一、项目背景

我们采购团队找供应商全靠人搜、人比，几千家供应商的资质、报价、交期散在邮件和表格里，寻源一周起步，比价靠经验，常常漏掉更合适的那家，老板问为什么选这家，答不上来。我们翻过采购同学的电脑，十几个 Excel 各管各的，版本还对不上，这寻源基本靠记忆和运气，谁都讲不清依据。更糟的是，审计来查一笔采购，采购同学翻了半天才拼出理由，那种被动我们不想再经历，国企客户尤其看重可追溯。

二、落地场景

现在供应商画像自动建，资质、历史报价、交期、履约评分都结构化进库。来一个寻源需求，模型按品类、地域、资质门槛匹配候选，排出短名单。报价进来自动归集到同一比价表，按价格、交期、账期多维度排好。寻源决策辅助给出推荐和理由，采购同学看半天就能拍板，决策有迹可循。审计要看某笔采购，直接拉推荐理由和对比表，不用再翻聊天记录。

三、关键技术挑战与解决思路

供应商画像是地基，散在邮件表格里的信息得抽干净，我们做了解析把非结构数据灌进结构化字段，资质过期、评分低的自动标红。寻源匹配难在语义，品类叫法各家不同，有的叫紧固件有的叫螺丝，我们用语义对齐把近似品类归并，避免漏匹配。报价归集要统一口径，不同供应商报的价格含不含税、交期起算点不同，我们做归一再比，不然比出来是假象。比价维度不能只看价，交期、账期、履约历史都要进模型，我们设了加权，最低价不一定排第一。还有防刷，供应商故意报低价抢短名单，我们叠了历史履约做校验，低价低履约的往后排。

案例片段（已脱敏）： 供应商画像与比价配置片段（字段示意）：sourcing:  profile: { qual, quote_hist, lead_time, score }  match: { semantic_align: true, top_k: 10 }  quote: { normalize: [tax, lead_base] }  rank:    dims: [price, lead_time, term, history]    weights: { price: 0.4, lead_time: 0.3, term: 0.15, history: 0.15 }一次命中：某零部件寻源，模型从语义对齐捞出一家叫法不同但资质更优的供应商，比价后排第一，单价低约百分之六且交期更短，人工比价时漏掉了它，凭经验选的那家交期还拖过项目。

寻源模型我们做过偏差检查，早期只按文本匹配，结果总推同一批熟悉的供应商，长尾好供应商捞不到，我们加了多样性约束才均衡。报价归一的历史数据我们留了版本，供应商改了报价口径能对出来，避免有人悄悄换算法则刷排名。履约评分的口径我们也和采购对齐过，光看准时率会漏掉质量退货，我们叠了退换率才算准，这口径是吃了质量事故的亏才调的，之前只盯交期吃过暗亏。

四、效果数据

寻源周期因为我们把匹配和比价自动化，从人工一周压到看半天能拍板。比价覆盖从人工能顾的十几家，扩到全库几千家自动筛。成本下降体现在漏掉的好供应商被捞回来了，单品降本几个点到一成不等。优质供应商命中率上来，履约评分低的被挡在短名单外。审计可追溯这块，国企客户特别认可，每次推荐带理由和对比表。文中数据为项目复盘口径，已做脱敏。

五、可复用经验总结

寻源比价别靠人肉翻表，几千家供应商人脑装不下，漏掉好的是常态。我们吃过凭经验选错家的亏，交期拖了项目，老板追问才发现有更优解。供应商画像要结构化，散数据不进库就永远比不了。语义对齐这步关键，品类叫法不同是寻源最大的漏点，归并了才捞得全。比价别只看价，交期账期履约历史加权，最低价占先往往翻车，我们设权重后推荐稳了。防刷别忘，低价低履约的得往后排，不然短名单被钻空子。

寻源这活，模型是放大镜不是决定者，最终拍板还得采购同学，我们做的是把判断依据摆清楚。可追溯比全自动更重要，国企客户尤其认这个。

结语

采购寻源这活，人脑是真装不下几千家供应商。我们采购同学靠记忆和十几个对不上的 Excel，漏掉好供应商是常态，老板追问为什么选这家答不上来，场面尴尬，审计来查更被动。供应商画像结构化是地基，邮件表格里的资质报价交期抽干净进库，过期的标红，评分低的挡外。语义对齐我们一开始没做，结果一家叫法不同的优质供应商被漏，单价低百分之六交期还短，人工比价愣是没捞着，上了模型才补回来，凭经验选的那家交期还拖过项目。报价归一不能省，含税不含税、交期起算点不同，不统一比出来是假象。比价维度加权是我们调出来的，纯按价排，最低价常翻车，交期账期履约历史都得进。防刷那步是后被钻空子才加的，有供应商故意报低价抢短名单，履约却拉胯，叠了历史履约校验才镇住。寻源周期从一周到半天，采购同学从找供应商变成审推荐，角色都变了。决策有迹可循后，审计来查也不慌，每笔推荐带理由，这点在国企客户那里特别加分。