势（判断低端或高端失真），最后才去看相关系数。相关系数是这三个判断里信息量最小的一个指标。

1.2 一条曲线的偏差是怎么污染整批数据的

校准曲线的影响不是线性的，它会被放大。举个具体数字：真实斜率 1000，因为高浓度点饱和，拟合出来的斜率变成 950，截距是 200。这时候你测一个响应值为 20200 的样品，按拟合曲线回算是 (20200-200)/950 = 21.05；而按真实关系应该是 (20200-200)/1000 = 20。看似只差 1，实际相对偏差 5.3%。如果这个样品的限量值是 20，你直接判超标。

更麻烦的是，这种偏差是成批出现、方向一致的。单看某一次检测结果，你完全看不出问题，因为数据本身长得很有道理。只有当同一批样品在不同时间、不同仪器、不同人员手里重复测，或者跟留样复测结果对不上时，问题才暴露出来。很多实验室的“结果复现性差”投诉，根源都埋在这里。

还有一层隐性污染：截距带来的固定偏移。当曲线截距不为零，而这个截距又不是真实的方法空白时，所有低浓度样品都会被这个固定值“顶”上去。浓度越低的样品，相对误差越大，这就是为什么低浓度段的数据质量往往最差，也是为什么痕量分析对空白控制的要求近乎苛刻。

1.3 排查之前的三分钟自查

正式动手之前，有几个零成本的检查项，能挡掉相当一部分“伪异常”。我把它整理成下面这张表，每次遇到数据偏差先过一遍，多数时候一轮就够。

这几项看起来琐碎，但我在实际排查中，大概有三成的“曲线异常”最后落在这里。特别是稀释倍数和单位，出事频率高得惊人，而且一旦出错，数据偏差往往是整数倍关系——回算浓度全是真值的 10 倍、100 倍，或者反过来。看到偏差接近整数倍，第一反应就该去查这个。

2. 建立判断基准：别只盯着相关系数

2.1 相关系数为什么靠不住

相关系数 r 这个指标有个致命缺陷：它对曲线两端的偏离极不敏感。因为 r 的计算本质上是在看所有点相对于均值的变化趋势，高浓度点的绝对数值大，即便偏离几十个单位，对整体平方和的贡献也被稀释了。一条 r = 0.9995 的曲线，完全可能在高浓度端有 8% 的负偏差。

更坑的是，r 会随着浓度跨度的增大而自动变好看。你把最高点从 100 提到 200，r 立刻就上去了，哪怕这条线在高端的线性其实一塌糊涂。所以行业内有些规范已经不再把 r 作为唯一验收指标，而是要求看每个校准点的回算浓度偏差。

我个人的做法是：r 只用来做一次粗筛，低于 0.99（或方法规定的阈值）直接判废重做；高于阈值之后，进入第二道关卡——逐点回算偏差。第二道关卡才是真正决定这条曲线能不能用的地方。

2.2 回算浓度偏差：真正该盯的指标

回算浓度的算法很简单：把每个标准点的仪器响应值代回拟合方程，反推出浓度，再跟标称浓度比。

偏差% = (回算浓度 − 标称浓度) / 标称浓度 × 100%

行业通行的经验阈值大致是这样：常规理化检测，各点偏差控制在 ±10% 以内比较稳妥；痕量分析（色谱、质谱类）通常放宽到 ±15%，最低浓度点可以到 ±20%；如果方法或客户有更严格的要求，按更严格的那个执行。注意这是经验值，具体项目必须按方法文件走，我这里给的只是用来做初步判断的参考线。

关键点在于：看偏差的分布形态，而不只是看绝对值。如果各点偏差是正负交替、随机散布，说明是随机误差，曲线本身没问题；如果偏差随浓度单调变化（比如低端 +12%，高端 −9%），那就是模型或线性范围的问题，必须处理；如果所有点偏差同号同量级，那是斜率或标准品浓度的问题。

2.3 一张自己用的验收阈值表

与其每次纠结“这个偏差算不算大”，不如提前把阈值定死，写进自己的作业指导书。下面这张表是我在一套常规检测流程里用的版本，你可以按自己领域调整数值，但结构可以直接抄。

最后一行“斜率日间波动”是我特别想强调的一项。很多人只在校准当天看曲线，却不去比较昨天的斜率和今天的斜率。实际上，斜率的漂移趋势比单次曲线的绝对质量更能反映仪器状态。如果斜率连续三天每天跌 3%，那不是随机波动，是光源在老化或者进样系统在堵塞，早点发现能省掉后面一堆麻烦。

3. 方法一至方法三：从标准品和数据本身找病灶

3.1 方法一：顺着配制链路倒查标准物质

这是七种方法里最应该先做的一种，因为它的排查成本最低、命中率却不低。具体怎么查？不要一上来就重新配曲线，而是先把整条配制链路画出来，从储备液到中间液到工作液，每一个环节都问三个问题：浓度是多少、用什么稀释的、什么时候配的。

第一个要查的是标准物质的证书信息。有效期是否已过、储存条件是否符合要求、开瓶后使用期限是否超期。有证标准物质的证书上通常标注了不确定度和有效期，但“开瓶后稳定性”这一项经常被忽略——很多有机标准溶液开瓶后反复冻融，实际浓度早就变了，证书上却还写着原始值。

第二个要查的是稀释剂与基质匹配。用纯溶剂配的标准系列，进样到实际样品基质中，响应可能完全不同。这在色谱分析里极其常见：标准品配在甲醇里，样品是水样，进样后两者的气化行为、峰形、响应因子都不一样。解决办法是用空白基质配制标准系列，或者至少保证标准溶液与样品溶液的溶剂组成接近。

第三个要查的是移液器具的准确性。这条听起来很基础，但我见过太多次：一支 100 μL 移液器长期未校准，实际吸 92 μL，全套标准系列浓度系统性偏低 8%，而且由于是同一个器具操作，偏差高度一致，曲线形状反而很漂亮。所以当发现“所有点同方向偏移”时，移液器校准状态必须进检查清单。

实操心得：我习惯在每次配制新一批标准系列时，同步用上一批的中间液做一个“交叉验证点”，两个批次的标准液分别进样，响应差异超过 5% 就停下来查原因。这一步花不了十分钟，但能提前拦住大部分标准品失效问题。

3.2 方法二：把零点和空白点单独拎出来复测

低浓度段的失真，八成跟空白有关。空白分两种，一种是试剂空白（不含样品基质，只有溶剂和试剂），一种是方法空白（走完整前处理流程但不加样品）。这两种空白的响应值含义完全不同，必须分开看。

如果试剂空白响应明显偏高，问题出在水、溶剂、试剂纯度或者器皿污染上。常见源头包括：纯水机的滤芯该换了、某批试剂的本底值异常、玻璃器皿用了含目标物的洗涤剂、马弗炉或烘箱里残留了前一批样品。这类污染往往表现为零浓度点的响应异常高，进而把截距顶上去。

如果方法空白响应偏高而试剂空白正常，问题多半在前处理过程：萃取溶剂带入、固相萃取柱的本底、浓缩过程中的交叉污染、消解罐清洗不彻底。这时候要做的不是改曲线，是改前处理流程。

具体操作上，我建议在排查阶段做一个“零点加标验证”：在零浓度点基础上加一个低浓度标（比如 1 倍或 2 倍检出限的水平），测回收率。回收率在 80% ~ 120% 之间，说明低端定量可信；回收率明显偏高，说明有正干扰（污染或基质增强）；明显偏低，说明有负干扰（吸附、分解、基质抑制）。

顺带说一个容易忽略的点：零浓度点到底要不要参与拟合。有些方法要求强制过原点，有些允许带截距。强制过原点意味着你承认方法空白为零，这在实际样品中几乎不可能。我的做法是默认带截距拟合，但要求截距的置信区间不能显著偏离零；如果截距显著且方向与空白响应一致，那就说明这个截距是真实存在的，不该强行归零。

3.3 方法三：残差分析揪出那个“看起来很正常”的离群点

离群点是校准曲线里最具欺骗性的东西。它不一定会让 r 掉下来，尤其是当点数较多、浓度跨度较大的时候。一个点偏了 15%，r 可能只从 0.9998 掉到 0.9995，软件照样通过。

正确的做法是看残差图和标准化残差。把每个点的实测响应减去拟合响应，得到绝对残差；再除以拟合的标准误，得到标准化残差。标准化残差的绝对值超过 2 就要警惕，超过 3 基本可以判定为离群点。同时观察残差的正负分布：如果残差随浓度呈现明显的 U 形或倒 U 形，那不是离群点，是模型选错了（该用二次曲线或分段拟合）；如果残差呈现喇叭口形状（低浓度残差小、高浓度残差大），那是异方差，该上加权回归。

下面这段代码是我常用来做快速残差诊断的，参数改一改就能用：

import numpy as np # x: 标称浓度, y: 实测响应 x = np.array([1, 5, 10, 50, 100, 200], dtype=float) y = np.array([1010, 5080, 10150, 50900, 102300, 189000], dtype=float) # 一次线性拟合 slope, intercept = np.polyfit(x, y, 1) y_fit = slope * x + intercept resid = y - y_fit # 标准化残差（自由度 n-2） n = len(x) s = np.sqrt(np.sum(resid**2) / (n - 2)) std_resid = resid / s # 回算浓度与偏差 back = (y - intercept) / slope bias = (back - x) / x * 100 for xi, yi, sr, b in zip(x, y, std_resid, bias): flag = " <-- 离群" if abs(sr) > 2 else "" print(f"浓度{xi:7.1f} 响应{yi:9.0f} 标准化残差{sr:6.2f} 偏差{b:6.2f}%{flag}")

跑出来你会看到，高浓度那个点的标准化残差往往是最大的，偏差也是负的。这就把问题从“曲线整体不行”缩小到了“最高浓度点超线性范围”这一个具体结论上。

注意：剔除离群点必须谨慎。一个点能不能剔，前提是你能说清楚它为什么异常（进样错误、气泡、仪器报警记录、明显的操作失误）。纯粹因为“它偏离大”就剔掉，那是自欺欺人，而且会让你低估方法的实际变异。规范的做法是：剔除要有记录，剔除后的曲线要用独立质控样验证。

4. 方法四至方法五：回归模型层面的修复

4.1 方法四：换模型——线性不是唯一答案

很多人默认校准曲线就该是直线，其实不然。检测器响应在一定范围内近似线性，超出范围就会弯曲。判断该不该换模型，最直接的依据就是残差形态：残差呈系统性弯曲（U 形、拱形），说明一次模型欠拟合，可以试二次模型。

二次模型的拟合形式是 y = a·x² + b·x + c。它的优点是能覆盖更宽的浓度范围，缺点有两个：一是容易过拟合，三个参数拟合五六个点，模型的自由度很低，稍微有点噪声就被吸进去了；二是外推极不安全，二次曲线开口向上时，超出校准范围后响应会急剧上升，算出来的浓度会离谱。

所以我的原则是：能用线性就不用二次，必须用二次时，校准范围要覆盖样品浓度的 0.8 ~ 1.2 倍，绝不外推。如果只是高浓度段弯曲，更好的方案是分段拟合——低浓度段和高浓度段各自拟合一条线，按样品浓度落入的区间选择对应曲线。这种做法在宽动态范围的分析中很常见，代价是需要更多的校准点来支撑两个区间。

还有一种情况值得单独说：响应饱和。检测器饱和时，响应值不再随浓度增长，甚至可能因为过载而下降。这时候任何模型都救不了，你只能稀释样品或者缩小进样量。识别方法很简单：最高浓度点的响应增量明显小于按比例应有的增量，甚至比次高浓度点还低，那就是饱和了。这种情况不要试图用曲线拟合去“修正”，那是把仪器缺陷硬塞进数学模型里，属于自欺欺人。

4.2 方法五：加权回归，让低浓度点说话

标准曲线有个天然的统计学问题：高浓度点的绝对误差大，在普通最小二乘（OLS）里占据的权重也大。OLS 最小化的是残差平方和，一个高浓度点偏离 500 个单位，对平方和的贡献是 250000；一个低浓度点偏离 50 个单位，贡献只有 2500。结果就是拟合过程天然偏向高浓度点，低浓度点被“牺牲”掉了。

解决办法是加权最小二乘（WLS）。给每个点乘上一个权重，让低浓度点的相对误差也能被同等重视。最常用的权重是 1/x 和 1/x²，前者让相对误差线性加权，后者让相对误差平方加权。选哪个？一般经验是：浓度跨度小于两个数量级用 1/x，跨度更大（比如从 0.1 到 1000）用 1/x²。

这里有个特别容易踩的坑：numpy 的 polyfit 里 w 参数是“权重的平方根”，不是权重本身。因为它最小化的是 Σ(wᵢ·(yᵢ − ŷᵢ))²，展开后残差平方的系数是 wᵢ²。所以你要实现 1/x² 加权，传进去的应该是 1/x：

import numpy as np x = np.array([1, 5, 10, 50, 100, 200], dtype=float) y = np.array([1010, 5080, 10150, 50900, 102300, 189000], dtype=float) # 普通最小二乘 p_ols = np.polyfit(x, y, 1) # 目标权重 1/x^2 -> polyfit 的 w 传 1/x p_wls2 = np.polyfit(x, y, 1, w=1.0/x) # 目标权重 1/x -> polyfit 的 w 传 1/sqrt(x) p_wls1 = np.polyfit(x, y, 1, w=1.0/np.sqrt(x)) def report(p, name): k, b = p back = (y - b) / k bias = (back - x) / x * 100 print(f"{name}: 斜率={k:.3f} 截距={b:.2f}") print(" 回算偏差%:", np.round(bias, 2)) report(p_ols, "OLS ") report(p_wls1, "WLS 1/x ") report(p_wls2, "WLS 1/x^2")

跑完对比三组偏差你会发现，加权之后低浓度点的偏差明显收敛，高浓度点的偏差会略微放大——这正是我们想要的效果，因为低浓度点的相对误差才是痕量分析真正关心的。当然，加权不是万能的，如果高浓度点已经饱和，加权只会让你更快地发现这个点算不准，该稀释还是得稀释。

实操提醒：加权回归会改变曲线的斜率和截距，所以一旦换了加权方式，历史数据不能直接拿来做趋势对比。换方法要留记录，并且用同一批质控样验证新旧两条曲线算出来的结果差异在可接受范围内。

5. 方法六至方法七：仪器状态与基质效应的根治

5.1 方法六：从信号链往回查仪器状态

前面五种方法都在跟数据和模型较劲，但如果仪器本身状态不稳，再怎么调曲线都是治标。判断是不是仪器问题，有个简单粗暴的办法：看斜率的重复性。同一批标准液连续进样六次，重新拟合六条曲线，如果斜率的标准偏差超过 2%，那基本可以确定是仪器稳定性问题，不是曲线问题。

按信号链从后往前查，顺序大致是这样：

检测器与光源。光源能量下降是最常见的漂移来源，表现为灵敏度整体下滑、噪声上升。检查方式是看能量监视值或者灯的使用时长，很多仪器的软件里都有这个读数。检测器方面，如果发现高浓度点响应上不去、基线抬升，要怀疑检测器接近饱和或者工作状态异常。

进样系统。进样量不准、进样针部分堵塞、进样口衬管污染、隔垫漏气，这些都会导致响应整体偏低且重复性差。判断方法是看内标响应的稳定性——如果内标响应波动超过 10%，那问题大概率在进样环节，因为内标和样品是一起进的，前处理误差不会影响它。

分离系统或光路。色谱柱污染会表现为峰形变差、保留时间漂移、响应下降；光路系统污染或光路准直偏移会表现为吸光度整体偏低。这类问题通常伴随其他异常现象，不是单纯的数据偏差。

环境与温控。这一项最容易被忽略。室温波动超过 5℃、仪器预热时间不足、检测器温度未达平衡，都会造成响应漂移。特别是一些需要长时间进样的序列，早上跑的标准和下午跑的样品，响应可能差好几个百分点。我的习惯是每天开机至少预热 30 分钟再进标准，并且把标准点穿插在样品序列中间，而不是全部集中在开头。

一条经验：如果斜率在一天之内呈单调下降趋势，先别查标准品，去查仪器热稳定性和进样针。单调漂移几乎不可能是标准品造成的，标准品失效通常是阶跃式的，不是渐变的。

5.2 方法七：基质效应，那些曲线管不到的地方

前面所有方法都建立在“标准和样品的响应行为一致”这个假设上。而基质效应恰恰打破了这个假设：同样的目标物浓度，在纯溶剂里和在样品基质里，仪器响应可能差 20% 甚至更多。

基质效应的方向分两种。基质增强常见于气相色谱进样口，样品基质中的某些组分改善了气化效率或抑制了活性位点吸附，使得响应偏高；基质抑制常见于液相色谱-质谱，基质组分在离子源中与目标物竞争电荷，导致响应偏低。两种效应的共同特点是：浓度越低影响越大，因为活性位点或电荷竞争是有限资源。

识别基质效应有个标准做法：提取后加标。取一份实际样品，走完前处理流程，得到提取液，把它分成两份，一份直接测，另一份加入已知量的标准再测，两次结果之差就是加标回收量。如果回收率明显偏离 100%，而纯溶剂配的标准系列回收率正常，那就是基质效应。

应对手段有三条路：

第一条是基质匹配校准，用空白基质配制标准系列。这是最直接的办法，前提是你找得到不含目标物的空白基质。找不到完全空白，就用低含量的基质做背景扣除。

第二条是标准加入法，把标准直接加到样品里做校准。这个方法能完全抵消基质效应，但工作量翻倍，适合样品量少、基质复杂、又必须出准确结果的情形。缺点是每个样品都要做好几个加标水平，成本和耗时都上去了。

第三条是内标法，加一个性质相近的内标物，用目标物响应与内标响应的比值来做曲线。内标法能同时抵消进样量波动和部分基质效应，是痕量分析里最常用的手段。关键点是内标要在样品前处理之前加，这样才能同时校正前处理损失；如果在前处理之后才加，那只能校正进样环节的误差，前处理的损失就校正不了了。

关于基质效应还有一个反向提醒：不要为了消除基质效应而把样品过度稀释。稀释确实能降低基质浓度，但也会让目标物浓度逼近检出限，相对误差反而更大。稀释倍数要综合考虑检出限、线性范围和基质效应强度三者，不是越稀越好。

6. 实操案例：一条“完美”曲线是怎么被揪出问题的

6.1 案例背景与原始数据

某个检测岗位反映，一批样品的检测结果与留样复测结果对不上，新测值系统性偏高约 8% ~ 12%，而且浓度越低的样品偏高越多。仪器、人员、前处理流程都没变，唯一的变量是最近换了一批标准溶液。

先调出当天的校准曲线数据。软件显示的相关系数是 0.9996，斜率 998.5，截距 186。看上去一切正常，软件自动判定合格。但如果按第 2 节的方法逐点回算，问题就出来了：

单看这张表，各点偏差都在 ±5% 以内，挺漂亮。但截距 186 这个数字不对劲——方法要求截距应接近零，186 相当于 0.19 个浓度单位，对于 1.0 这个最低点来说，就是 19% 的固定偏移。这正好解释了为什么低浓度样品偏高最多。

6.2 逐步排查与修复

第一步查零浓度点。把零浓度标准（纯溶剂）单独进样三次，响应分别是 12、15、11，平均 13，远低于截距 186。这说明曲线截距不是真实的仪器空白，而是拟合过程中被什么东西“顶”上去的。

第二步查标准溶液配制记录。发现新批次的中间液是用旧批次的储备液稀释的，而旧储备液开瓶已经超过四个月，储存条件记录显示中间有两次未按要求冷藏。这很可能导致储备液的实际浓度已经偏离标称值。

第三步用新开瓶的有证标准物质重新配制一条曲线做对照。新曲线斜率 1052，截距 22，各点回算偏差在 ±3% 以内。斜率差异 5.4%，正好对应之前观察到的结果偏高幅度——旧标准液浓度偏低，导致拟合斜率偏低，反过来让样品回算浓度偏高。

到这里原因就清楚了：旧标准储备液因储存不当部分降解，标称浓度偏高，导致曲线斜率被压低，样品结果系统性偏高。修复动作是：停用旧储备液，重新配制全系列标准，重新建立曲线，用质控样验证后重新测样。

6.3 修复后的验证与预防

修复后做了三件事确认问题真的解决了：一是用独立来源的质控样验证，实测值与标称值的偏差从 +10% 降到 +2%；二是把留样复测，新结果与原始结果的差异回到 3% 以内；三是把这次的排查记录归档，同步更新了标准溶液的"开瓶日期 + 使用期限 + 储存条件"台账。

预防措施加了两条：标准储备液开瓶后标注开启日期，超期强制报废，不看剩余量；每次换批标准液，必须与上一批做交叉验证，响应差异超过 5% 就不允许直接换用。这两条加进去之后，同类问题再没出现过。

7. 常见问题速查与几条踩出来的经验

7.1 问题速查表

把前面七种方法对应的典型症状整理成一张表，遇到问题先按症状定位，再去看对应章节的具体操作。

7.2 几条真金白银换来的经验

第一条：不要在看到异常的第一时间重做曲线。重做曲线是最容易“掩盖问题”的动作——新曲线可能恰好正常了，你就以为问题解决了，实际上病灶还在。正确的顺序是：先记录异常现象和数据，再做诊断，最后才修复。诊断记录是后面防止复发的唯一依据。

第二条：保留“坏曲线”的原始数据。很多人一看曲线不行，直接删掉重跑。我建议至少保留最近几次的完整数据（包括响应值、拟合参数、残差），因为趋势判断需要历史数据支撑。斜率是不是在漂、漂了多久、从哪一天开始漂，这些信息的价值远超一次正确的结果。

第三条：质控样要覆盖低、中、高三个浓度。只放中间浓度质控，等于放弃了曲线两端的监控。低浓度质控能发现截距问题，高浓度质控能发现饱和问题，中间浓度反而最不容易暴露缺陷。三个水平一天多花不了多少时间，但能提前几天发现问题。

第四条：加权回归别乱用，用了要留记录。加权回归会改变结果，不同加权方式算出来的浓度可能差几个百分点。如果方法文件里没写，你自己加了加权，那就属于方法偏离，必须记录并做验证。这一点在需要追溯的场合特别重要。

第五条：怀疑基质效应时，先做提取后加标，不要直接上标准加入法。标准加入法工作量大，先用提取后加标快速判断效应强度，如果回收率在 85% ~ 115% 之间，其实可以不做额外处理，直接在报告里说明就行；偏离超过 20% 再考虑换校准策略。

第六条：把“曲线验收”做成流程，不要靠人盯。人盯必然会漏，尤其是忙的时候。把 r 值、逐点回算偏差、截距占比这几个指标写进数据系统的自动判定规则里，超限就锁住不让出报告。这一步做起来麻烦一次，但之后能省掉无数次返工。

最后分享一个我一直在用的小习惯：每批数据出来，先不看结果，花两分钟看一眼这条曲线的斜率和截距跟历史均值的偏离。斜率偏离超过 5%、截距偏离超过历史均值两倍，就先停下来查，不管 r 多漂亮。两分钟的成本，换来的是不用在出报告之后被追着问“这批数据怎么跟上个月不一样”。这个习惯养成之后，我经手的批次里因为曲线问题导致的数据返工，基本清零了。