演示时最省事的做法,是让一个大模型从读文件到给结论一次做完:上传一份材料,它直接告诉你“合规/不合规”。
上线时问题全在细节里——客户复核时要问“依据哪一条”,出了争议要能回溯,制度更新时要能改规则。这三件事,纯大模型方案往往答不上来。

一、三个症状:为什么“聪明”不等于“能用”

  1. 不可复现:同一份文件跑两次,结论可能不同;同一批材料换台机器、换个时间,结果又变。需要签字的东西不能这样。
  2. 说不出依据:它给出“不符合”,但说不清命中了哪一条、依据在哪一页。复核的人无法逐条核对,客户不敢签收。
  3. 改不动规则:制度更新一条口径,往往要重新写提示词、重新调参、重新回归,业务方自己改不了。
这不是模型能力问题,是架构问题。 把“读文件、做判断、写材料”三件事塞进一个黑盒,每一件都无法单独验收;拆开之后,每一层都能说清信到什么程度。

二、拆三层:读得懂 / 判得准 / 干得完

层由谁做容错要求
读得懂模型 / 解析器(含 OCR)可以复核,但必须说得出出处:每处抽取带原文位置,人工在原地确认
判得准确定性规则引擎不允许不确定:同一输入必然同一结果,改规则不改代码
干得完模板 / 生成 + 流程引擎允许批量产出,但要能人工终审与留痕

这样拆的现实好处:读得准不准,拿 50 份文件对一遍就知道;判得对不对,拿规则清单核一遍就知道;写得好不好,看终审改了几处就知道。每一层都能单独验收、单独改进。

三、规则库长什么样

判定规则不写进代码,而是外置成 JSON / YAML 文件。每条规则至少包含:编号、出处(制度/规程/合同/外部要求)、阈值、触发示例、后果分级、适用版本。

{
  "id": "MED-LIC-003",
  "title": "经营许可证经营范围需覆盖所经营器械类别",
  "source": "医疗器械经营质量管理规范 第X条",
  "condition": "license.scope ⊇ product.category && license.valid_to >= today",
  "on_fail": "阻断开单;提示补充许可证或调整经营范围",
  "severity": "high",
  "version": "2026-11"
}

规则库外置带来三个直接好处:业务方自己改得动;规则有版本、可回滚;同一条规则在所有案卷上口径一致——不会因为换了个审核员就换了个判法。

四、证据链:每个结论都要能回溯

一条能被签字采纳的结论,至少带六样东西:

  • 来源文件(哪一个文件);
  • 原文位置(页码 / 单元格 / 段落);
  • 命中的规则编号;
  • 规则版本(当时生效的那一版);
  • 时间;
  • 责任人(谁复核、谁签认)。

这六样齐全,复核的人 30 秒能翻到原文;缺任何一样,结论就只能当“提示”,不能当“判定”。在系统里,AI 产物与签认记录会用哈希链串起来,防止事后被改动。

五、什么该给模型、什么不该给

适合交给模型不该交给模型
版面理解、字段抽取、盖章/签字识别、跨页合并、行文生成、内容改写判定合规与否、认证决定、金额与费率的最终认定、签批
把规则结论写成专业文书、提规则没覆盖的风险点(标注待人工判断)改动规则算出的数值;替代责任人签字

一句话:模型负责“读”和“写”,规则负责“判”,人负责“签”。这不是保守,是把责任放回到能承担它的位置。

六、验收三条:写进合同才算数

  1. 规则覆盖:判据清单里标为“可自动判”的条目,系统必须全部能判,且每条能给出证据位置;
  2. 结果一致:同一份文件重复跑三次结论完全相同;换一台机器结果也一样;
  3. 可维护:客户按文档改一条规则、不改代码,30 分钟内生效并可见效果。

这三条之所以能写成硬标准,是因为判定不依赖模型的主观输出:模型只负责把版面内容抽成字段,判定由规则引擎按固定条文执行。

七、常见问题

大模型和规则引擎怎么分工?

模型读和写:读成字段、写成人能读的行文并给原文定位;判定交给规则引擎,同一输入同一结果。

为什么判定不能用大模型?

不可复现、说不清依据、改不动规则;需要签字的场景过不了验收。

规则库长什么样?

外置 JSON/YAML,每条有编号、出处、阈值、触发示例、后果分级与版本;改规则不改代码。

怎么验收?

规则覆盖、结果一致、可维护,三条写进合同;任一条不达标返工不计费。

本文为我方工程实践口径,不构成对任何技术路线的优劣判断;具体选型应结合业务场景与合规要求。 延伸:工程约定 · 解元 AI 企业全流程管理系统 · 证枢 CertHub。