你不需要昇腾服务器，不需要百万预算，不需要IT团队。你需要的是一张对的路线图——和避开作者已经踩过的5个坑。
一、起点：2025年6月的状态
| 维度 | 当时的状态 |
|---|---|
| 年采购额 | 约 2.3 亿元（工程 + 服务 + 物资） |
| 年招标次数 | 约 40 次公开招标 + 60 次比选/询价 |
| 团队 | 采购经理 3 人 + 采购专员 2 人 |
| 技术工具 | Excel + Word + 企业微信 + 纸质签字审批 |
| 最大的痛 | 一份招标文件从需求确认到发出平均 3 天，每年 100 个包 = 300 天/人 |
出发点是痛，不是技术信仰。我当时的想法很简单：有没有什么东西能帮我把 3 天缩到 1 小时？
二、三阶段路线图
第一阶段：提示词自救期（第 1-4 个月）
做了什么：
开始用通用大模型（ChatGPT + Claude + Kimi）辅助日常工作，写了第一批提示词模板：
- 招标文件初稿生成：输入项目名称、预算、技术需求要点 → 输出招标文件框架，含投标人须知、技术规格书、合同草案
- 经济标对比表：粘贴各家报价清单 → 统一格式 → 生成横向对比表 + 异常偏离标记
- 评标报告初稿：输入各家得分明细 → 生成结构化评标报告
效果：
- 招标文件编制时间：3 天 → 2 小时（缩短 93%）
- 经济标对比时间：4 小时 → 30 分钟
- 评标报告撰写时间：2 小时 → 15 分钟
踩过的坑：
| 坑 | 表现 | 解法 |
|---|---|---|
| 幻觉 | AI 编造了不存在的法规条款编号 | 关闭所有大模型的联网搜索，所有法规条款手动录入 |
| 泄露 | 一次不小心把真实供应商报价粘贴进了公共对话 | 敏感数据一律用”供应商A/B/C”替代，数字乘以随机系数后再输入 |
| 退化 | 同一段提示词用了一个月后，输出质量明显下降 | 每周更新一次提示词中的”要求”和”示例”，保持 AI 的新鲜感 |
第二阶段：流程打通期（第 5-8 个月）
做了什么：
不再满足于”用 AI 代替打字”，开始思考”用 AI 重构流程”。
- 评标合规检查自动化：把 48 项合规自检清单喂给 AI，每次开标前自动跑一轮——比人工逐项核对快 5 倍且不会漏项
- 供应商画像：接入天眼查/企查查 API（付费版），对 200+ 家活跃供应商做了一次全量扫描，按 QCDS 四维度打分，产出第一版供应商分级名单
- 围串标信号普查：对过去 2 年 80 次招标的投标文件进行 AI 特征比对（报价规律、文档元数据、IP 地址、人员交叉），发现 3 起未被人工识别的高度疑似围串标案例
效果：
- 供应商分级从”拍脑袋”变成”有数据”，采购部第一次有了可以给管理层看的供应商分布图
- 围串标信号普查发现的 3 起案例中，1 起已经完成了内部调查并中止合作
踩过的坑：
| 坑 | 表现 | 解法 |
|---|---|---|
| 数据债务 | 200 家供应商的基础信息里，30% 的联系人/电话已失效 | 先做数据清洗再做 AI 分析，否则 Garbage in, garbage out |
| 接口断裂 | 企查查 API 返回的 JSON 和自建 Excel 无法自动对接 | 先找一个懂技术的朋友帮忙写了个 Python 脚本做中间层（500 块钱请了顿饭），后来发现用 AI 自己也能写 |
第三阶段：智能体搭建期（第 9-12 个月）
做了什么：
基于前两个阶段的积累，搭建了一个轻量级的采购智能体。
技术栈（极简版）：
- 前端：企业微信群机器人（不需要开发 App，采购部的人都在微信上）
- 后端：扣子（Coze）平台搭建的 Bot，对接了内部知识库 + 提示词工作流
- 知识库：法规原文库（30+ 部核心法规全文）+ 历史招标文件模板库 + 供应商画像数据库
智能体能做什么：
- 在群里 @它，问”87 号令第 60 条全文是什么”→ 返回原文 + 一句话解读
- 输入”生成一个商业综合体空调设备采购的招标文件”→ 返回完整初稿
- 输入供应商名称 → 返回该供应商的画像卡片（QCDS 四维度评分 + 近 3 年合同履约情况 + 风险标记）
效果：
- 采购经理的法规查阅时间从”翻 30 部法规”变成”@机器人问一句”
- 常规招标文件（空调设备、电梯维保、保洁服务等高频类型）实现了”输入需求 → 输出初稿”的半自动化
踩过的坑：
| 坑 | 表现 | 解法 |
|---|---|---|
| 高期待 | 管理层听说”采购 AI 上线了”，以为能砍掉 2 个人 | 从一开始就明确定位：智能体是”超级助理”不是”替代品”，目标是提效不是裁员 |
| 数据安全 | 企业微信群里跑着供应商报价数据，信息安全部门来问”数据存哪了” | 所有敏感数据不出知识库，对话记录定期清理，不使用公共大模型做供应商数据推理 |
三、12 个月的关键数字
| 指标 | 起点（2025.6） | 12个月后（2026.6） | 变化 |
|---|---|---|---|
| 招标文件编制时间 | 3 天 | 2 小时 | -93% |
| 经济标对比时间 | 4 小时 | 30 分钟 | -87% |
| 评标报告撰写 | 2 小时 | 15 分钟 | -87% |
| 供应商基础信息准确率 | 70% | 95% | +25pp |
| 围串标疑似案例自查 | 0 次 | 全覆盖（2年数据） | — |
| IT 投入总额 | 0 | ~8,000 元（API 费用 + 扣子平台费） | — |
四、给同行的 5 条实操建议
1. 不要等”完美方案”
我在第一阶段的收获（3天→2小时）靠的就是 ChatGPT 加几个提示词。没有预算、没有 IT、没有系统。先动起来，再迭代。
2. 阶段一的最大敌人不是技术，是”数据脱敏”
AI 能用了，但你把真实报价、真实供应商名字丢进去的那一刻，就已经在冒数据泄露的风险。养成数据脱敏的肌肉记忆比学会写提示词更重要。
3. 不要在供应商数据清洗上偷懒
供应商的分级、画像、风险预警，精度上限取决于基础数据的质量。数据脏的脏活必须一次性做完。Garbage in, garbage out 在采购 AI 里的代价是真金白银。
4. 智能体的定位从一开始就说清楚：辅助，不替代
对内：这是工具，帮你们省掉重复劳动。对外（管理层）：这是效率工具，不是裁员工具。如果一开始不说清楚，后面全是政治问题。
5. 从高频重复的场景切入，别一上来就做最难的
我第一阶段选了”招标文件编制”，因为这个场景每天都在发生、痛点最痛、风险最低（生成初稿后人工审核即可）。不要一上来就挑战”全自动评标”——那需要法规、制度、技术、审计四个层面同时就绪。
五、下一步：从”增效”到”增值”
12 个月把效率提上去了。下一步要回答的问题是：省下来的时间，用来做什么？
我的答案：省下来的时间用来做两件 AI 暂时还做不好的事——供应商现场考察和需求方沟通。前者需要人到现场看、闻、问，后者需要理解业务方没说出口的真实需求。这两件事是采购人的护城河。
📋 本文为作者基于自身采购部门 12 个月 AI 落地实践的真实记录。人员规模、采购金额等数据已做模糊处理。文中提到的工具和方法不构成商业推荐。