从通用Agent到招标合规引擎的工程化实践

1. 项目概述：从通用Agent到招标文件合规引擎的工程化实践

在AI技术快速发展的今天，智能体（Agent）技术已经从实验室走向实际业务场景。然而，当我们真正将通用Agent技术应用于严肃的业务领域——如招标文件合规审查时，会发现一个关键问题：一个能回答问题的模型，并不等同于一个能承担合规责任的系统。

招标合规审查不是简单的问答游戏，而是涉及实质性排他条款识别、废标风险评估、资格条件审查等专业判断的工作。这些判断背后往往关联着法律风险和经济责任。传统基于Prompt的智能体方案在实际工程落地时面临三大核心挑战：

1. 执行边界模糊：模型可以生成文本，但不应该无限制地访问文件系统或执行命令
2. 规则管理困难：业务规则如果只写在Prompt中，难以进行版本控制和审计追踪
3. 流程不可复现：每次审查结果受温度参数、上下文等因素影响，缺乏确定性

本文将以openJiuwen平台为基础，详细解析如何构建一个真正可落地的招标文件合规审查引擎。这套方案的核心创新在于：

• 通过Skills机制将业务能力模块化、工程化
• 通过SysOperation实现受控的系统级操作
• 构建完整的规则引擎和报告生成链路

2. 技术选型：为什么选择openJiuwen作为基座

2.1 传统方案的局限性

在招标合规审查场景中，简单的"LLM+Prompt"组合暴露出明显不足：

2.2 openJiuwen的核心优势

openJiuwen是一个开源的Agent平台，专门为解决上述问题而设计。其核心架构包含两个关键组件：

1. Skills机制：

   • 将业务能力封装为可管理的Markdown文件
   • 支持能力版本控制和团队共享
   • 示例：一个PDF解析Skill包含使用场景、输入输出定义和示例

2. SysOperation：

   • 提供受控的文件系统、代码执行和命令行操作能力
   • 所有操作都有日志留痕
   • 支持本地和沙箱两种执行模式

这种设计使得openJiuwen特别适合需要高可靠性的业务场景，如招标合规审查。

3. 系统设计与实现

3.1 整体架构设计

招标合规审查系统的核心工作流可以分为四个阶段：

1. 文件接入与结构化：解析PDF文件，提取文本和结构信息
2. 规则匹配与审查：应用业务规则进行合规检查
3. 问题分类与评级：根据严重程度对发现问题进行分类
4. 报告生成与归档：生成结构化审查报告

3.2 Skills模块划分

我们将合规审查能力拆分为七个核心Skills模块：

3.3 关键技术实现

3.3.1 文件解析实现

文件解析是后续所有工作的基础。我们采用pdfplumber作为主要解析库，配合Tesseract OCR作为扫描件兜底方案：

def parse_pdf(file_path: str, enable_ocr: bool = False) -> dict: """ 解析PDF文件，返回结构化数据 :param file_path: PDF文件路径 :param enable_ocr: 是否启用OCR :return: 包含页面文本和章节结构的字典 """ result = {"pages": [], "sections": []} with pdfplumber.open(file_path) as pdf: for i, page in enumerate(pdf.pages): page_data = {"page_no": i+1} # 优先尝试文本提取 text = page.extract_text() if not text and enable_ocr: # OCR兜底 img = page.to_image() text = pytesseract.image_to_string(img) page_data["text_source"] = "ocr" else: page_data["text_source"] = "pdf_text" page_data["text"] = text result["pages"].append(page_data) # 章节检测逻辑... return result

3.3.2 规则引擎设计

规则引擎采用YAML定义规则，支持三种匹配方式：

1. 关键词匹配：简单但有效，适合明确的关键条款
2. 正则表达式：灵活性高，可以处理复杂模式
3. 结构化字段匹配：精准定位特定章节

示例规则定义：

rules: - rule_key: BRAND_SPECIFIED_ONLY severity: HIGH category: 技术条款 match_type: regex pattern: "(指定品牌|必须为.*品牌|仅限.*品牌|推荐品牌为)" explanation: "技术要求出现品牌指向性表述" suggestion: "改为性能指标或提供'或同等'机制"

3.3.3 受控执行实现

通过SysOperation实现安全的文件操作：

@sys_op.fs() def read_file(file_path: str) -> str: """ 受控的文件读取操作 :param file_path: 文件路径 :return: 文件内容 """ with open(file_path, 'r', encoding='utf-8') as f: return f.read() @sys_op.code() def run_rules_engine(tender_data: dict, rules: list) -> list: """ 受控的规则引擎执行 :param tender_data: 招标文件数据 :param rules: 规则列表 :return: 问题列表 """ # 规则匹配逻辑... return issues

4. 工程实践与经验分享

4.1 环境配置建议

安装命令：

pip install openjiuwen==0.1.7 pdfplumber==0.* pytesseract==0.3.*

4.2 性能优化技巧

1. 并行处理：对大型招标文件，可将不同章节分配给不同Worker并行处理
2. 缓存机制：对已解析的文件保存中间结果，避免重复解析
3. 增量处理：当文件有更新时，只处理变更部分

4.3 常见问题排查

问题1：PDF解析结果为空

• 检查文件是否是扫描件，考虑启用OCR
• 验证pdfplumber是否能正常打开文件

问题2：规则匹配过多误报

• 调整匹配模式，优先使用结构化字段匹配
• 增加规则上下文约束条件

问题3：执行权限问题

• 检查SysOperation白名单配置
• 验证工作目录权限设置

5. 实际应用效果

在实际招标项目中，该系统展现出三大核心价值：

1. 效率提升：将人工审查时间从4-6小时缩短至30分钟内
2. 风险控制：系统性识别出98%以上的合规风险点
3. 过程可审计：完整的执行日志和中间结果留存

典型审查报告片段：

## 高风险问题(3) 1. [BRAND_SPECIFIED_ONLY] 技术参数中指定品牌"XX设备" - 位置：第三章 技术规范 第15页 - 建议：改为性能指标描述或增加"或同等"条�� 2. [LOCAL_VENDOR_RESTRICTION] 要求投标人必须为本地注册企业 - 位置：第二章 投标人资格 第5页 - 建议：删除地域限制或改为服务响应时间要求

6. 未来演进方向

1. 规则自学习：基于历史审查结果优化规则库
2. 多文档关联分析：结合招标文件、投标文件、合同等建立完整视图
3. 行业知识图谱：构建招标采购领域的专业知识图谱

在实际部署过程中，我们发现最大的挑战不是技术实现，而是如何平衡规则的严格性和灵活性。过于严格的规则会产生大量误报，而过于宽松又会漏掉重要风险点。我们的经验是采用"分级审查"策略：先快速扫描识别高风险点，再对中低风险点进行人工复核。