接着上篇。上篇讲了”为什么 RAG 救不了经营分析”，这篇我把它落到一个具体的东西上：我们给一家 ToB 企业搭的招投标情报系统。

先别划走，说个销售最懂的痛：不是没线索，是线索来了你不知道哪个真、哪个值钱、哪个跟自己业务半毛钱关系没有。我们这套系统，现在每天凌晨 4 点自己爬招标网，把”跟客户业务画像匹配度超过 80%“的标自动发邮件提醒——而且每一个结论后面，都挂着一条证据链，人审过才进库。这篇讲方法。

一、情报系统，是知识工厂第一个落地的 skill

江天当时给我定位：“情报系统就是一个 skill。”后来我们俩对细节，发现一个 skill 底下其实藏着好几类核心能力。比如其中一类——“新出来的标，跟这家客户的业务关联度有多大”，这本身就是一种思考能力。但不管怎么拆，它解决的是同一件事：把公开的招投标信息，变成客户能用的商机情报。

具体抓三层：

第一层，新招标及时通知。中国招投标网、政府招投标网公开抓取，新的标一出来就推给客户的大客户团队。

第二层，历史招投标分析。哪些中了，哪些被对手（比如宝武、首钢这种大客户的大客户）抢走了——重点分析”为什么丢标”。

第三层，竞争对手近期的人财物变动。对手最近招什么人、调什么结构、有什么风险，全盯。

二、本体对象是地基，三元组是砖

光爬数据没用。我们把”招投标”“发现商机”相关的对象，抽成三元组——主谓宾，比如（竞争对手 A — 近期 — 业务变动）。建了几十个这样的本体对象。

关键点还是上篇说的：这些对象、关系、属性，是人工审核过的，是确定的。不是大模型现编的。

有了这座地基，系统才能干下面这件聪明事。

三、KIQ：让系统自己问出情报

我们做了一个 KIQ（关键情报问题）的入口。人不用写复杂的检索式，就问一句大白话：“我的竞争对手最近有什么业务变动？”

系统会自己干四步：自动关联本体库里这家客户的”竞争对手”对象 → 去实时搜索、抓取公开信息 → 把业务画像、竞争对手画像、实时信息一起交给大模型 → 大模型给出结论，而且结论下面挂着证据：为什么得这个结论、证据链是怎么样的。

人可以对证据进行审核、评级。觉得靠谱，确认一下，这条证据就入本地库。下次再生成类似结论，会优先参考这些被人工确认过的证据。

这一步，是”不胡说八道”的根本。大模型不是在裸奔，它每抛一个结论，都得把理由摊在你面前，你点头它才记。

四、闭环到推送：匹配度 80% 才发声

系统不是给你一个大屏看热闹的。我们设了阈值：当抓到的标，跟客户业务画像的匹配度达到 80% 甚至更高，才自动发邮件。

后续还能接短信、接微信服务号——在微信上直接给客户发通知都行。具体接哪个，看现场实施时客户要什么。

也就是说，从”爬数据”到”出结论”到”推到人”，是一条全自动的链，中间只有”证据审核”这一环需要人点一下头。

五、实施三步法：本体材料从哪来

江天当时逼我把”到客户那怎么落地”说细。我总结成三步，每一步都是在喂本体对象：

第一步，大量采访沟通。跟客户的人聊，这个沟通的过程本身就是本体对象的原始材料。

第二步，要客户的过往文件。会议材料、沟通记录、发的文件、内部的规章制度——凡是跟他要实施的系统密切相关的，全拿来当本体原料。

第三步，人工录入现场材料。比如去招投标现场录了音，转成文字传进去，结合外部信息和他自己已打底的投标报告，一起分析”为什么丢标”。

这三样进库之后，让大模型提取本体、提取关系、人工审。路径一旦跑通，换一家公司，只要按他的业务现场重建本地对象就行——建好的那套不够用，得补。

六、顺手还做了两件事

人才库框架：抓 Boss 直聘、猎聘，看竞争对手最近在招什么岗、岗位要求是什么规模——反过来推他业务往哪个方向走。这块做了，但没账号拿不到 API 数据，就先停在那。

客户咨询对话提取：企业微信群里跟客户聊的内容，以前靠李雪老师手工整理。我们做了个后台客户列表，AI 按五点自动提取——痛点、期望、背景信息、优缺点、QA 文档——直接入库存成页面，不用再手工抄。这块也实现了八九成。

七、两个躲不开的坑

第一，反爬。有些招标站有反爬机制，有些要账号登录。

第二，要钱。企查查的股东、法律、违约风险信息，得客户自己掏钱买 API 接进来。

这两个坑告诉我一件事：能自动化的，是”路径”；不能自动化的，是”每个客户独有的那层关系和那笔买数据的钱”。别指望一套系统打天下。

八、再往前一步：五个子系统

江天当时还画过一张更全的图——情报系统后面，还连着一长串，大概五六个子系统。我们这回只把”情报系统”作为本体对象第一次落地，先把这一块跑通、跑实。后面的那些，得基于”提取本体关系”这套方法，一个一个落地成系统。

但前提永远一样：落地要有三方面的材料——外部能抓取的、内部能提供的大量资料、以及人工录入的现场材料。缺一样，本体就不完整，结论就飘。

九、一个真实查询，是怎么跑完的

拿我们验证时用的例子说一遍。客户的大客户是宝武、首钢这类。系统每天凌晨爬中国招投标网、政府招投标网，做三件事：第一，新的招标信息及时通知；第二，历史的招投标——哪些中了、哪些被对手抢走，分析为什么丢标；第三，竞争对手近期的人财物变动。

当人用 KIQ 问”我的竞争对手最近有什么业务变动”，系统自动关联本体里的”竞争对手”对象，去实时搜、抓公开信息，把客户业务画像、对手画像、实时信息一起喂给大模型，给出结论并挂证据。人审完觉得靠谱，这条证据入本地库，下次同类问题优先参考。

整个链路里，爬数据是机器干的，出结论是机器干的，唯独”证据靠谱不靠谱”这一下，是人点的头。这就是它敢被拿去拍板的原因。

三句话自检

• 我的 AI 系统，出的每个结论后面挂证据了吗？还是只给一句话让我自己信？
• 我的数据，是”爬下来就完事”，还是建成了”对象—关系—属性”的本体？
• 我敢设阈值吗？匹配度不够的，敢不让它出声吗？

情报系统的灵魂不是”爬得多”，是”说得清、推得准、不乱叫”。如果你也想搭一个，别先写爬虫，先把”这条业务链上有哪些对象、它们之间什么关系”写清楚——那是地基，爬数据是上面的楼。