第 2 篇：合规管理与知识库治理痛点剖析与可落地解决方案

一句话摘要：法规年年改、制度几十份、知识库”直传 PDF”——这是绝大多数国企采购知识管理的真实写照。本篇从”我的做法对吗”这个高频疑问说起，给出知识库治理的六条优化动作和规则数据化方案，让法规更新当天生效、制度执行不再靠人记。

适用对象：采购管理部门、信息化建设部门、知识库/智能体建设方 系列定位：第 2 篇 / 共 7 篇

---

一、概览：痛点 → 根因 → 方案 → 价值

痛点	根因	解决方案	价值
法规更新快，引用易错旧标准	知识未打版本标记、更新靠人	法规库按条款切片 + 生效/废止标记	废止条款不再被检索召回
制度分散在几十份文件	无统一治理、无结构	分库管理（国家/省/企三级）+ 场景路由	检索不再张冠李戴
知识库”直传 PDF”，质量差	自动切片拦腰切断法条	PDF 转结构化 Markdown 再上传	每条是一个完整语义单元
制度执行靠老员工记	知识在人脑、无系统沉淀	规则数据化（通用/品目/项目三层）	制度变成系统能力

---

二、痛点剖析

痛点 1：法规更新快，“过期的知识”比”没有知识”更危险

表现：财政部、各省财政厅会不定期发文调整限额标准、集采目录；《政府采购需求管理办法》（财库〔2021〕22 号）之后还有各类补充通知。人工审核时，老采购员凭记忆引用旧标准——很自信地引用已废止的标准，比不引用还危险。

难点：法规的”时效性”和”废止标记”如果没有被系统管理，AI 检索时会把新旧条款一起召回，等于给模型喂毒药。难点在于：不是”把法规放进去”就完了，而是要让系统知道每条法规”现在还生不生效”。

痛点 2：知识库直传 PDF——“我的做法对吗？”

这是很多单位建设知识库时的高频疑问：把自己部署的 AI 平台上，把《采购管理办法》《政府采购法》《招投标法》等 PDF 直接传进知识库。方向是对的（用知识库做 RAG 比训练模型对），但用法粗糙。

难点在于大多数人没意识到：PDF 直接上传，系统会自动切片，而自动切片是按字数/段落切的，会拦腰切断法条。 一条完整的”第 22 条 不得以不合理条件限制供应商”，被切成两半、分别向量化，检索时召回的可能是半条——这就是 AI 引用错误、审核有误的根源之一。

痛点 3：制度执行靠人记，知识断层

表现：老员工离职，带走了”我们单位内部是这么掌握尺度的”；新员工入职，靠翻文件自学。企业内部制度（如校内采购实施细则、部门审批权限表）与外部法规混在一起，没有分层。

痛点 4：规则写在哪里都不合适

表现：有人把规则写进 AI 提示词，有人写在 Python 代码里——改一次要动代码重新部署，而且每个项目不一样，代码越改越乱。（详见第 3 篇”引擎与数据分离”的完整解法）

---

三、解决方案（可落地执行）

方案一：知识库治理六条优化（全部在现有平台内可做）

以自部署 Dify（或同类平台）为例，不用换平台，六步把知识库从”PDF 堆叠”升级为”结构化治理”：

#	优化动作	具体怎么做	解决什么问题
1	别直接传 PDF	先用工具把 PDF 转成结构化 Markdown/JSON，按”第 X 条”切分后再上传	自动切片拦腰切断法条 → 每条是完整语义单元
2	给切片打元数据	每条标注：发文机关、文号、生效日期、是否废止、适用范围（货物/服务/工程）	检索时过滤已废止条款
3	分库管理	国家法规 / 省/市规定 / 企业内部制度分不同知识库，按场景路由检索	不同位阶法规混检会引用错位
4	换 embedding 模型	设置里换 BGE-m3（或 bge-large-zh），别用默认模型	中文法规场景默认模型召回质量差
5	开混合检索 + rerank	开启”混合检索”（全文 + 向量），配置 rerank 模型	法条编号、限额金额靠全文精确匹配，语义判断靠向量，单靠一路有盲区
6	建评测集	拿历史人工审过的需求书 + 人工结论做 golden set，每次改库/换模型跑一遍回归	保证”错误只减不增”，也是持续优化的底气

关键技术动作详解：

（1）PDF 转结构化——用 Python + pdfplumber/PyMuPDF，按”第 X 条”正则切分，输出成 Markdown：

## 第二十二条 【供应商限制性规定】
> 文号：财库〔2021〕22号 | 生效：2021-11-01 | 状态：现行有效 | 适用范围：货物/服务/工程

采购人不得以不合理的条件对供应商实行差别待遇或者歧视待遇……

（2）检索过滤——向量检索时把”状态=现行有效”作为过滤条件，已废止条款永远不会被召回。

（3）混合检索——为什么必须双路？“第 22 条”这种编号精确匹配，向量检索效果差，要靠全文（BM25）；“变相指定品牌”这种语义判断，靠全文匹配不到，要靠向量。两路召回合并后经 rerank 排序，召回质量才有保障。

方案二：规则数据化——制度从”人脑”到”配置”

法规除了给 AI 检索，更要变成可执行的规则。关键原则：代码只写”怎么检查”，规则内容全是数据，按三个维度维护：

通用规则集（配置一次，全局生效）
  ├─ 采购法/87号令红线关键词："指定""唯一""独家""须为XX品牌"
  └─ 法定禁止项：注册资本门槛、注册地域限制、特定年限业绩

品目规则集（按采购品目维护）
  ├─ 医疗器械 → 经营许可证（合法可要求）
  ├─ 工程施工 → 施工资质等级
  └─ 信息化项目 → 等保测评要求

项目规则集（采购人按项目补充）
  └─ 本项目的特殊敏感词、特殊资质要求

执行时按项目加载”通用 + 品目 + 项目”三套的组合。新项目进来 = 配一套规则集，零改代码。

数据库就三张表：rule_set（规则集定义）、rule_item（规则条目，类型+内容JSON+优先级+启停）、project_rule_bind（项目与规则集的绑定关系）。配一个简单管理界面，业务人员就能维护，不用懂代码。

方案三：法规更新的”订阅-生效”机制

• 建立法规台账：文号、标题、生效日期、废止状态、关联法规
• 新规发布 → 录入台账 → 自动标记被替代的旧条款 → 旧条款转入”仅存档”状态，不再参与检索
• 更新当天生效：因为规则是数据不是代码，改完配置立即生效，不用重新发版

---

四、落地检查清单（✓）

• 已把 PDF 全部转成结构化 Markdown，按”第 X 条”切分
• 每个切片带元数据：文号/生效日期/废止标记/适用范围
• 法规按国家/省/企业分库，配置了场景路由
• embedding 模型已切换为 BGE-m3 或同级别中文模型
• 已开启混合检索 + rerank
• 已建评测集（至少 50 条历史”需求书+人工结论”），跑通回归
• 规则内容已从代码/提示词中抽离，进入配置表
• 法规台账已建立，明确”新规发布→旧条款转存档”的流程负责人

---

五、预期效果与价值

• 废止条款不再被引用：检索层面直接过滤，AI 不会再自信地引用旧标准
• 法规更新当天生效：规则是数据不是代码，改配置即生效，不依赖发版周期
• 制度从人脑进系统：老员工的经验沉淀成配置和案例库，人走了知识不走

下一篇：《第 3 篇 供应商资质与信用管理痛点剖析与可落地解决方案》——“不同项目对供应商的要求不一样，规则写死是不是很难维护？“这是最常被问到的问题，答案是”引擎与数据分离 + 三区模型”。