一份超過兩千頁的招標文件，
你覺得要花多久，
才能把裡面互相矛盾的地方挑出來？
我之前做過一次測試。
把整批資料交給 AI Agent，
請它幫我找出文件當中前後衝突，
需要提請機關釋疑的內容。
它只花了十九分鐘。
去年我還在用 NotebookLM，
上傳一堆招標文件，
不但常常上傳失敗，
也不能產出我想要的格式。
從今年起，
我改用 AI Agent，
想搞清楚它在備標階段，
到底能幫我們做到什麼程度。
畢竟公共工程的備標期，
往往只有短短幾天。
標案一公告，
文件下載下來動輒上千頁，
但留給我們評估、決定要不要投標的時間，
卻非常有限。
時間和份量，
永遠不成比例。
我用的是 Codex、Claude Code 這類 AI Agent。
它最大的不同，
是能直接讀取我們電腦裡下載的整批招標文件。
讓 AI 讀標案，先把關鍵條件抓出來
拿到招標文件，
第一件事就是評估：
這個案子，
到底值不值得投。
我們會請 AI Agent 讀過下載的文件，
幫我們把關鍵資料一條一條找出來：
工程名稱、契約金額、契約工期，
押標金、履約保證金，
甚至違約金怎麼算、有哪些罰則。
這些原本要一頁一頁邊看邊找的內容，
它能先幫你整理成一張清楚的表。
我們可以在它整理好的基礎上繼續發展，
省下從零開始翻文件的時間。
把評估流程寫成 Skill，讓 AI 自己動手跑完
你可能會想：
現在的聊天 AI 也有「專案」、
自訂 GPT 這些功能，
不是就能把資料和指令存起來重複用嗎？
但這裡有一個更關鍵的差別。
聊天 AI 的「專案」，
存的是指令和知識。
它記得你的背景、你的偏好，
可是每一個步驟，
還是要你親自開口、親自操作。
它比較像一張嘴：
你問，它答。
Agent 的 Skill 不一樣，
它存的是一整套能自己動手執行的流程。
我可以把標案評估的 Skill，
設計成這樣一條龍：
先到公開的政府採購資料，
查類似案子過去的決標行情。
再查得標廠商的公開商工登記，
看看它的資本額和公司資料。
最後在自己的電腦裡，
算出我們可能的成本和利潤。
讀資料、跑程式、串接不同來源，
最後產出一份評估，
它能一步一步自己跑完。
聊天 AI 可以給你建議，
但這種跨平台、要實際動手的串接，
它沒辦法替你執行。
這就是「動口」和「動手」的差別。
而且下次有新的標案進來，
我不必再重新交代一遍，
直接調用上一次的 Skill，
就能很快把評估跑完。
過去換一個對話，
背景就得重講一次；
Skill 則把整套如何「動手」的流程，
完整保留了下來，
節省了大量的時間。
兩千頁文件，19 分鐘找出矛盾疑義
回到開頭那個十九分鐘的測試。
AI Agent 還有一個更棒的地方：
它能一次讀大量的文件。
近期的一個標案，
全部招標文件的電子檔，
加起來超過兩千頁。
這種份量，
用人力一頁一頁看，
然後記下來再比對差異的部分，
往往要耗上好幾天。
而我請 AI Agent 讀完整批資料、
幫我找出前後衝突、
需要提請機關釋疑的地方，
它只花了十九分鐘。
以下是它提供的內容：
- BIM 模型細部設計的精度標準前後不一致、
- 工程取得使用執照的時間在不同文件中對不起來、
- 綠建築標章要求的等級也有出入。
這些細節靠人力來對照，
未必看不出來，
只是藏在上千頁裡，
很容易在時間壓力下看漏。
你可能會想：
那我把文件全部丟給聊天 AI 的「專案」，
不也可以嗎？
這裡就要談一個重要的概念：上下文。
你可以把上下文，
想成 AI 一次能「同時看到、同時記得」的資訊量。
聊天網頁的專案，
上下文有一個固定的上限。
以 Claude 的專案來說，
大約是二十萬個 token，
換算成中文，
大概五百頁左右。
也就是說，
那份兩千頁的招標文件，
光是要塞進去，
就已經超過它的上限了，
更不用談還要搜尋。
Agent 的做法不太一樣。
它不必把兩千頁一次全部背在腦子裡。
它更像我們翻書：
需要哪一段，
就去讀哪一段，
分批處理，逐步比對。
你發現了嗎？
我們正在從單純的對話式 AI，
邁向 Agentic AI 的新時代。
從聊天室一路走到 Agent，
變強的關鍵，
其實一直繞著「上下文」這件事打轉。
模型會愈來愈聰明，
用好 AI 的決勝點，
也會慢慢從提示詞移到上下文。
過去那些讓 AI 角色扮演，
或是一長串的提示詞，
未來很有可能被妥善整理的上下文取代。
誰能整理好自己的資料與上下文，
誰就能讓 AI 真正幫上忙。
服務建議書：幫新工法、新材料找到對的位置
備標階段，
另一個重頭戲是服務建議書。
有時候我們很想在一個案子裡，
導入一些新工法、新材料，
或是替業主提升未來的使用性。
但時間一趕，
腦袋常常會卡住：
這些創意優化的作為，
到底該放進評選須知規定的哪一個章節？
這時候，
我會把新工法、新材料的技術資料，
連同招標文件的評選須知，
一起交給 AI Agent 閱讀，
請它給我們一些放置位置的建議。
它給的建議不一定完美，
但能從不同角度給出想法，
再由我們依專業判斷，
去調整服務建議書的內容。
先備料，再上菜：資料的前處理
AI Agent 很好用，
能讀資料，
也能產出成果。
但它也有現實的問題：
token 很貴，
大量的工作一下子額度就用完了。
一個標案做下來，
可能要經過好幾次額度重設的週期，
才能把工作做完。
如果你把幾千頁的 PDF 招標文件，
原封不動丟給 Agent 硬讀，
成本會非常嚇人。
所以在餵給它之前，
我習慣先「備料」。
有些招標文件，
是 Word 直接轉成的 PDF，
文字可以很快抽取出來。
有些是用照片、掃描檔轉成的 PDF，
就需要先用 OCR 把文字辨識出來。
不管哪一種，
把文字抽取出來後，
我會統一轉成常用的 MD 檔。
對 AI Agent 來說，
處理 MD 檔花的 token 相對少很多，
也不必每次都重新辨識，
省下寶貴的上下文空間。
如果是統包工程，
招標文件中一定會有統包需求書，
這種文件的圖片量都很大。
想更精準一點，
可以在辨識的時候，
替這些圖片加上文字描述，
之後搜尋資料時，
就更容易找到相關內容。
你可能會想：
「我又不會寫程式，
就算知道要先辨識 PDF，
我也不懂怎麼處理這些資料啊。」
其實這件事比想像中簡單。
你只要跟 AI Agent 說：
我想要一個能把 PDF 轉成 MD 檔的工具。
它通常會用 Python，
幫你寫一支小程式。
如果你想要看起來更美觀、更容易操作，
也可以請它做成 HTML 網頁的形式。
有了這支轉檔小工具之後，
你就能在自己的電腦上先把資料整理好，
時間和成本，
都會省下不少。
AI 會出錯，你的檢查是最重要的防線
講了這麼多 AI 的好處，
有一個觀念一定要放在心上。
AI 是有可能出錯的，
尤其你讓它讀取的內容愈多，
AI 的注意力愈容易分散。
絕對不能因為它整理得又快又漂亮，
就把成果直接提交出去。
比較健康的心態，
是把 AI 當成「另一個替你審查文件的助理」。
你自己看，
它也幫你看。
兩邊對照，
比一個人埋頭苦幹，
看到靈魂出竅，
要安心得多。
尤其備標期那麼短，
能多一個不喊累、熬夜也不抱怨的幫手，
替你把上千頁的資料先看過一遍，
對招標評估的幫助真的很大。
我自己就會在下班前，
開著電腦讓 AI Agent 工作，
隔天上班再檢查成果。
守住你的祕密：公開的放心用，機密內容要去識別化
講完 AI 有出錯的風險，
還有另一條紅線一定要守住，
那就是「保密」。
這件事其實有一個很清楚的分界。
公開的招標文件，
本來就是政府公告、人人都查得到的資料。
這類文件丟給 AI 讀，
請它幫你抓投標資格、找文件衝突，
可以放心使用。
但另一邊，
是自己公司要投標的服務建議書。
裡面可能藏著公司的投標策略，
決勝的新工法與新材料，
團隊配置，甚至報價成本。
這些是公司的底牌，
處理的時候就要特別小心。
更精準地說，
這類資料還是可以借助 AI，
但要先做一個動作，
把內容「去識別化」。
把公司名稱、人名、
具體金額、能辨識身分的資訊先拿掉，
只留下你想請 AI 協助的問題。
讓 AI 看到的，
是一個工程的局部情境，
看不出是哪一家公司，
哪一個案子的底牌。
這也是為什麼，
前面提到的資料前處理特別重要。
不只是要降低 AI Agent 的處理成本，
相對敏感的資料，
也可以在自己的電腦裡處理就好，
不必什麼都上傳到雲端。
政府其實也有相關規範，
提醒大家使用生成式 AI 時，
要特別留意保密與資安。
把這條線守好，
你才能放心享受 AI 帶來的效率，
又不會讓團隊的心血，
在不知不覺中承擔外流的風險。
AI Agent 不會幫你決定要不要投標，
那仍然是工程專業與經驗的判斷。
但它可以幫你，
從翻找、比對的瑣事裡解放出來，
讓你把時間留給更需要思考的作業。
如果你也想開始，
不用一次到位。
先從一件每次備標都要做的事下手，
比方說把評估流程寫成一個 Skill，
或做一支把 PDF 轉成 MD 的小工具。
讓 AI 在你最忙、最趕的備標期，
成為那個可靠的幫手。
