资质通 · RAG-Tender Assistant

面向招投标场景的本地化 RAG 标书解析与资质匹配助手

我开源了一个面向招投标场景的本地化 RAG 工作流样例：可以解析标书要求、匹配企业资质证据、标记待确认项，并提醒投标红线风险。

快速开始 · 核心功能 · 架构概览 · 使用流程 · 路线图 · 许可证

本仓库为脱敏开源版本，不包含真实标书、真实资质文件、上传文件、数据库、日志、API Key 或运行期 RAG 工作目录。

📑 目录

• 项目背景
• 界面预览
• 核心功能
• 适合参考的方向
• 架构概览
• 技术栈
• 快速开始
• 使用流程
• 脱敏与安全说明
• 测试
• 项目目录
• 路线图
• 引用与交流
• 许可证

项目背景

招投标文件通常篇幅长、格式复杂、要求分散，人工核对容易遇到几个问题：

• 📄 标书要求分散在不同章节，容易漏看关键条款。
• 🔁 企业资质、人员证明、业绩、财务材料之间需要反复比对。
• 🔍 "符合 / 不符合 / 待确认"需要可追溯的证据链，而不是只给一个相似度。
• 🚩 投标保证金、签章、授权书、有效期、报价上限等红线事项需要单独提醒。
• 🗃️ 错例和人工修正如果不能沉淀，系统很难持续改进。

资质通的目标不是替代人工决策，而是把重复阅读、初步归类、证据召回、风险提醒和报告整理自动化，让人工把精力放在最终判断和风险确认上。

界面预览

核心功能

适合参考的方向

这个项目更偏"业务型 RAG 系统样例"，适合参考：

• RAG 如何进入真实业务流程，而不是停留在聊天问答。
• 长文档解析后如何形成结构化业务对象。
• 如何把相似度召回、规则检查、人工确认组合起来。
• 如何为 AI 结果保留证据链和人工纠错入口。
• 如何设计本地化部署的 AI 工具，包括 API Key 加密、本地数据库和前后端分离。

如果你正在做政企文档、招投标、合同审查、资质审核、知识库问答或行业资料核对，本项目中的架构和取舍可能会有参考价值，不是一个聊天机器人，而是一个把 RAG 接进真实业务流程的招投标资质核查样例。

架构概览

flowchart TD
    A["React + MUI 前端"] -->|REST API| B["FastAPI 后端"]
    B --> C[("SQLite")]
    B --> D["本地文件系统"]
    B --> E["RAG 工作目录"]
    C --> F["标书要求 / 资质证据 / 匹配结果 / 错例 / 规则 / 检查报告"]
    D --> F
    E --> F

主要模块：

• frontend/：React + Vite + TypeScript + MUI 前端。
• backend/：FastAPI 后端、SQLite 初始化、业务服务和 API 路由。
• docs/assets/：README 展示资源。
• samples/：脱敏样例，禁止放真实业务资料。

技术栈

快速开始

0. 获取代码

git clone https://github.com/HunterLzap/rag-tender.git
cd rag-tender

1. 准备环境

建议环境：

• Windows 10 / 11
• Python 3.13+
• Node.js 22+
• LibreOffice，并加入系统 PATH

2. 安装后端依赖

cd backend
python -m venv .venv
.\.venv\Scripts\activate
pip install -r requirements.txt

3. 安装前端依赖

cd frontend
npm install

4. 配置 API Key 加密主密钥

本项目不会把 API Key 写入配置文件。API Key 通过前端设置页保存，并使用 RAG_TENDER_SECRET_KEY 加密后写入本地 SQLite。

生成密钥：

backend\.venv\Scripts\python.exe -c "from cryptography.fernet import Fernet; print(Fernet.generate_key().decode())"

将输出结果配置为 Windows 用户或系统环境变量：

RAG_TENDER_SECRET_KEY=你的生成结果

.env.example 仅提供占位示例，不包含真实密钥。

5. 启动项目

方式一：双击或执行：

start.bat

方式二：手动启动：

# 终端 1：后端
cd backend
.\.venv\Scripts\activate
python run.py

# 终端 2：前端
cd frontend
npm run dev

访问：

• 前端：http://localhost:5173
• API 文档：http://127.0.0.1:8000/docs

停止服务：

.\_stop_services.bat

使用流程

1. 打开"设置"，填写 LLM、Embedding、Vision 模型配置。
2. 上传标书，等待解析完成。
3. 在核对页检查并修正结构化要求。
4. 上传企业资质、人员资料、财务资料和业绩文件。
5. 进入"匹配结果"，触发或查看资质匹配。
6. 对待确认项进行人工判断，必要时写入错例库。
7. 在"规则库"查看或维护规则。
8. 导出检查报告，辅助投标前复核。

脱敏与安全说明

⚠️ 提交前请务必确认：以下内容不会被上传到公开仓库。

本开源仓库应保留：

• 源码
• 测试
• 文档
• 配置模板
• 脱敏样例
• 启动脚本
• 图标资源

本开源仓库不应包含：

• .env 或任何真实 API Key
• data/、output/、backend/output/
• SQLite 数据库，如 *.db、*.sqlite
• 上传文件、真实标书、真实资质、真实企业资料
• 日志、缓存、__pycache__
• frontend/node_modules/
• frontend/dist/
• RAG 工作目录，如 rag_workspace/

Get-ChildItem -Recurse -Force -ErrorAction SilentlyContinue |
Where-Object {
  $_.Name -ne ".env.example" -and
  $_.Name -match '^\.env($|\.)|\.db$|\.sqlite$|\.sqlite3$|\.log$|node_modules|dist|__pycache__|rag_workspace'
} |
Select-Object FullName

没有输出时再提交。

测试

后端关键测试：

cd backend
.\.venv\Scripts\python.exe -m unittest discover -s . -p "test_*.py"

前端构建：

cd frontend
npm run build

说明：前端构建后会生成 frontend/dist/ 和 *.tsbuildinfo，这些属于构建产物，不应提交到仓库。

项目目录

RAG-Tender-Assistant-open-source/
├── backend/                  # FastAPI 后端
│   ├── app/
│   │   ├── api/              # API 路由
│   │   ├── models/           # 数据模型
│   │   ├── schemas/          # 响应结构
│   │   ├── services/         # 核心业务逻辑
│   │   └── utils/            # 工具函数
│   ├── requirements.txt
│   └── test_*.py
├── frontend/                 # React 前端
│   ├── src/
│   │   ├── api/
│   │   ├── components/
│   │   ├── pages/
│   │   └── types/
│   └── package.json
├── docs/assets/              # README 展示资源
├── samples/                  # 脱敏样例
├── start.bat                 # Windows 启动脚本
├── _stop_services.bat        # 停止服务脚本
├── .env.example              # 环境变量示例
└── README.md

路线图

路线图不是承诺，而是帮助读者理解项目状态和可能的后续方向。

✅ 已完成

• 标书上传、解析和要求核对
• 资质库、业绩库、财务资料和人员资料管理
• 资质匹配、保守判定、证据矩阵和待确认机制
• 错例库、规则库和规则变更记录
• 投标红线待办和检查报告导出
• API Key 加密存储和调用日志脱敏
• 本地化前后端启动脚本

🧭 后续可探索

• 更稳定的跨平台部署方式，例如 Docker
• 更完整的前端自动化测试
• 更细的规则版本管理和规则效果评估
• 更强的脱敏样例和演示数据集
• 面向更多行业文档的规则迁移

引用与交流

⭐ 如果这个项目对你的学习、研究、课程、文章或业务原型有帮助，欢迎点个 Star 并引用本仓库链接。

也欢迎通过 Issue 讨论：

• RAG 在业务流程中的落地方式
• 招投标场景的文档解析与证据匹配
• 规则引擎与人工纠错如何结合
• 本地化 AI 工具的安全和部署问题

欢迎提交 Issue 或 PR 参与共建。

许可证

本项目使用 MIT License。详见 LICENSE。

本项目参考并基于 HKUDS/RAG-Anything 相关能力进行业务化集成，感谢开源社区的基础工作。