AI投标实测,解析近乎满分,编标书勉强及格

工具链一次交代清楚。

• AI助手平台WorkBuddy，挂载"投标标书编写专家"技能
• 解析脚本技能内置的 tender-toolkit，三个脚本，parse_docs.py 把 docx 和 PDF 转成纯文本，gen_docx.py 把 Markdown 转成 Word，similarity.py 负责查重
• 依赖环境python-docx、PyMuPDF
• 底层大模型负责按框架分析、交叉核对、撰写初稿
• 人负责提供素材、判断、拍板

任务分两段。第一段解析招标文件，输出资格门槛、必答评分项、加分择优项、禁忌条款四张清单；第二段基于解析结果，编制一份完整的投标文件草稿。

这一段，AI的表现超出预期，接近一个熟练的投标助理。

快。招标文件近十万字，人工通读加摘录，一个下午能做完就算高效；AI从解析到输出四张清单，几分钟。

全。人工读招标文件，最容易漏的是表格。前附表里的资质要求、报价限价、否决性条款、人员配备表，全是表格。脚本一次性把正文和表格全部转成结构化文本，一张没漏。

还抓到了三个"人容易漏"的点。

一是暗雷。两份要盖章的附件，《廉政责任承诺书》，还有一份区里的政商交往告知书。内容都不起眼，招标人却把"未提交"直接写进了否决性条款。人工扫读很容易划过，AI按清单逐条比对时标了红。

二是藏在合同里的"准否决"。合同价款预留两成作履约考核费，考核分低于某条线就暂扣；项目要是因故终止，只按已确认的成果打折结算。这些条款不废标，却直接决定盈亏，位置在合同专用条款深处，人工通读很难留意。

三是文档自身的数据矛盾。同一个项目的总投资，前面一个数，后面一个数；计容建筑面积也对不上。AI做前后一致性核对时标记了出来。这类矛盾正好可以写进书面质疑，既专业又留痕。

没有编造。这是我最看重的一点。企业资质、业绩、人员这些事实性内容，没有素材的地方，AI明确标注"待补充（需用户提供）"，没拿看起来合理的模板内容糊上。反幻觉规则在工程级任务上是刚需。

第一次运行还翻了车，也记下来。脚本只吐回了50个字符。排查一圈，原因是Python环境没装解析依赖，报错"缺少python-docx"。换了个装齐依赖的环境才跑通。这类工程环境问题真实存在，用AI工具的人得有点排查耐心，别把工具当黑箱。

解析这一段为什么效果好？我的理解，解析是"压缩"，把十万字招标文件压成四张带风险分级的清单，信息密度上去了，这正是大模型擅长的。专用技能还把"读文档"变成了确定性脚本，模型只负责判断，分工清晰。

同样一套工具，到了写标书环节，体验明显下滑。草稿倒是生成了，一份五部分齐全、三百多段、二十多张表的Word文档，但离"能交的标"有实质差距。差在四个地方。

一，事实性内容全线留空。资质证书、注册师签章页、业绩合同、获奖证书、人员社保，AI一条都填不了，全部标注待补充，最后汇总出一张14项的素材清单。交出来的其实是个毛坯，钢筋水泥全靠人搬。这跟模型能力无关，是设计使然，不能编，就只能空。

二，技术方案只能写到"通用正确"。项目所在区的区域地层框架能写，钻探工艺、取样要求、原位测试能写；针对这个场地的地质预判、孔位布置思路、参数取值倾向，写不了，没有场地资料做锚点。更要命的是，定性评审看的是"优点"。通用模板写得再规整，也出不来让评委眼前一亮的针对性。标书的说服力来自真实业绩和具体判断，这部分替代不了。

三，格式工程差距大。Markdown转Word只是基础排版。正式标书有封面规范、目录页码、字体字号、签章位置；电子招投标还要求拆成商务标、技术标、资信标、资格审查、业绩等多个指定格式文件，在交易平台的编制工具里重新组装。AI交付的是"内容草稿"，离"交付物"还远。

四，一致性靠人核。还有个细节。18人的团队配置，在技术标、资信标、商务标附件里前后出现三次，数字、人员、岗位必须完全一致。AI起草时容易各写各的，定稿前必须人工核对。投标是零容错场景，一处不一致就可能被认定为弄虚作假。

把两段放在一起看，规律很清楚。

• 解析是从厚到薄，AI是主力，人做验收；
• 编标书是从薄到厚，AI搭骨架，人填血肉，担责任。

AI在投标流程里的最佳位置，是解析器、校对员、初稿写手，它当不了投标代理人。真正管用的用法，是让人从翻文件、抄条款、对表格里解放出来，把精力放回只有人能做的事情上，判断、决策，以及在投标函上签字。

能替人熬夜的是AI，能替人担责任的，只有签字的人。

你用AI做过标书吗？体验如何，评论区交流。