苏运AI技术分享 2026-10-27：零费本地 RAG + 免费额度搭企业政策问答助手

本地RAG零成本企业政策问答苏运AI技术分享

很多中小企业客户都会问同一个问题：「这条新政策我们公司能不能报？要什么材料？」传统做法是人工扒政府官网、翻文件，费时还容易漏。本文分享苏运AI 落地的一套零边际成本方案：把政策文件做成本地知识库，用检索增强（RAG）让大模型只基于真实文件回答，再叠加免费模型额度做问答，全程不花一分钱。

一、为什么走本地 RAG 而不是让模型“凭记忆答”

大模型对最新地方法规、申报截止日、补贴口径经常记错或编造。RAG 的核心约束是：答案只能从我们喂给它的文档里来。我们把每天 WebSearch 抓到的政策原文（带来源 URL 和发布时间）存成结构化 JSON / Markdown，问答时先检索相关片段，再让模型据此生成——这正好满足“来源+时间必填、绝不臆造”的合规要求。

二、四步落地（全部免费组件）

1. 采集层（已自动化）：每日总调度的政策步骤用 WebSearch 抓取江苏/苏州政策，落库为 policy_links_YYYY-MM-DD.json，每条强制含 source 与 time 字段。

2. 切分 + 向量化（本地 embeddings）：用开源 embedding 模型（如 bge-small 之类本地可跑的小模型）把文档切成 500 字左右的块并向量化，存进轻量向量库（如 chromadb 本地文件）。这一步不需要 GPU，普通笔记本即可。

# 伪代码示意
from chromadb import Client
col = Client().create_collection("policy")
for doc in load_json("policy_links_2026-10-27.json")["items"]:
    col.add(ids=[doc["title"]],
            documents=[doc["summary"]],
            metadatas=[{"source": doc["source"], "time": doc["time"]}])

3. 检索（带元数据回传）：用户提问时，用同一 embedding 模型做语义检索，取 Top-3 相关块，并把 source/time 元数据一起拼进提示词。

4. 生成（免费额度）：调用智谱等平台的免费模型额度生成最终回答，提示词里强制要求“只依据下方材料、并标注出处与时间，材料没有就回答不知道”。

三、关键工程细节（踩过的坑）

· 去重：同一政策多源报道会重复入库，入库前按标题归一化去重，避免检索噪声。

· 时效：每条带 time，回答时优先采用最新日期的片段；过期申报单独标注“已截止”。

· 回读验证：部署到线上后必须 curl 200 且内容与本地产物一致，不能只看 HTTP 码——这正是我们部署铁律要求的“比对远程字节数/MD5”。哈希校验若被服务器转码噪声污染，要按铁律降级为内容标记命中判断，而非反复重传。

合规底线：本方案只做“检索 + 引用”，不替客户做法律/税务结论。回答末尾固定附“以官方原文为准”，未检索到官方原文的项显式声明，绝不编造。

四、能变现的点

这套助手可以直接包装成「政策申报辅导」增值服务：按行业建库（售电、园区信用、智改数转），对客户做“材料清单 + 截止提醒 + 口径核对”。对苏运AI 而言，它既是内容生产的素材源，也能作为 AI 代运营的演示样板，对接苏州工业园区 10-30 截止的信用服务/服务业引导资金申报窗口。

下期预告：把同一套 RAG 接到企业微信，做成“留资即问答”的自动客服——留资闭环的下一步。