https://caozuohua.github.io/tags/%E5%94%AE%E5%89%8D%E7%BB%8F%E7%90%86/Recent content in 售前经理 on CAO ZUOHUAHugozh-cnThu, 27 Aug 2026 00:00:00 +0000https://caozuohua.github.io/posts/2026-08-27-tender-dehydration-agent/Thu, 27 Aug 2026 00:00:00 +0000https://caozuohua.github.io/posts/2026-08-27-tender-dehydration-agent/<h3 id="标书排雷售前经理的减负计划">标书排雷：售前经理的“减负”计划</h3> <p>在售前工作中，标书分析往往是耗时最长且最容易遗漏细节的环节。动辄几百页的招标文件，包含着大量的技术指标、合规要求与潜在的“排雷”点。</p> <p>为了提升售前效率，我计划构建一套基于 <strong>Dify</strong> 的售前经理 AI Skill 工具库。本文将分享该项目的设计理念与技术实现。</p> <h3 id="1-为什么选择-agent-工具库">1. 为什么选择 Agent 工具库？</h3> <p>标书分析的痛点在于“非结构化数据”与“动态标准”。不同行业、不同项目、不同客户的排雷规则完全不同，普通的搜索引擎或通用 LLM 无法处理复杂的规则约束。</p> <p>我们需要的是一套可定制的 Agent 体系：</p> <ul> <li><strong>竞品分析</strong>：自动提取招标文件中的关键需求，对比已有产品优势。</li> <li><strong>标书排雷</strong>：基于规则库，动态识别招标文件中的敏感排他条款。</li> <li><strong>配置报价</strong>：根据需求自动匹配推荐方案。</li> </ul> <h3 id="2-技术架构设计">2. 技术架构设计</h3> <p>整个系统的核心在于**“数据前置处理 + Dify 智能编排”**。</p> <h4 id="第一阶段标书脱水-data-dehydration">第一阶段：标书脱水 (Data Dehydration)</h4> <p>全量投喂 PDF 给 LLM 是极低效的。我设计了一个基于 Python 的前置处理流程：</p> <ul> <li><strong>提取与降维</strong>：使用 <code>pymupdf</code> 提取文本，移除页眉页脚及冗余法律模板。</li> <li><strong>结构化归一</strong>：将分散的表格和条款转化为语义清晰的 Markdown 结构。</li> <li><strong>Token 节约</strong>：只保留关键技术要求与限制条款，剔除 50% 以上无关字符，显著降低 LLM 压力，提升 RAG 检索准确度。</li> </ul> <h4 id="第二阶段基于-dify-的动态排雷">第二阶段：基于 Dify 的动态排雷</h4> <p>Dify 提供了理想的 Workflow 与知识库分组能力：</p> <ul> <li><strong>动态标准配置</strong>：行业标准与规则以参数形式输入。</li> <li><strong>动态 Prompt</strong>：Agent 根据当前“行业 + 场景 + 客户风格”标签，动态加载对应的排雷标准库。</li> </ul> <h3 id="3-未来的扩展社交生态发布">3. 未来的扩展：社交生态发布</h3> <p>商业计划的最后一步是公域传播。利用 Dify 的 API，我们将排雷后的合规知识点，自动摘要并脱敏，分发至小红书或抖音，构建售前经理的专业个人 IP。</p>