分析过程记录

认证要求「分析过程」证据。本文件记录这次分析实际怎么做的，包括走过的弯路和修正过程。

1. 任务与背景

• 岗位背景：销售，负责福建市场、运营商（移动/电信/联通/广电）行业整体。
• 业务线：网络安全产品、网络安全服务、网络攻防培训、AI 能力开发。
• 要回答的问题：销售资源有限，先投哪个标、先打哪个地市、用什么理由切入？
• 认证标准对应：用 AI 自助完成取数、分析、洞察与可视化，并对结论与口径负责。

分析拆成两条线，交叉使用：

2. 全流程与 AI 的参与方式

一条命令跑通全流程：

python src\run_all.py

核心原则：AI 负责取数和表达，计算和判定一律由代码负责。 因此 AI 不可能编造出 一个"看起来很合理"的结论——它只能解释已经算好的数字。

3. 关键决策与取舍

1. 地市优先级打分口径：把「客户值不值得投入」拆成客户规模（移动电话用户数，0.40）、 客户价值（人均 GDP，0.35）、数字化成熟度（城镇化率，0.25）。选这三个维度是因为它们都有 公开数据可查，可复现、可被质疑。
2. 商机优先级打分口径：预算规模（0.45）+ 地市优先级（0.35）+ 业务线战略权重（0.20）。 业务线权重体现公司战略：AI 能力开发 1.2 > 网络安全服务 1.0 > 网络安全产品 0.9 > 网络攻防培训 0.8 > 其他 0.5。
3. 权重是假设而非数据：权重写在 src/config.py 的 ASSUMPTIONS 里显式登记， 并自动输出到《口径校对记录》C 节，避免"用假设冒充事实"。
4. AI 输出必须可回查：AI 写出来的每个数字都要能在源数据里找到出处，否则标红交人工判断。
5. 真实数据优先：程序优先读 data/raw/tender_notices/；该目录为空时回退到示例公告， 并在报告顶部强制插入醒目警示，防止示例数据被误当作真实结论引用。

4. 过程中真实遇到的问题与修正

这一节是本次分析最有价值的部分——它证明了"口径经过核对"不是一句空话。 下面 11 个问题全部是实际跑出来的，其中 5 个会直接导致错误结论。 前 6 个在示例数据阶段暴露，问题 7 之后的 5 个只有真实数据才能触发—— 示例数据太干净，根本碰不到。

问题 1：正则漏匹配，导致口径校验误报

• 现象：口径校验显示 C2（5G用户合计） 无法校验、C6（地市个数） 异常。
• 根因：确定性正则写得太死——
• 公开文本中「5G 移动电话用户」与「达到」之间换行了，正则里没有允许空白；
• 地市个数在文本里写的是阿拉伯数字 9，正则只匹配中文数字「九」。
• 修正：正则改为允许空白；地市个数同时兼容中文与阿拉伯数字。
• 结果：两项恢复为「通过」。这是正则的错，不是数据的错——如果不查，就会误判数据有问题。

问题 2：AI 输出数字核对存在漏检（严重）

• 现象：第一版校验显示「AI 文本中 31 个数字全部可回查源数据」，看起来完美。
• 根因：用于抓数字的正则用了 \b 词边界，而中文汉字在 Python 正则里也是"词字符"， 于是「得分分别为82.48」这种写法根本匹配不到 \b，大量数字从未被检查—— "全部通过"是漏检造成的假象。
• 修正：改为全量抓取文本中的所有数字，再用显式声明的规则排除序号、年份等叙述性数字， 排除项也全部列出以便审计；判定容差收紧到 0.5%。
• 结果：核对覆盖面从"部分"变成"全部"。
• 教训：一个永远显示"通过"的校验，比没有校验更危险。

问题 3：招标/中标配对失败，导致"竞争对手 0 家"（严重，会直接得出错误结论）

• 现象：控制台输出「项目 5 个，在途商机 5 个，竞争对手 0 家」。 但 8 份公告里有 3 份是中标结果公告，不可能一个对手都没有。
• 根因：读 CSV 时用 fillna("") 把缺失字段填成了空字符串， 后续 projects["winner"].fillna(projects["win_winner"]) 就永远不生效—— 因为空字符串不是缺失值。结果中标公告的信息根本没并进项目表。
• 修正：改为把空字符串统一转成缺失值（replace({"": pd.NA})）再做合并。 同时发现 pandas 3.0 下 .astype(str) 不会把缺失值转成字符串，"长亭" in w 会抛异常， 一并改成先 fillna("") 再转字符串。
• 结果：项目 5 个、在途商机 2 个、竞争对手 3 家，与公告原文一致。
• 教训：如果一个"商机池"里有三分之一的项目其实已经中标了，销售会白跑一趟。 这类错误不会报错，只会安静地给出错误答案，必须靠"结果合不合理"来发现。

问题 4：校验指标本身失真，把"没有可比内容"算成了"不一致"

• 现象：AI 取数复核显示「24 / 32 个字段一致」，看起来有 8 处分歧。
• 根因：那 8 处其实是「双方均未抽到」——招标公告里根本没有中标金额， 正则和 AI 都正确地抽出了"无"，却被统计成了不一致。
• 修正：把结果拆成三态——一致 / 双方均未抽到（无可比对内容）/ 不一致或缺失， 只把最后一类当作真正的问题。
• 结果：24 个一致，8 个双方均未抽到，0 个不一致。
• 教训：校验指标本身也会撒谎。指标难看时要先问"它统计的口径对不对"， 而不是急着去修数据。

问题 5：锚点集合不全 + 值为 0 的锚点被跳过，把合法数字误报为"无依据"

• 现象：招投标 AI 洞察里有 2 个数字回查不到源数据（1950万元、0万元）。
• 根因：
• 1950万元 是 2026Q1 中标金额合计（1130 + 820），0万元 是 Q3 中标金额合计， 都是合法计算结果——只是我建锚点集合时漏掉了「季度中标金额合计」这一项；
• 更隐蔽的是，锚点匹配里写了 if not av: continue，值为 0 的锚点会被直接跳过， 导致 AI 文本里的 0 永远无法命中，必然被误报。
• 修正：补全季度中标项目数/中标金额锚点；把 0 值锚点改为"要求相等才算命中"而不是跳过。
• 结果：2 个数字全部回查成功。
• 教训：误报和漏报是一体两面。上一轮我修的是漏报（问题 2），这一轮就撞上误报。 校准一个校验器，必须同时盯住两个方向。

真实数据接入后新暴露的问题（问题 7 至 11）

前 6 个问题在示例数据阶段就出现了。换成 234 份真实公告后，又撞出一批新问题—— 这批更有说服力：它们靠构造得整齐的示例数据根本碰不到。

问题 7：有中标金额的行，业务类别全部丢失（严重，会直接得出错误结论）

• 现象：按类别统计中标金额时，所有类别都是 0，但竞争格局里明明有 777.55 万元。
• 根因：有 6 行能拿到中标金额，但它们的 category 全是空值——因为项目表按 "招标公告 info + 结果公告 info" 配对后再取类别，而这几个项目只有结果公示、没有招标公告， 描述字段未能回填。
• 修正：让中标信息聚合时一并带上 w_project/w_operator/w_category/w_city/w_tender_no， 再按列 fillna 回填。
• 教训："没有招标公告的项目"不是一个可以忽略的边缘情况——真实采购里结果公示 独立发布很常见，漏掉它就会把整个品类的战绩统计成零。

问题 8：同一项目重复发布公告，预算被高估（会直接得出错误结论）

• 现象：预算合计出现异常大值，与逐条审阅公告的直觉不符。
• 根因：有 4 组重复 key（同一项目重新发布公告）被当成不同项目重复计入， 合计多算 726.77 万元。重复组包括 FJYDZQ-ZM(FZ)-2025-648（362.78 万）、 FJYDZQ-ZM(FZ)-2025-655（265.71 万）、FJYDZQ-ZM(FZ)-2026-064（83.70 万）， 以及龙岩分公司的一条招募项目（14.58 万）。
• 修正：按公告日期排序后 drop_duplicates("key", keep="last")，保留最新一次发布。
• 教训："同一个标被发了两遍"在真实平台上是常态（流标重发、延期重发）， 只按项目名去重不够，必须把"取哪一份"的口径写死。

问题 9：预算金额的含税口径混用，合计值失去意义

• 现象：口径校验报出 3 处「AI 与正则都有值但不一致」。逐条查原文后发现： 原文写的是「235.89 万元（不含税），250.04 万元（含税）」——正则取不含税，AI 取含税， 两者都没"错"，但两套口径混在同一列里做汇总，合计值就不成立了。 进一步抽查发現连 AI 自己也不一致：6 个双报价行里有 1 行取了不含税。
• 根因：提示词只要求"取预算金额"，没有把税别口径写死。
• 修正：提示词改为一律优先取含税，并新增 budget_incl_tax 字段显式记录税别； 新增口径校验 T8 项，把"仍有多少项只含不含税/未标注税别"摆到台面上。
• 结果：重跑后 6 个双报价行 全部取含税（0 行取不含税）；T8 仍标注 15 项不含税、 65 项未标注，因为它们原文就只给了一个数，无法换算，也不应当偷偷换算。
• 教训：“取值口径不一致”不会报错，只会安静地把一个不能加总的数列加总。 这类问题只有把"每个数字的含义"写下来才看得见。

问题 10：实体安全项目把真正的安全商机挤下榜首（会直接得出错误结论）

• 现象：在途商机优先级的前两名是「某机场安全防范服务」（1931.70 万）和 「通信管线迁改及智能化改造工程」（1321.15 万）。
• 根因：抓取关键词是「安全」，会把实体安全项目一并捞进来。它们预算体量大， 按"预算规模 0.45 权重"打分自然排到前面，把真正的网络安全标挤了下去。
• 修正：商机打分前先按 is_cyber 列过滤，只在长亭四条业务线口径内排序； 报告摘要也把「其他」类单列并排除出网络安全口径。
• 结果：榜首变为「泉州分公司南安某单位网络安全信息化建设」（723.66 万）， 前八名全部落在四条业务线内。
• 教训：关键词召回永远会带回噪音，关键是噪音到达打分环节前要被挡住—— 而不是等销售看到榜单才发现榜首不是自己的生意。

问题 11：比对指标把"正则抽不到"误计为"AI 抽错"

• 现象：AI 取数复核最初显示 131 处不一致，看起来 AI 抽取质量很差。
• 根因：真实公告排版远比示例文本复杂（PDF 表格单元格被拆成多行、正文是 HTML 源码）， 正则覆盖面有限。131 处里有 128 处是「AI 抽到、正则没抽到」——是正则能力不足， 不是 AI 编造。不加区分就统计，等于把工具的能力缺陷记在被核查方头上。
• 修正：把"不一致"按方向拆成三类分别统计：仅 AI 抽到 / 仅正则抽到 / 两者冲突。
• 结果：仅正则抽到 = 0（AI 从未漏掉正则能抽到的字段），两者冲突仅 3 处 （即问题 9 的含税口径），其余均为正则能力所限。
• 教训：与问题 4 同类——指标的口径比指标的高低更重要。

问题 12：单个关键词召回不全，漏掉主业标的

• 现象：初版只用一个检索词「福建 安全」（列表 181 条）。
• 根因：站方检索是标题关键词匹配，而等保测评、渗透测试、商用密码评估、AI 大模型 这类长亭主业项目的标题里常常没有「安全」二字，全部漏掉。
• 修正：按四条业务线设 12 个关键词分别检索，按公告 id 取并集。
• 结果：列表并集 181 → 252 条（保留 234 条），补回等保测评、渗透测试、商用密码、 大模型等标的。其中「攻防/演练/红蓝/应急响应/堡垒机/工控/保密」实测 0 命中， 也一并登记，作为「检索已穷尽」的证据。

问题 13：扩词后，通用 AI 平台把市场盘子撑到失真（会直接得出错误结论）

• 现象：加入「人工智能」后，预算合计从 8,188 万跳到 24,306 万， 「AI能力开发」占比 63%，在途商机 Top6 全部是 AI 平台类。
• 根因：某政务 AI 公共服务平台单体 1.17 亿，独占全盘 48%。它是通用 AI 平台建设， 与长亭"用 AI 做安全"是两回事，但按关键词与类别规则都会被算作 AI能力开发。
• 修正：把业务范围写死为「运营商客户采购 × 长亭四条业务线」，并给 AI能力开发 加 安全挂钩判据（项目名含安全类关键词）；实体安全项目一并剔除。
• 结果：剔除 47 个非本案项目（实体安全 39 + 通用 AI 8），得 110 个项目、9,337.89 万元， 最大业务线回到网络安全产品（62.71%）。
• 教训：召回扩大必然带来噪音，而噪音的杀伤力与它的金额成正比。 一个 1.17 亿的错分类项目，足以让整份报告的市场结构结论全部作废。

问题 14：范围过滤插在去重之前，统计到的是"行数"而不是"项目数"

• 现象：加范围过滤后，口径校验 T1 报「118 vs 117」，差 1 个项目。
• 根因：过滤写在了按 key 去重之前，被剔除的统计是行数（含同一项目的重复公告）， 而 T1 的不变式减的应是唯一项目数；另外两条剔除消息都被 T1 累加， 导致同一个项目被减了两次。
• 修正：把范围过滤移到去重之后；两类剔除只让 T1 解析最终那一条。
• 结果：T1 恢复通过（110 = 157 − 47）。
• 教训：与问题 4、11 同源——校验能不能对，取决于两边是不是在同一个口径上说话。

问题 6：AI 会把数字四舍五入，不能简单判为"编造"

• 现象：AI 写出「福州和厦门的人均 GDP 都超过 15 万元」，而源数据是 15.28 / 15.08 万元， 精确匹配回查不到，被标为"需人工复核"。
• 根因：这句话有依据，但是四舍五入后的近似表述。一律判为"无依据"会制造噪音， 让真正的问题被淹没。
• 修正：回查结果分为精确命中（偏差 ≤0.5%）和近似命中（AI 把源数据四舍五入后引用） 两档，近似项单独列出，不算作无依据，但也不与精确值混为一谈。
• 结果：两条线的数字全部可回查，且精确/近似分列，审计时一目了然。

5. 已知局限（须与结论同时引用）

1. 样本仅覆盖中国移动：234 份公告全部来自中国移动采购与招标网，不含电信、联通、广电。 结论只能表述为「福建移动口径」，不能外推为福建全部运营商市场。
2. 中标金额披露率低：110 个项目中仅 15 个披露了中标结果， 竞争格局与金额类结论只能作方向性判断。
3. 检索仍可能漏标：标题不含 12 个关键词中任何一个的主业项目抓不到； 尤其在「等保测评」「渗透」「大模型」等口语化表述下可能漏召回。
4. 宏观线 S2 为估算值：分运营商指标置信度低，不得对外引用。
5. 缺关键字段：未纳入项目联系人、投标窗口期、资质要求等字段， 而这些直接影响"能否参与投标"。
6. AI 分类存在边界不稳定：对「安全设施改造提升」这类模糊项目， 两次独立抽取给出过不同类别，须人工复核，详见 data/dataset_sources.md。
7. 预算含税口径未完全统一：部分项目原文只给不含税金额或未标注税别， 跨项目加总时存在少量不可比性（口径校验 T8 项标注）。
8. 「与长亭业务有关」是人为判定：实体安全与通用 AI 平台项目的剔除基于项目名关键词， 边界项目（如「安全设施改造提升」）建议人工确认。

6. 人机分工原则（可复用）

7. 复现方法

python src\run_all.py

产物见 README.md。所有 AI 调用（提示词、返回原文、耗时）记录在 outputs/ai_logs/ai_calls.jsonl，可逐条追溯。