业务规则的结构化:用知识工程的方法论做文档核查应用

这两年里，很多企业都做过一轮 AI + 知识库、数据治理类的项目。一个共识慢慢清晰：数据质量，往往决定了 AI 是停在 demo，还是真能帮业务提效。

但过往大家最先解决的，多是事实类数据的质量管理，而下一步用 AI 为业务带来更多价值的实践，正在从”事实”走向”流程”：把散落在法规、行业标准、内部 SOP、乃至专家脑子里的业务规则，也变成有内容、有结构、能被管理和迭代的东西。这一步，可以叫规则的结构化，本质上是对一类业务知识的建模。

其中最典型的落点之一，是 AI 文档核查应用。

在企业内的合规、风控、内控、质控、审批、制度审查等场景里，核查工作有个共同点：重人力、重流程、也重复。通常要审的是一类反复出现的同构文档，背后有一套写得下来的规则依据，但做法却还是靠人逐条去对，效率不高、依赖专家、也容易漏。

在我们过往的很多 AI 核查实践中，更花功夫的，是背后这套规则怎么建、怎么落——如何把企业和专家的知识，建模成机器可理解、可执行的规则。

为什么需要规则：裸跑 vs 带规则体系

做 AI 文档核查应用，常见两种方式。一种是”裸跑”——把文档和要求整个交给大模型或某个 agent，让它自己通读、自己挑问题；在个人使用的场景里，这不失为一种办法。

但”裸跑”放到 AI 实际生产中，一些情况会慢慢显出来：它不太说得清自己查了哪些、漏了哪些；规则一多，就容易读到后面忘前面；每次结果还不稳定，只给结论、给不出证据链，没法复核，也沉淀不成能重复用的资产，这一遍跑完，攒不下什么能重复用的东西，下次换份文档，几乎又得从头来。

企业更需要的，是一个工程化、可重复给多人和业务使用、稳定、能追溯、可复核的文档核查系统。这样的系统，更依赖按一套固定流程逐条执行的确定性；让一个聪明的智能体自由发挥，反倒不容易稳。

于是另一种更合适的做法是：先把核查标准是什么理成一条条明确的规则，再据此构建一套 AI 核查系统。核查系统好不好的分水岭之一，不在模型聪不聪明，而在背后那套规则。

AI 核查系统更需要什么样的规则？

好规则至少要做到下面几件事：

我们把专家知识和审核规则，建模成技能化的规则：一条规则就是一个独立、可执行、可溯源、可复用的单元，像一块规则芯片。

以资管信披核查应用中的一条脱敏规则为例，它要审的是：公募产品的信息披露，原则上应当采取公开披露方式。同一条规则，在核查系统里其实有三种形态，从一句法规，一步步变成机器能读、能跑的东西。最初，它只是法规里的一句原文：

我们先把这句话，拆成一条机器读得懂的结构化规则，写清它的来源、条款原文、适用范围、判断逻辑和相关术语。

最终，把它打包成一个能被调用、能运行的规则单元：自带判定说明、可执行检查、来源与样本；其中能用代码执行的用代码，需要判断的才交给模型。

对比一句笼统的”这里可能有问题”，这样一条规则有来源、有原文、有能被检验的判断、也回得到原处，这才谈得上一条能被 AI 核查系统稳定执行的规则。

把造规则本身，做成一套知识建模的工序

在一套完整的核查系统背后，需要的是一座能执行、能溯源、能复用的规则库。这座规则库并非凭空写出来的，它来自核查场景里本就存在的依据：监管法规、行业标准、企业自己的审核 SOP、检查清单等规则文档。

但难点在于：怎么把这些又长又杂、还常常互相交叉的文档，批量、又准确地，变成一条条像前面那样、贴合这个场景和这套系统要核查的规则，最后攒成一座规则库。

这件事背后，也是我们做了很多年的知识工程——我们把造规则库本身，也做成了一套有工序的流水线。

我们做了一次中立横评：拿同一份资管监管 AI 核查系统构建任务，把我们的做法和几种当下主流的通用做法，放在同一批材料、同一份需求、同一套依据来源下，对比谁能把核查做得更全、更准、更可复核。

几个关键角度看，带规则体系的优势很清楚：

覆盖更全——把法规拆成 500 多条可执行规则、覆盖每一部、每条可溯源回原文；通用做法要么只切块、没拆成规则，要么遗漏大半法规。

报得更准——精确率最高、对干净文档零误报；部分通用做法报出大量条目与数十处误报，刷屏并不等于有用。

关键问题命中——各方大体相当；我们并非以多报取胜，而是在同等命中下把误报降到最低、每条结论可复核。

越覆盖越准——规则覆盖深的条线（如银行理财、信托）精确率极高、零误报；规则尚未覆盖的条线，宁可不下结论，也不做无依据判断。

落地更完整——原文定位、跨文档核查、复核工作台等”可交付”功能基本齐备，通用做法多有缺失。

带规则体系的实践，靠的是知识工程：把判断的来源沉淀成一套可执行、可溯源的规则，让核查又快又省，也足够可靠、每条都能复核。

好规则，让 AI 核查系统更好用，也更经济

回看我们的多年实践，AI 核查系统的很多关键功能，都离不开高质量的规则库：

更高质量的规则，让AI核查应用在构建和运行时都更经济。

规则库一旦立好，之后的核查大多能交给系统自动、批量地跑：能用代码判定的直接跑代码，只有真正需要判断的那一小部分才交给模型。

也正因为留给模型的活儿已被规则切得又小又明确，这一步往往用不上最强的大模型，换成更小、更便宜的模型也能稳定完成核查。在对算力成本或数据合规有要求的场景，它可以跑在本地部署的小模型上

用知识工程的方法论，构建更好的 AI 文档核查应用

在每一个具体的文档核查应用背后，我们一直在实践同一套方法——知识工程：把一个领域里的审核标准和专家经验，建模成机器能执行、能溯源、也能复用的规则。

规则这块打磨好了，上层的核查系统才谈得上全、准、稳。

这套把审核标准变成规则的知识工程，并不太挑业务场景。如果你手上也有一类需要反复核对的文档、一套能说清楚的依据（法规、行业标准或内部 SOP），以及对应的核查业务需求，想把人工替换为 AI 驱动的核查系统，欢迎和我们一起聊聊。

后面在 AI 文档核查方向上，我们会挑几个真实场景：公募资管、资管新规、各类合同审查等，分别和大家分享由这套工程方法构建的具体核查系统。

如果你想加入 AI 文档核查应用的实践交流，请点击【文因互联 → 底部栏 → 社群交流】。