我的工作涉及政府资助项目的监管，日常最头疼的事是：项目单位咨询项目开展过程中遇到的问题，经常需要查找核对确认相关政策文件，以确保回复无误，而且实际问题各种各样，有些并不能直接从政策文件中找到答案，和同事讨论发现也会存在理解不一致的问题。因此借助 TRAE SOLO，我搭建了一套基于 RAG + 大模型的政策咨询系统，并采用双源知识库策略——同时管理"规章制度"和"典型案例"两类知识库，既保证了政策合规，又沉淀了宝贵的实践经验，针对不能直接从政策文件中找到答案的问题，也通过AI基于原文件的解读提供了合理化分析建议。系统已在内部局域网部署运行，项目开展过程中遇到的问题输入后，直接返回相关条款或分析建议、参考案例等，响应时间从原来的几十分钟缩短到数秒内。
背景
我的工作涉及政府资助项目的日常监管，项目类型很多，如战略性新兴产业、河套合作区等多类型项目，每类项目都有独立的政策文件体系。
工作中经常遇到三个问题：
一是政策易混。 不同项目类型的政策条款大量相似，但关键细节不同，靠人工比对极易出错——例如同样是"重大变更"，战略性新兴产业项目和河套合作区项目的认定标准就有差异。
二是口径不统一。 不同同事对同一政策条款的理解存在偏差，对外答复口径不一，例如"增值税扣除"的范围，是仅财政资助资金需扣除，还是自筹资金也需同步扣除？口径不一直接影响监管单位的权威性和可信度。
三是经验传承难。 老员工的处理经验大多是"隐性知识"，典型案例散落在历史档案里，新人接手后通常需要约年时间才能熟悉，代价很高。
因此，想做一个项目问题处理的“导航仪”，让大家查政策像"搜索引擎+问答"一样，有据可查，有源可溯，做事有指引——而且能把老员工的历史经验也沉淀下来。
实践过程
怎么拆解任务
由于不懂代码和实现方式，在动手之前，我先把我的需求及顾虑和TRAE SOLO进行了讨论，并让他生成了开发指导文件DESIGN_AND_FAQ.md，它解答了我的三个顾虑问题：
问题一：AI 如何兼顾"本地政策知识"与"通用领域知识（法律/财务/专业）"？
我担心的是：有的问题可能除了政策条文外，可能还需要一些通用领域知识（法律/财务/专业）的补充才能更好地回答，建立本地政策知识训后，如何引入这些通用领域知识（法律/财务/专业）？
TRAE 的解法是知识分层融合：
- 本地政策知识（规章制度）建立为向量知识库，AI 回答前必须先检索
- 大模型本身的通用知识作为补充，但 Prompt 中设定"政策优先"原则——如果本地政策有明确规定，以政策为准；政策未涉及的领域，才用通用知识补充并标注"
问题二：如何保证回答的正确性？
这是最让我头疼的问题——AI 万一瞎编怎么办？
TRAE SOLO 的解法是溯源引用 + 诚实性约束：
- 强制引用：要求 AI 每句论断必须标注出处，如
[来源：XX科技项目管理办法 第五条] - 置信度检查：检索相似度不够时，直接提示"未在当前规章中找到明确依据"
- 人工反馈闭环：提供"报错/点踩"功能，用户报错会记录，供人工后台再针对性地修复补充标准问答
问题三：如何保证回答具有可操作性？
光有条款引用还不够，实际操作怎么做？
TRAE SOLO 的解法是** 角色定位 + 结构化指令约束 + 可操作推理**：
- 角色定位：让 AI 当"咨询顾问"而不是"复读机"，明确设定为"专业的政府科技项目咨询助手"
- 结构化分析：对于变更类问题，强制要求从6个维度分析（建设内容影响、绩效指标影响、资金结构合规性、进度影响、合同批复变更、风险与审计关注点），并给出"综合判断"
- 可操作推理：Prompt 中明确要求"如果规章制度没有对特殊情形给出直接条款，请在遵守规章精神和边界的前提下，结合条款目的给出合理、具体、可执行的处理建议，并明确说明哪些属于规章原文规定，哪些属于合理延伸"
除回复这些问题外，它还给出了系统架构、功能清单及实现计划，整个项目分成三块：
- 知识库建设：把各类项目的政策文件、典型案例整理成结构化文档，导入向量数据库
- 查询与问答：用户按项目类型提问，系统检索相关条款，结合大模型生成回答并附上原文依据
- 辅助功能：变更合理性分析、多轮对话、权限管理、会话持久化
经过这轮讨论，项目的技术方案基本成型，接下来就是TRAE SOLO根据实现计划TODO LIST，一步一步完成具体的代码实现了。
核心创新：双源知识库策略
这是系统最核心的设计思路。传统的 RAG 系统只管理政策文件，但我们发现，老员工或存档资料中的典型案例同样宝贵——处理过的实际问题、积累的经验教训，往往比干巴巴的政策条文更接地气。
于是设计了一套双源知识库：
| 知识类型 | 来源 | 定位 | 回答时的处理 |
|---|---|---|---|
| 规章制度 | 政策文件、法规条文 | 硬约束，必须遵守 | 回答时必须引用，标注"依据" |
| 典型案例 | 工作经验沉淀、历史处理记录 | 软参考，供借鉴 | 回答时标注"参考案例"，非强制 |
这样做的好处是：既保证了政策的严肃性（规章制度是红线），又保留了实践的灵活性（典型案例是经验）。
用了 TRAE SOLO 哪些能力
- 整体架构搭建：让 TRAE 先帮我规划技术方案，我描述了需求（多类型项目、政策隔离、防幻觉、双源知识库），TRAE SOLO 给出了 FastAPI + ChromaDB + DeepSeek + LangChain 的组合方案，并解释了每个组件的选择理由
- 代码实现：RAG 检索流程、OCR 识别、双源知识库的 metadata 设计，全部骨架代码由 TRAE 生成，我做验证和问题反馈
- 调试问题：遇到 AI 幻觉问题时，把具体案例描述给 SOLO，它帮我分析根因并给出了三层防御方案（System Prompt 约束 + 后处理验证 + 用户反馈机制）
关键 Prompt / 操作过程
整个需求澄清过程不是单轮请求，而是一来一回的多轮对话：
第一步：抛出初步想法
“我计划搭建一个政府项目咨询平台，主要用来回答项目单位在项目执行过程中遇到的政策咨询问题。请你先给出一个初步的技术方案。”
**第二步：**TRAE SOLO 给出初步方案
TRAE SOLO 和我确认了一些要点后，就返回了一个初步方案，核心思路是用 RAG 技术接入政策文件，让 AI 能回答政策咨询问题，并简单提到了 Python + LangChain 的技术方向。
第三步：提出了一些担忧或问题
看完初步方案后，我意识到还有些关键问题没有明确，于是提出了前面三个具体问题：
问题一：AI 如何兼顾"本地政策知识"与"通用领域知识（法律/财务/专业）"？
担心 AI 回答时会把政策条文和通用知识混在一起，导致答非所问、甚至给出错误建议。问题二：如何保证回答的正确性？
政务咨询容不得 AI 瞎编，万一 AI 生成了不存在的政策条款，后果很严重。问题三：如何保证回答具有可操作性？
光有条款引用还不够，项目单位真正需要的是"下一步该怎么做"的建议。
**第四步：**TRAE SOLO 基于这三个问题，输出了 MVP 设计文档
TRAE SOLO 逐条回应了我的三个问题，并在文档中形成了可执行的最小可用方案——这就是后续编码的直接依据。
这种"先让 AI 出方案 → 我再追问关键问题 → AI 输出 MVP 设计文档"的方式，比一次性把所有需求写清楚更有效，因为有些问题你自己一开始是想不到的。
后续迭代主要是遇到问题再描述具体场景，比如：
“发现 AI 把原始合同中’（一）至（十一）‘编号改成了’3.1 至 3.6’，是什么原因，怎么解决？”
TRAE SOLO 直接帮定位到了 LLM 幻觉融合的根因，并给了 Prompt 约束方案。
踩过的坑
坑1：OCR 识别触发条件判断问题。 对于用户上传的PDF文件的识别，最初用文件大小判断是否需要 OCR，发现有些扫描件文件体积并不大，后来改成先提取文本，文本字符数 < 50 时才触发 OCR，准确率明显提升。这个判断逻辑是和 TRAE SOLO 一起讨论出来的。
坑2：跨项目类型参照需求。 宝安区项目有些条款没有详细规定，实际参照战略性新兴产业的政策执行，最初的隔离检索方案处理不了这种情况。后来在 TRAE SOLO 帮助下设计了"主库优先，参照库补充"的检索策略。
坑3：多轮对话 Token 超出限制。 直接传完整对话历史很快就超 Token 限制，TRAE SOLO 建议改为在 Prompt 中用特殊标记分隔"历史概要"和"当前问题"，解决了这个问题。
成果展示
系统目前已在内部局域网部署使用，主要功能：
按项目类型精准检索政策条款，自然语言提问- 双源知识库（规章制度 / 典型案例）分类返回，标注优先级
- 变更合理性六维度自动分析（建设内容、绩效指标、资金结构、进度、合同影响、风险）
- 三层 AI 防幻觉机制，回答必须附条款原文
- 支持 PDF / Word /图片 文档导入，扫描件自动 OCR
- 多会话管理，历史记录浏览器本地持久化
- 多项目类型隔离，不同类型政策严格不混淆
- 管理员密码登录，区分普通用户与知识库管理权限
技术栈：Python + FastAPI + React + ChromaDB + DeepSeek + LangChain
部署方式：考虑到数据安全和内网使用需求，采用局域网私有化部署方案，确保政策文件等敏感数据不外流。
效果与总结
提效方面： 以前处理一个政策咨询问题，光翻文件就要 10-15 分钟，复杂一点的要半小时，而且容易回答不全面。现在系统直接返回相关条款和建议答复，大部分问题 30 秒以内搞定。更重要的是，新同事也能给出有依据的答复，不需要一直请教老员工。
知识沉淀方面： 通过"典型案例"这个知识源，老员工及历史文件中的经验终于从脑子里、档案里搬到了系统里。新人接手后不只是问老员工，还能直接问系统——系统会告诉他这类问题以前是怎么处理的、依据哪条规定。
TRAE 在这个项目里做了什么： 它不只是个"写代码的工具"。在这个项目里，它更像一个技术顾问——帮我把业务问题转化为技术方案，在我遇到具体问题时给出有针对性的解法，同时也帮我验证一些设计决策的合理性。
可复用的方法：
- 先讨论，再动手：抛想法 → 让 AI 出初步方案 → 提出你的关键疑问 → 让 AI 输出设计文档（仔细确认修改） → 再开始写代码。核心是"和AI一起先想清楚，再动手"，有些问题你自己一开始是想不到的。
- 遇 Bug 先分析后动手：遇到 Bug 时，为避免影响其它已有功能，先让TRAE SOLO只做分析并提供最小修改方案（不改代码），查看是那么回事或者让另一个AI来判断确认后，再让 TRAE SOLO 动手修改，并要求 TREA SOLO 自检确认。
- 分阶段迭代：先让 AI 搭骨架（给出设计方案），提供一个TODO list，分成多个步骤，再逐块完成，逐块确认效果是否达成。如果一开始就让AI 全部做完，对于稍复杂的程序，出问题的概率非常大。
项目代码（已去掉知识库文件，仅提供前后端代码）：luocheng1982/GovProjectConsult-V2。
