1. 从一线“泥泞”到行业“修路”

之前在光爱学校工作的那五年，我一直处于公益的一线。那时我最直观的感受是：技术应用和数字化，对于很多基层公益机构来说，并不是不重要，而是——有些“顾不上”。

大家每天忙于具体的救助、筹款和各种繁杂事务，很难抽出人手和精力去做数字化建设。

这种技术的“滞后”，不仅让一线工作显得原始而冗余，也让很多真实的辛劳和善意，因为缺乏记录与整理，逐渐消失在公众的视野里。

2024年，我来到基金会中心网工作，身份从一线的实践者，转变为一个面向行业的数据服务者。

虽然我们直接服务的是基金会，但我常常在想：我们把这些数据理顺，对那些还在一线奔波的公益人，究竟意味着什么？

慢慢地，我开始意识到：平台数字化的本质，其实是在做一件“修路”的事情。

只有把全行业散乱的数据分好类、理清楚，让每一个具体的公益项目都能通过标签被精准检索，一线机构的工作，才有可能被更多人看见；当“资助方”和“执行方”之间能够更高效地匹配，资源才更有可能流向真正需要的地方。

这些工作看起来离一线有些距离，但从更宏观的角度来看，无论是行业论坛的组织，还是数据平台的建设，本质上都是在做同一件事——为公益行业提供基础设施支持。

2. 45万个项目背后的“深渊”

目前，基金会中心网已经累计观测了约45万个公益项目。

如果你翻看过各个基金会的年报，就会发现一个非常现实的问题：填报质量极其参差不齐。

有的项目介绍长达几千字，试图讲清所有故事，却抓不住重点；
有的则只有寥寥数语，让人几乎无法判断项目的具体内容。

这种海量且非标准的原始数据，靠人工分类几乎是不可能完成的任务。

但需要说明的是，在基金会年报填报体系中，其实已经存在“服务领域”的分类选项。

基金会在填报项目时，需要为每个项目选择所属的服务领域，这在一定程度上，为项目提供了基础的分类信息。

不过在实际使用中，这套分类体系也存在一些现实边界：

• 不同年度、不同地区的填报口径会有所调整，缺乏长期一致性
• 具体填报人员对项目的理解存在差异，同类项目可能被归入不同领域
• 一些项目本身具有跨领域属性，很难用单一分类准确表达

在这种情况下，“服务领域”更多承担的是填报维度的数据记录功能，而在行业研究与数据分析层面，仍然缺乏一套稳定、统一、可比的分类体系。

这也直接导致一个结果：行业难以基于议题，对项目进行有效的检索与分析。

为了弥补这一缺口，基金会中心网基于长期的数据积累与行业观察，梳理并建立了一套标签体系，涵盖19个一级议题领域分类标签和115个二级分类标签：

19个一级分类标签：

教育发展、医疗健康、生态环境、文化艺术、体育、助弱济困、社会优抚、乡村振兴、社区治理、应急管理、法律支持、科学技术、国际合作与发展、公益行业支持、青少年服务、女性发展、残障、养老支持与服务、以及“其他”。

试图从行业分析的视角出发，为这些分散的数据建立一个相对统一的“坐标系”。

但新的问题随之而来：这45万条项目，如何完成高质量、可规模化的标签分类？

3. 从“人工智能”到“自动驾驶”：三次技术突围

在实际的业务场景中，要让AI乖乖听话且高效工作，需要经历不断的“调教”。以下是我在开发过程中尝试过的三种路径，希望能给同样在探索“技术向善”的朋友一点参考。

方案一：初级智能体（Coze方案）——“心太野”

我最先尝试了目前很火的智能体工具。通过RAG（检索增强生成）能力，希望它能够对照知识库直接打标。

遇到的坑：准确率很不理想。AI经常出现“幻觉”，它会觉得自己比规则更聪明，跳出知识库定义的标签去自创标签。在处理海量数据时，这种哪怕10%的偏差都是灾难性的。

方案二：本地知识库（CherryStudio方案）——“效率瓶颈”

我换了思路，通过向量模型将标签定义转为本地知识库索引，再调用大模型进行匹配。

遇到的坑：准确率提高了，但效率太低。这依然是一种“对话式”思维，如果靠人工复制粘贴项目内容并等待结果，处理完45万次，可能需要好几年。

方案三：Python多线程自动化 + 大模型API——真正的生产力

最后，我回归到了程序员的终极武器：代码自动化。利用AI辅助生成的Python脚本，我调用了API接口，搭建了一套自动打标系统。这个方案的打标签结果，即准确又高效。

实现逻辑：它像一个勤恳的流水线工人，我开启了10个线程并行工作。它会自动读取项目名称、描述、基金会信息，调用火山方舟知识库检索，返回打标签结果，实时记录日志并重试失败项。

效果：仅仅用了一天时间，就把整个年度的基金会项目全部分类打标完成。

4. 让每一份善意拥有自己的“坐标”

在公益行业，“看不见”往往意味着无法连接。有了这些分类，这套系统就不再只是代码，而是一个服务于大家的工具：

• 对于捐赠者：你不再需要从茫茫大海里找项目。如果你关注“残障”或“女性发展”，只需一键筛选，就能看到全国有哪些基金会在深耕这个领域，他们的项目做得怎么样。
• 对于求职者：如果你是一个热衷于“生态环境”的年轻人，通过这些标签，你可以迅速锁定这个赛道里所有的基金会，看清他们的项目分布和关联，找到真正志同道合的机构。
• 对于行业研究者：你可以一眼看出哪些领域是“热点”，哪些领域如“法律支持”或“公益行业支持”还需要更多的资源倾斜。

这件事情的本质，其实可以用一句话来概括：让每一份善意，都拥有一个可以被识别和连接的“坐标”。

5. 写在最后的话

现在，如果你打开基金会中心网的官网，已经可以按议题领域去查询项目了。那些曾经沉睡在年报里的文字，开始变成可以被检索、被分析、被使用的数据。

写下这个过程，不只是想分享一段技术探索的路径，更是想传递一个很朴素的感受：在AI时代，公益从业者其实不必被技术门槛所阻挡。

这套系统的大部分代码，也是借助AI辅助完成的。
技术本身并不冷冰冰，关键在于——你希望用它去解决什么问题。