围串标是怎么被AI“看穿”的？7大核心信号与技术架构深度拆解|串标|元数据|技术架构|招标|标书|核心信号|法正

2026年，国家发改委等部门发布《关于加快招标投标领域人工智能推广应用的实施意见》，明确提出2026年底围串标识别等重点场景在部分省市实现全覆盖。雄安新区“标中预警信息推送”系统围绕11项关键指标实时比对，AI已累计检测招标文件6.2万份，纠正违规3.6万次。

过去靠人工翻标书、比对报价的监管方式，正在被技术手段彻底改写。AI围串标识别，本质上是把“人盯人”变成了“数据穿透”。

一、七个信号，让围标串标无处藏身

信号一：投标文件“长得太像”

两家不同公司的技术方案，段落结构一致、错别字相同、连排版配图都雷同——这不是巧合，是机器最先抓到的线索。

技术原理：采用自然语言处理技术，对投标文件中的技术方案、商务条款、项目经验等文本进行语义相似性分析。关键算法包括文本向量化（BERT、SimCSE）、相似度计算（余弦相似度、Jaccard相似度）、大规模文本快速查重（SimHash、MinHash）。

判定阈值：技术方案语义相似度超过70%触发预警，超过90%高度疑似围标。

信号二：同一台电脑编制了多份标书

有些投标人以为换网络、用VPN就能规避检测。但电脑的硬件机器码不会随网络改变——CPU序列号、硬盘序列号、主板序列号，加上Office文档里藏着的作者信息和编辑记录，足够拼出一台设备的“数字指纹”。

采集维度：IP地址、MAC地址、设备指纹（CPU序列号、硬盘序列号、主板序列号等组合生成唯一设备ID）、文件元数据（Office文档中的作者、最后编辑者、创建时间、修改时间等）。

技术挑战：投标人可能使用VPN、虚拟机规避检测，需要结合行为分析进行综合判断。

信号三：同一把造价软件加密锁

造价软件使用硬件加密锁进行授权管理，每把锁有唯一序列号。通过解析造价文件中的加密锁信息，可以识别多家投标单位使用同一把锁的情况。

采集字段：加密锁序列号、软件授权号、软件版本号、最后编辑时间和编辑者、工程文件创建路径。

信号四：共用联系人或交叉持股

几家公司看似法人不同，但股权交叉、人员重合、联系电话和注册地址高度一致——一套人马注册多家外壳公司，抱团参与投标。

技术原理：构建企业知识图谱，通过股权关系、人员任职、联系方式、地址等多维度数据，识别隐性关联关系。关键算法包括社区发现（Louvain、Label Propagation）、路径分析、异常子图检测。

信号五：授权代理人异常

多家企业授权同一自然人办理投标事宜、代理人无社保缴纳记录、法定代表人被列入失信被执行人名单——这些都是系统重点排查的异常信号。

数据对接：社保查询API、失信被执行人查询API，实现自动化核验。

信号六：报价呈规律性差异

正常市场竞争，各家报价会散乱分布。围标场景下，陪标单位报价往往按照预设比例，高于中标方报价，形成整齐的倍数梯度。

分析维度：总价规律性、分项报价规律性、报价分布异常、报价时间异常。关键算法包括聚类分析、相关性分析、异常检测。

信号七：中标概率异常或专家打分倾向一致

通过历史招投标大数据分析，构建企业中标概率预测模型和评标专家打分行为分析模型。某专家对某企业持续打高分，偏离其正常打分分布——系统自动标记异常。

二、技术架构：四层设计，从采集到预警

第一层：数据采集层

招投标文件采集：招标文件、投标文件、评标报告、中标公告
外部数据对接：工商登记、信用中国、失信被执行人、社保、税务
网络环境采集：IP地址、设备指纹、上传时间

第二层：数据处理层

文本解析：OCR识别、PDF/Word解析、表格提取
数据清洗：去重、归一化、实体对齐
知识图谱构建：实体抽取、关系抽取、图谱融合

第三层：智能分析层

文本相似度引擎、关联分析引擎、异常检测引擎
风险评分模型：多信号融合，输出围串标风险评分

第四层：应用展示层

实时预警看板、评标辅助工具、监管决策支持、移动端推送

关键技术选型：NLP模型（SimCSE-BERT、LayoutLMv3、PaddleOCR）、图数据库（Neo4j、NebulaGraph）、机器学习框架（XGBoost、PyTorch、PyOD）、大数据平台（Spark、Flink、Kafka）。

三、落地实践：雄安“标中预警”模式

雄安新区作为“人工智能+招投标”样板，其“标中预警信息推送”功能围绕11项关键指标实时比对：IP地址、MAC地址、联系人信息、投标文件雷同率、造价软件加密锁、报价规律性、授权代理人、企业关联关系、中标历史、专家打分倾向、文件元数据。

工作流程：投标文件上传时实时采集网络环境信息和文件元数据；评标阶段AI系统对所有投标文件进行深度扫描和关联分析；发现异常自动生成预警信息推送到评标委员会和监督部门。

配套功能：招标文件智能检测、暗标格式智能检测、智能辅助评标。

四、金融央国企采购系统的建设路径

第一步：基础能力建设（0-6个月） ——对接权威数据源、建立供应商信用档案、实现投标文件电子化采集、上线简单围标风险规则引擎。

第二步：AI能力升级（6-12个月） ——引入NLP语义相似度分析、构建企业知识图谱、开发报价异常检测模型、建立风险评分模型。

第三步：智能闭环运营（12-18个月） ——实现标中实时预警、建立供应商黑白名单动态管理、开发合规分析看板、持续优化模型。

关键成功因素：数据质量是基础、规则与AI结合、人机协同是关键、隐私合规不可忽视。

五、法正智能：从检测能力到全链路风控

在围串标识别这个技术方向上，法正智能的实践路径与上述技术架构高度契合。其AI围串标检测构建了“离线+在线”双重检测防线，通过AI对标书进行文本查重、图片相似度分析、错误一致性校验及文档属性“数字指纹”比对，识别准确率超80%。

其专利技术支持多模态解析（文本、图像、表格） ，结合企业图谱挖掘穿透股权与历史投标关系。法正智能已获得国家知识产权局多项发明专利授权，包括“一种面向投标文件的多模态证据融合与图论团伙识别的围串标检测系统及方法”——这正是对“共用联系人或交叉持股”和“专家打分倾向”类隐性关联的技术回应。

对于投标企业而言，这套能力可以前置用于提交前自查——在标书递交之前，从文本、图片、文档属性、企业关联关系等多个维度排查雷同隐患。

法正智能已服务东风汽车、中国航空集团等200余家政企客户，在电子招投标领域拥有近百项软件著作权和专利证书，已获得高新技术企业、双软企业核心认证。支持私有化部署和全栈信创适配，采用金融支付级专属加密服务（DEW） 保障数据安全，已通过“电子招投标系统交易平台信息系统安全三级等保测评”认证及CMMI3软件能力成熟度认证。