投标季,我把三个 AI 工具串成了一条流水线

开标前最后一周，我盯着桌面上三座大山：商务文件、技术应答、报价测算。往常这时候，团队已经开始进入"战时状态"——资料散落在十几个微信群和邮件里，找一个历史案例要翻半天聊天记录还未必找得到出处；技术应答写到第三页，发现客户那条隐性要求漏看了；方案好不容易写了八千字，被领导打回重来，因为框架方向就不对。

返工永远发生在"文档已经写了八成"的时候，这才是最贵的。

今年这次不一样。我把三个工具串成了一条流水线，从需求拆解到成稿自检，整个人工流程被压缩了一大半，更重要的是——写出来的每一句话，我都知道它从哪来。这篇文章不写工具测评，只复盘一次真实投标里，这套组合到底怎么跑的，以及它真正的边界在哪。

一、我的工作台：通用大脑 + 两个专业源

先说清楚我用了什么。既然是 AI 实践分享，工具名就不藏了——这套工作流能成立，靠的是三个各司其职的工具：

·通用大脑 WorkBuddy：能读本地文件、执行命令、调用知识库、直接生成文档。它本身是通用的，不绑定任何行业——真正让它"懂行"的，是下面这两个知识源。

·专业事实源 WeKnora：公司历年的合同、交付案例、报价情报都沉淀在这里，每条带可追溯的来源。它给大脑喂"我们工作场景里的真实事实"，让产出基于真实业务，而不是泛泛的通用回答。

·经验沉淀层 Obsidian：我把有价值的总结、方法论、复盘记在这里，为后续工作复用沉淀经验与能力。它给大脑（也给我自己）喂"经验"，让后面的活能直接站在前面的肩膀上。

一句话点题：通用大脑本身不专业，是知识库给它的事实、笔记给它的经验，共同让它产出"适合专业工作场景"的东西。三个工具都跑在工作场景里，区别只在角色——大脑管执行，知识库喂事实，笔记喂经验。

这个分工是我踩过坑才定下来的。早期我让大脑"裸奔"，写出来的方案总是泛泛而谈、缺底气；后来把事实源和经验层接上，产出才真正贴着我们的业务。从那以后，正式动手前一定先给大脑喂齐这两样。

二、以一次真实投标为例

下面以某金融机构的"AI 审核项目"为例。这个项目不只是交一沓文件，还包含一轮 POC 能力评测，对素材的真实性和溯源要求极高——这也是上面那套分工在这里特别有用的原因。

步骤1：需求拆解

我把征集文件整包丢给通用大脑，它自动拆成四张清单：资质条件、产品能力、历史案例、报价结构。原本要花半天人工逐条读条款、怕漏项，现在十分钟出结构化表格，我只需核对有没有理解偏差。这一步把"读要求"从体力活变成了"审结果"。

步骤2：知识检索与可信度标注

通用大脑调专业事实源，把匹配的历史合同和交付案例拉出来填充。关键动作在这一步：每条素材都按三级标注——

·A 有据：合同或案例真实存在、关键字段能从库里检索到；

·B 佐证：有间接材料支撑，但非一手；

·C 待核实：来源存疑，绝不写进正式文件。

这一步把"能不能写"和"写了有没有出处"彻底分开。过去最怕的就是为了凑篇幅编一段看似合理的案例，现在机制上堵死了：标 C 的内容，要么补证据，要么留空，不存在"编一个看起来对"的选项。

步骤3：先提纲，后成稿（Plan-Gate）

这是我最想强调的一个动作。正式文档不急着写，先让通用大脑出方案提纲：依据与边界、框架提纲、关键内容思路、数据与存疑项。我确认提纲方向没错，它再生成全文，最后我再自检一遍。

效果很直接：返工从"文档级"降到了"提纲级"。改一页提纲比改八千字省太多了，而且方向错了早发现，不会上演"写完了才发现客户要的是另一回事"。

步骤4：竞品研判

投标离不开对手。我从 WeKnora 调出主要竞品 A、竞品 B 的历史中标模式和报价区间，做威胁评估。结论按"公司画像、产品能力、落地实践、威胁等级"四个维度拆，所有数字标来源等级，推算部分明确标 C 待核实——不把推测当事实写进方案。

步骤5：自检与交付

成稿后过一遍：无出处的不写、推测的标待核实。技术应答里涉及解析能力的部分，我保留了真实的技术颗粒——POC 样本是十余份业务合同样本、覆盖数十个抽取字段；底层采用 MinerU 与 Paddle 双解析引擎，按其本地化部署能力选型。这些细节让方案显得真懂行，但要脱敏的信息（客户真名、合同金额、人月、具体日期）一律模糊成"百万级""数十人月""2026 年中"。

最后，AI 产出"文字 + 扫描页框 + 红色占位"，物理用印、盖章、签字这类动作仍交人工。工具管不了印泥，也不该管。

三、踩过的坑，和 AI 工作流的边界

跑了一段时间，有几条值得记下来：

幻觉必须兜底。来源三级标注不是形式主义，是防 AI 编故事的栅栏。没有出处的内容，宁可空着或标待核实，绝不硬凑一段"看起来很对"的话。一次投标里一句编造的案例，后果不是返工，是丢信任。

人工质检不可替代。AI 出大纲、出素材、出初稿，但关键判断（哪些能写、哪些涉敏、盖章顺序、授权范围）必须由人拍板。流水线提升的是吞吐量和一致性，不是替你负法律责任。

工具不是银弹。真正值钱的不是这三个工具，而是"需求拆解、知识检索、提纲确认、成稿、自检"这条协作流程。换一套工具，这条流程一样能跑；反过来，只堆工具不设计流程，只会得到更快的混乱。

什么场景不适合？也要说清楚：高度依赖实时人际博弈的环节（比如当面谈判、临场答疑），AI 最多做预案，上不了场；涉及强合规签字盖章的动作，必须人工。把 AI 放在它擅长的"信息处理与文档生成"，而不是"决策与承诺"，边界就清楚了。

四、三句话收个尾

1. 通用大脑要产出专业的东西，靠的是事实源喂场景知识、经验层喂沉淀方法——两个源缺一不可。

2. 让 AI 先出提纲再写全文，把返工拦在提纲级。

3. 给 AI 的每句话标来源等级，无出处不写。

顺带一提：这套流水线里那个"专业事实源"——也就是我喂给通用大脑、存合同案例报价的知识库——是怎么搭起来的，我另写了一篇《我用知识库搭了套竞品情报系统》，聊它的工具选型和关键设计，正好和这篇成"上下集"。

这套流水线跑下来，最大的收获不是省了多少小时，而是终于敢说"我写的每一句都有出处"。如果你也在用 AI 做知识密集型的工作——投标、咨询、研究、方案——欢迎留言聊聊你的工具组合和踩过的坑。