勘察设计标书查重助手

目标不是算出相似度，是回答一个问题：这几份文件是不是出自同一个人的同一份底稿。

一、依赖

本技能已内置所需方法论与脚本，路径均相对于本技能根目录（下文以 <skill_dir> 指代安装目录）：

包内构成

本技能自带完整工具箱，单独安装即可运行，不依赖其他技能或外部路径：

上表依赖节列出的是本流程会用到的部分；其余为关联能力（如接续其他阶段的产物），需要时可调用。

脚本仅依赖 Python 标准库；下列为可选项，缺失时相应功能降级并明确提示，不会崩溃：

完整能力：pip install pymupdf pdfplumber python-docx pillow numpy

二、两种模式，先问清是哪一种

先问清楚是哪一种再动手。判反了：把自家复用当串标举报，或把串标当复用放过，后果都很严重。

三、四路检测（缺一路就漏）

python "…/dedup_check.py" ./各家标书 --mode collusion --matrix

为什么不能只看相似度

短文本＋工程通用词汇（勘察、场地、规范、地名）会让 Jaccard 虚高 15–25 个百分点。

实测：两家完全独立写法的标书相似度 36.4%，但最长连续雷同块 0 字——这不是同源。同期另三份文件相似度 99.6–100%、最长块 121–189 字，才是同源。

判定以最长连续雷同块为主判据：

四、法律后果（说清楚才有威慑力）

《招标投标法实施条例》第 40 条：视为串通投标的情形，核心两条与本工具相关——

• （一）不同投标人的投标文件由同一单位或者个人编制；
• （四）不同投标人的投标文件异常一致或者投标报价呈规律性差异。

"视为"的意思是：推定成立，不需要证明主观故意。附随后果：中标无效、罚款、列入不良行为记录 1–3 年、情节严重吊销资质。

电子交易平台还会自动比对：文档作者、最后修改者、公司字段、制作机器码、MAC 地址、IP、报价规律。这些都在平台侧，不在投标人控制范围内。

五、执行流程

D1 定模式（串标甄别 / 复用自查）
D2 收文件 → 确认每家是"独立投标人"（母子/兄弟/挂靠/联合体各方独立标都算同一风险组）
D3 跑检测 → 元数据 → 文本 → 图片 → 报价
D4 逐条回原文核实（工具报的是线索，不是结论）
D5 出报告：矩阵 + 同源线索 + 雷同段落 + 报价规律 + 结论

D4 必须回原文的三类

1. 元数据相同：核是否只是默认值（Administrator、User、WPS、Normal.dotm 已自动排除）。若真是同一姓名，查是谁——同一人代表两家单位编制，直接命中第 40 条（一）。
2. 雷同段落：核是否属合法引用（规范条文、标准原文、招标文件给定格式、清单项目名称）。这类天然相似不算线索，可用 --ignore 剔除词.txt 排除。
3. 图片相同：核是否公共素材（政府公开图、规范图集插图）还是各自绘制的成果图。

六、报告结构

每条结论必须写明依据条款与可回查定位（哪个文件、第几字、连续多少字）。

七、三条边界（写在报告里）

1. 本工具不提供规避电子平台甄别的方法，不做洗稿。 发现同源应如实处理——换词改句改变不了机器码、文档属性、报价规律。
2. 相似不等于串标。 规范条文、通用工艺描述、清单项目名称天然相似；判断要回原文，不能一键定性。
3. 查重结论不能替代法律判断。 报告给的是技术线索与条款依据，最终认定权在行政监督部门与评标委员会。

八、常见误判（实测踩过）