合论招投标智能分析平台（二）——懂你：把公司家底养成一个投标专家
上一篇写了我们怎么用 AI 把投标的两场线下会议搬上网页（点这里回顾）。这一篇讲另一件事：怎么让 AI 认识我们公司自己。
这件事的起点，是一个我们都问过的问题。
一、一个答不上来的问题
投标的人都遇到过这种评分项：
「投标人 2021 年以来，具有地市级及以上党政机关宣传推广类项目业绩的，每个得 X 分。」
分不小，还是硬门槛。要答这题，你得知道自己公司到底有几单符合条件的业绩。
我拿这个问题去问过豆包，也问过 DeepSeek。答得都挺漂亮：这类业绩怎么整理、证明材料注意什么、合同复印件要盖什么章——条条是道。
就是没有一个数字。
它不知道我们做过哪些合同，不知道那些客户是机关还是企业，更不知道哪单是地市级、哪单是区县级。这些问题卡住的时候，AI 缺的不是脑子，是它不认识你。
当然，现在通用 AI 也能传文件、也能读长文档。但你把几百份合同扔给它，它这次读了，下次新合同进来还得重来一遍；它记不牢，也不会自己更新，更不会在你要投标的时候自己蹦出来说「这单业绩用得上」。
说白了，它是客人，不是员工。
二、聪明的外人，和懂行的老经理
我们团队里一直有一个「标准答案」：干了多年的老投标经理。你问他地市级机关业绩有几单，他不用查，张口就来，还能告诉你哪单金额大、哪单服务期长、哪单客户难伺候。
老经理值钱的地方，从来不是他比谁聪明。
是他知道家底。
▲ 同样一个问题，问通用 AI 和问一个「带着你公司家底」的系统，得到的是两种东西
所以这篇要讲的系统升级，说白了就一句话：把我们公司的家底，做成 AI 随时能用的知识库，而且让它一直长、一直准。
上一篇里 AI 学会了读标书。这一篇，让它认识我们。
三、我们的家底，到底有什么
盘点下来，能喂给 AI 的家底有四类：
合同业绩库。 1000 多条历史合同，逐条录进系统——客户、金额、服务内容、签约时间、服务类型，一条条码得清清楚楚。以前这些是档案柜里的纸和每个人电脑里的扫描件，要用的时候全凭「我记得好像有这单」。
客户层级标注。 500 多条客户分级记录，把每家客户标成党政机关、国企还是民企，精确到是区县级、地市级还是省级。为什么较这个真？开头那个评分项就是答案——「地市级及以上党政机关」是硬门槛，把区属机关算成地市级，报上去就是废标风险。
团队人才标签。 100 多位核心人员，每人打了角色、擅长方向、代表项目的标签。AI 写标书的团队章节时，自动匹配最合适的人，不用再翻花名册。
中标情报库。 1000 多条行业公开中标数据，哪类项目往年谁中的、什么行情，投标前先摸个底。
▲ 知识库里的合同列表页：1000+ 条在用合同，可按客户、行业、服务类型搜索（真实页面截图，客户、金额与分类数量已做模糊处理）
到这里，听起来就是个「把数据录进系统」的故事。要是这么顺利，这篇就写完了。
难的在后面。
四、大单为什么搜不出来
知识库用起来没多久，我们就撞上一件怪事。
有个新标要投，评分项要房地产类的宣传业绩。我们库里明明躺着三四百万一单的大合同，同行业、同类型、金额还大——搜索就是不带它出来。
第一反应是关键词没对上，搜不出来很正常。真去查了，不是——大单一直有得分，还不算低，差的是挤不进搜索结果的前 20 名，而系统只认前 20。
再往下挖，找到真正的窟窿：行业分没算上。合同里写的「产业园」「公寓」「地块」「置业」，在系统认行业的词典里，没有一家被当成「房地产」。分就差在这一块。
这个发现让我们后背发凉的地方在于：搜索系统不会告诉你它漏了什么，它只是安静地给你一个不够好的答案。 要不是这次人工对账翻出来，我们会一直以为前三页就是全部家底。
修的过程也有教训。补行业词的时候，我们顺手想把「代运营」「视频制作」也补进去——毕竟也是业务。真拿数据一测，不行：这两个词太泛，补进去以后，搜「运营」类项目的时候它们会来蹭分，反而把真正该出来的业绩挤出去。数据补齐这件事，不是越多越好。 最后只补了媒体传播、活动策划、广告投放这几类标准词。
改完怎么确认真的修好了？我们给自己出了一套「标准答案」：把十几个真实标书场景、人工逐条核对出来的正确结果存下来，每次改搜索逻辑，就重新考一遍，看答案变没变。这次的改动，56 个评分项里只有 4 个结果变了，而且全在修复方向上。
那几单大合同，现在一查就在。
五、数据里的暗面：AI 给候选，人拍板
知识库要「一直长」，就得有新数据进来。我们搭了一条自动进货的路：系统每月从外部把新合同自动抓回来，进库之前，先排着队等人过目。
然后，在把历史数据翻出来清理的几轮里，我们见识了数据能脏到什么程度。
真重复。 同一份合同，库里躺了两份。得逐条看，裁决禁用哪份。
假重复。 两条编号长得几乎一样的合同，系统判定是重复，建议合并。人工一对，发现客户根本是两家——编号相近纯属巧合。要真自动合并了，一份真业绩就没了。
未来日期。 一条合同的签约日期在几个月以后。合同还能穿越？追到源头，是录入时把文件名看错了。
最悬的是最后一种，我管它叫「假修复」。
系统批量给出了 47 条「自动修复建议」，看着都挺有道理——这条客户名写全称了、那条金额单位错了，改吧。我们没敢直接改，先抽样核对。抽了 8 条，8 条全是误判。误判的重灾区很典型：同一家客户、同样的金额，其实是不同年度的年签合同——系统以为是同一条录重了，要是照它的建议「修」了，就是把好数据改成错数据，还一分不差地对着改。
47 条建议，最后一条都没执行，全部存档否决。
▲ 系统只负责「找出可疑的」，改不改、怎么改，人说了算
这一轮下来，库里 1000 多条合同，前后裁决禁用的记录近百条。过程磨人，但值。因为投标这件事容不得错数据——你引用一单业绩去应标，它要是重复的、错的、穿越的，砸的是自己的招牌。
六、建好了，还得会用
家底盘好了，最后一步是让它出现在该出现的地方。
设计上我们咬死一条：不靠用户想起来去查，而是系统在正确的位置自动带上。
三个环节：
- 写分析报告时，AI 自动找出和当前标书评分项最相关的历史业绩，连着客户层级一起附在参考里；
- 对话问答时，问到业绩，答案里直接把客户层级标在旁边；
- 调取项目合同时，自动附上层级和核对信息。
▲ 在追问面板直接问「地市级党政机关业绩有几单」：答案给清单、带层级标注，还会提醒哪些县区级业绩容易被误算成地市级（真实对话截图，客户与活动名已脱敏）
▲ 家底不是躺在库里等人查，而是在三个工作环节自动到位
背后的分工也想明白了：数据的准，归程序，客户层级是程序算的、重复是程序挑出来的、人工核过的数据单独放一层；理解和表达，归 AI，它来读条款、来组织语言。谁擅长的活给谁干，别让 AI 干算数的活，它算数会错得理直气壮。
七、值多少钱
系统跑了一段时间，说说变化。
以前投标前收集业绩材料，是「翻电脑、翻档案柜、问老同事」三件套，凑齐一轮业绩证明，半天起步，还不敢保证没漏。现在按评分项搜索，几分钟出清单，每条带客户层级，可核对。
以前敢不敢引用一单业绩，靠经办人的记忆和胆量。现在每条数据都是三道关进来的：系统自动抓回来、长得像的挑出来对质、最后人拍板。引用的时候心里有底。
最实在的一条：公司最值钱的家底，从「在几个老员工脑子里」变成了「在系统里」。 老经理还是宝，但他调休的时候，新来的同事也能一键调出该有的东西。
回头想想，建知识库的技术门槛其实越来越低，难的是后面那套让它保持准确的机制：持续进货、重复要裁、人工把关、定期拿标准答案重新考一遍。这套东西没有现成的可买，只能自己一步步磨。
更懂你的 AI，不是买来的，是养出来的。
写到这里，回头看看开头那个问题——「地市级党政机关业绩有几单」。
如果你的公司也被这类问题卡过，不妨先别急着想 AI，先问自己三个问题：我们历年的合同都在哪？客户是机关还是企业，分得清吗？哪天老经理休假了，新来的人接得上吗？
要是心里没底，说明家底该盘了。不一定非得建系统，从一张表格开始也行，先把合同一条条录清楚。这件事早开始早受益，跟用什么工具关系不大。
如果你也在做类似的事，或者对文中哪一步的做法有疑问，欢迎聊聊。我们踩过的坑都记着呢。
