4、基于规则的初筛引擎构建：编写正则表达式与业务规则，实现第一道筛选关卡

说实话，做材料筛选这件事，最怕的就是一上来就上AI模型。我见过太多团队，数据还没洗干净就直接上BERT，结果模型训出来全是噪音。我的习惯是——先搭一道规则的筛子，把明显不合格的材料挡在外面。

这一章，我们就来聊聊怎么构建这个「第一道关卡」。说白了，就是用正则表达式和业务规则，把那些格式不对、内容不全、明显造假的数据先过滤掉。你想想看，如果连文件后缀名都不对，还谈什么内容分析？

4.1 为什么需要规则引擎？

规则引擎不是万能的，但它有几个不可替代的好处：

• 速度快——正则匹配是毫秒级的，比任何模型都快
• 可解释——每一条规则都能说清楚为什么拦截
• 零成本——不需要训练数据，不需要GPU
• 防漏网——能堵住AI模型容易忽略的「低级错误」

我在项目中遇到过一件事：有个供应商提交的材料，AI模型分析后给了85分，但规则引擎发现它的「营业执照编号」只有14位（标准是18位）。嗯，这就是典型的AI盲区——模型只看语义，不看格式规范。

4.2 正则表达式：你的第一把刀

正则表达式这东西，很多人觉得难，其实你只要掌握几个核心模式就够了。我平时用的最多的，也就下面这几种：

4.3 业务规则：把经验变成代码

正则只能管格式，业务规则才是真正的「灵魂」。举个例子：

假设我们要筛选「高新技术企业认定」的材料，业务规则可以这样设计：

# 伪代码示例：业务规则引擎
def apply_business_rules(material):
    violations = []
    
    # 规则1：注册时间必须满1年
    if material.register_date > (today - timedelta(days=365)):
        violations.append("注册时间不足1年")
    
    # 规则2：知识产权数量至少1项
    if material.ip_count < 1:
        violations.append("无自主知识产权")
    
    # 规则3：研发费用占比不低于3%
    if material.rd_ratio < 0.03:
        violations.append("研发费用占比不足3%")
    
    # 规则4：高新技术产品收入占比不低于60%
    if material.high_tech_revenue_ratio < 0.6:
        violations.append("高新技术产品收入占比不足60%")
    
    return violations

你看，这些规则其实都是政策文件里白纸黑字写着的。我们做的，就是把它们翻译成计算机能理解的逻辑。

4.4 规则引擎的架构设计

下面这张图是我个人比较推荐的规则引擎架构。它把规则分成了三个层次，每一层各司其职：

这个架构的好处是：每一层只关注自己的事。格式校验层不管业务逻辑，业务规则层不管交叉验证。出了问题，定位也快——哪一层报错，就查哪一层的规则。

4.5 实战：构建一个简单的初筛引擎

好了，理论说完了，我们来写点真东西。下面是一个用Python实现的简易初筛引擎：

import re
from datetime import datetime, timedelta

class MaterialScreener:
    def __init__(self):
        self.rules = []
        self.load_default_rules()
    
    def load_default_rules(self):
        # 注册格式校验规则
        self.add_rule('phone_format', lambda m: re.match(r'^1[3-9]\d{9}$', m.get('phone', '')), '手机号格式错误')
        self.add_rule('email_format', lambda m: re.match(r'^[\w.-]+@[\w.-]+\.\w+$', m.get('email', '')), '邮箱格式错误')
        self.add_rule('credit_code_format', lambda m: re.match(r'^[0-9A-HJ-NPQRTUWXY]{18}$', m.get('credit_code', '')), '统一社会信用代码格式错误')
        
        # 注册业务规则
        self.add_rule('register_time', lambda m: m.get('register_date', datetime.min) <= datetime.now() - timedelta(days=365), '注册时间不足1年')
        self.add_rule('ip_count', lambda m: m.get('ip_count', 0) >= 1, '知识产权数量不足')
        self.add_rule('rd_ratio', lambda m: m.get('rd_ratio', 0) >= 0.03, '研发费用占比不足3%')
    
    def add_rule(self, name, func, message):
        self.rules.append({'name': name, 'func': func, 'message': message})
    
    def screen(self, material):
        results = {'passed': True, 'violations': []}
        for rule in self.rules:
            try:
                if not rule['func'](material):
                    results['passed'] = False
                    results['violations'].append(rule['message'])
            except Exception as e:
                results['passed'] = False
                results['violations'].append(f"{rule['name']}执行异常: {str(e)}")
        return results

# 使用示例
screener = MaterialScreener()
material = {
    'phone': '13800138000',
    'email': 'test@company.com',
    'credit_code': '91310000MA1FL1WL9A',
    'register_date': datetime(2022, 6, 1),
    'ip_count': 3,
    'rd_ratio': 0.05
}
result = screener.screen(material)
print(result)
# 输出：{'passed': True, 'violations': []}

4.6 规则引擎的维护与迭代

规则引擎不是写完就完事了。我个人的经验是，每两周做一次规则复盘：

1. 看拦截率——某条规则拦截率突然飙升？可能是数据源变了，也可能是规则太严了
2. 看误杀率——人工复核时，被规则拦截但实际合格的材料占比多少？超过5%就要调整
3. 看漏网率——通过了规则但最终被AI判定不合格的，是不是有新的规则需要补充？

说白了，规则引擎是一个「活」的系统。它需要随着业务变化、政策调整、数据质量变化而不断进化。别指望一次性写完就一劳永逸——我在项目里见过最夸张的情况，一套规则用了两年没动过，结果政策都改了三轮了，拦截的全是「过时」的问题。

公众号:蓝海资料掘金营，微信deep3321