从运营到用户：我们怎么用全链路智能搭了一个招标信息聚合平台

这款产品听起来好像比较传统——不是 AIGC。

但我们在研发过程中发现，这种"脏活累活"才是最考验全链路智能化功底的场景：

• 采集
  几十个招标网站，每个网站结构都不一样，反爬机制还各不相同。
• 处理
  原始数据是非结构化 HTML，要从中抽出标题、金额、截止时间、联系人、详情等等。
• 触达
  用户在小程序/订阅消息里看到结果，要快、要准、要不被打扰

这条链路跑通了，我们反而觉得更有价值。

因为这把 AI 落地到真实的业务场景里，让 AI 真正变成生产力工具。

这就是明策小筑（小砼哥）的故事。

我们怎么做的

第一层：数据采集——飞书 + Ego，两套"组合拳"

传统采集流程一般是：写爬虫脚本 → 部署到服务器 → 维护反爬策略 → 监控采集状态。

每个环节都有人工成本。

我们的方案是双轨制：

1：飞书运营智能体

运营人员在飞书对话框里跟智能体说："帮我采集上海地区本周新增的市政类标讯"。

智能体自动解析意图、执行采集、把进度回写到飞书群，并将数据入库。

运营不需要去操作复杂的运营界面，也不需要去搬运数据。

"采集任务"变成自然语言对话，门槛归零。

2：Ego 反爬

招标网站的反爬比普通网站要狠多了——动态指纹、行为分析、验证码、IP 黑名单。

我们之前的爬虫维护成本极高，每两周就要应对一次策略升级。

换成 ego 后：每个采集任务在隔离的 TaskSpace 里跑，复用真实用户的浏览器指纹和登录态，从"对抗反爬"变成"模拟真人"。

维护成本断崖式下降。

这两套组合起来，运营人员既不用去操作后台界面，也不用懂反爬，只需要用自然语言去跟智能体沟通就可以了。

采集效率翻 3 倍，单任务维护时间从 4 小时降到 15 分钟。

第二层：数据处理——AI 接管脏活

采集回来的原始数据是 80% 噪声——HTML 标签、空白字段、过期的标讯、重复的记录。

传统的处理方式是写正则、写规则、写 ETL 脚本。维护一次哭一次。

我们直接上 AI 处理栈：

• 结构化提取
  智能体直接从 HTML 里抽字段——标题、预算、截止时间、联系人、代理机构。准确率 90% 以上，剩下 10% 进人工抽检
• 智能分类
  基于行业标签（建筑、市政、交通、水利、环保）和地区标签自动归类
• 质量校验
  去重、格式校验、完整性检查——脏数据不进入主库
• 语义理解
  标讯内容用向量化入库，支持后续的语义搜索

这一层是 AI 最擅长的地方——结构化数据本来就不该用规则去硬挤。

第三层：用户触达——小程序 + 订阅消息

数据处理完了，要送到用户手里。

我们的选择是微信小程序 + 订阅消息——这是用户最低成本的触达方式。

小程序：标讯列表、智能搜索、详情查看、个人中心。用户进入小程序就能看到自己订阅的标讯，不需要打开 App、不需要查邮件、不需要登录后台。

订阅消息：用户在小程序里设好订阅条件（地区 + 行业 + 关键词），系统每 30 分钟检查一次匹配的新标讯，主动推送到微信。

用户不用每天打开小程序看，新标讯自动到眼前。

这一步的关键洞察：招标信息是时效性极强的情报——错过一个标讯就是错过一个机会。用户不会主动来找你，你必须主动去找用户。订阅消息不是"营销渠道"，是"业务必备"。

技术亮点

AI 语义搜索

集成的搜索系统支持两种模式：

• 快速搜索
  毫秒级响应，适合"找某个具体标段号"这类精确查询
• 深度搜索
  AI 语义理解，支持"找上海周边市政工程的标讯"这种自然语言查询

两种模式都用同一个索引，但走不同通道。快速搜索用倒排索引，深度搜索过向量召回 + 大模型重排。

多租户 + 权限

每个用户是独立租户——独立的数据空间、独立的订阅配置、独立的权限管理。

基于 JWT 做细粒度权限，敏感字段加密存储，传输全程 HTTPS。

这件事看起来基础，做起来其实也一堆坑：用户的订阅要加密、推送要脱敏、操作日志要审计、删除要"软删除"留 30 天……每一个 B 端数据产品的必选项，做起来都是工作量。

ego 反爬

招标网站的反爬最常见三种手段：

1. 行为分析：检测鼠标轨迹、滚动节奏、停留时间 

2. 指纹识别：浏览器 UA、Canvas 指纹、WebGL 指纹 

3. 验证码：尤其是滑块、点选、行为验证

ego 在 TaskSpace 里跑采集任务，天然绕过了大部分行为分析和指纹识别——它本来就在模拟真实用户。

再配合动态 UA 池和 IP 轮换，大部分反爬机制实际上已经不在考虑范围内了。

价值：不是"省人力"，是"开辟新业务"

对于运营团队：效率提升、精准投放、实时监控——这些是"省人力"的部分。

但真正的价值在另一面：以前因为采集成本太高，很多细分领域（县级市政、小众行业、跨地区标讯）根本没人做。

现在采集成本打下来了，可以给运营团队开拓全新的客户群。

AI 的价值从来不是"替代人"，是"让人去做以前做不了的事"。

未来

1. AI 深度分析：基于大模型的标讯智能摘要 + 投标建议 

2. 数据可视化：招标趋势、竞品分析、中标率统计 

3. 协作功能：团队标讯共享、批注、分配任务 

4. API 开放：让企业内部系统（ERP、CRM）能直接调用标讯数据

智心解读

明策小筑不是一个"非常典型的智能体产品"——因为它不是"非大模型不可"的产品。

但它把智能化的红利吃透了：

• 采集层用 ego 模拟真人，把对抗反爬变成"运营动作"
• 处理层用大模型结构化抽取，把 ETL 脚本变成"语义理解"
• 触达层用订阅消息，把"用户找你"变成"你找用户"

我们认为这才是 ToB 智能化的正确打开方式。

不是堆大模型 API，是用 AI 把传统业务链条里的每一步都重做一遍。

做明策小筑也不是为了证明"AI 能做什么"，是为了证明"AI 怎么帮人把生意做大"。

后者才是真正的价值体现。

明策小筑 —— 让招标信息触手可及

覆盖范围：全国

支持行业：市政、交通、水利、建筑、环保