AI写标书踩过的那些坑

AI写标书时，为什么不能把“生成完成”当成“标书完成”？

因为AI生成的文字虽然流畅，但可能没有真正响应招标文件的所有要求。例如，招标要求提供近三年同类项目业绩，AI可能只写“公司拥有丰富的同类项目经验”，但缺少具体项目、合同时间、金额、验收材料等证据，评标时无法得分。因此，生成内容不等于完成标书，必须核对证据和响应完整性。

盯标时，为什么不能只依赖关键词推送？应该怎么做？

关键词推送只能解决“去哪里找项目”的问题，但不能判断“这个项目是否值得投”。只给匹配度分数（如87%）无法解释剩余13%的风险。正确做法是让Agent生成参投分析，提取预算、截止时间、资格要求、业绩要求、保证金、交付周期等信息，与企业资质、人员、案例和风险底线逐项比较，符合的附证据，不符合的说明缺口，歧义条款列为答疑问题。最终由人决定是否投标。

为什么不能让一个Agent从读标做到查标？应该怎么分工？

因为读标、写作、检查需要不同的角色和视角。读标要保守，不能漏条件；写作要在要求内展开；检查要怀疑前面的结论。如果放在一个Agent里，它很难发现自己最初理解错的地方。正确做法是拆分为多个Agent：统筹Agent维护进度和响应矩阵；读标Agent提取资格项、评分项等；技术、商务、资质Agent各司其职；检查Agent最后从招标方视角独立检查。但Agent数量不是越多越好，简单项目一个Agent更省事。

响应矩阵在标书写作中有什么作用？

响应矩阵是标书写作的主要中间产物，将招标要求和投标内容对应起来，包括招标要求、原文位置、响应章节、证明材料、负责人和状态。它相当于一张“欠账表”，每个空格都是未回答的问题，每个“待确认”都需要在提交前处理。有了响应矩阵，统筹Agent才能知道哪些任务可并行，哪些需等材料，避免合稿时前后不一致。

标书检查应该拆分为哪些独立工作？为什么不能只做全文润色？

标书检查应拆分为：完整性检查（资格项、评分项等是否有落点）、一致性检查（项目名称、金额等前后一致）、废标风险检查（否决项、签字盖章等）、技术和评分检查（方案是否回应需求）、文档检查（目录、页码等）。如果只做全文润色，容易避重就轻，忽略真正危险的问题。检查结果应按严重程度分类，至少区分“会影响提交或资格”“必须由人确认”“有时间再优化”。

如何让AI标书工具积累企业经验，避免每个项目从头教？

通过将纠正记录下来并转化为可执行的规则。例如，负责人告诉Agent“满足后面必须跟证据和有效期”，技术方案被退回是因为没有逐条回应评分点，这些都应变成下次任务自动执行的规则。在DesireCore中，Agent的规则、示例、技能、记忆和工作流保存到AgentFS，可查看、迁移和版本管理，用户确认后生效，教错了可回滚。这样企业经验得以积累，下次不用重复犯错。

从零开始使用AI辅助标书，建议先做什么？为什么？

建议先做标书检查。找一个已结束、结果明确的历史项目，让Agent完整检查一次，由团队最有经验的人逐条评价，修改规则后重查，直到稳定复现团队检查标准，再验证第二个项目。这样容易建立信任，避免问题藏在看似完整的成稿里。查标稳定后再接入读标、参投分析、响应矩阵和并行写作。

衡量AI标书效果时，应该关注哪些指标？

不应只看生成速度，而应关注资格漏项数量、强制响应覆盖率、关键字段不一致数量、人工复核时间、返工次数和历史经验复用率。这些指标更能反映标书质量和效率提升。