前两天整理2025年在基金会中心网（CFC）的工作总结时，领导问了我一个问题：“清林，过去这一年，你觉得自己最有成就感的工作是什么？”

我脑子里像过电影一样闪过了很多画面，最后选了三件事：AI年报采集、基金会项目AI智能分类打标签、以及2025基金会论坛年会的现场投票系统。

很有意思的是，这三件事都离不开程序开发。得益于AI技术的爆发，我才得以在短时间内完成开发和迭代，把想法变成了实实在在的生产力。

今天，我想聊聊其中最让我“挠头”也最有成就感的：项目AI智能打标签系统。

45万个项目背后的“深渊”

在公益行业，数据有时候是“乱”的。目前基金会中心网采集的存量项目约有45万个。如果你翻看过各个基金会的年报就会发现，有些填写非常“随性”：有的项目介绍长达几千字，恨不得把故事全讲完；有的短到只有几个字，让人看得云里雾里。

这种海量且非标准的数据，靠人工分类几乎是不可能完成的任务。也正因为如此，行业内一直缺乏一个精准的项目议题检索功能。面对这45万个“谜团”，我决定找AI帮帮忙。

从“人工智能”到“自动驾驶”的三次迭代

很多朋友问我，既然 AI 这么强大，直接把数据丢给它不就行了吗？其实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。

初级智能体扣子（coze）方案

我最先想到的是目前很火的智能体工具。我把 19 个一级标签和上百个二级标签的定义做成知识库，传到了“扣子（Coze）”上，然后写了一段提示词（Prompt），指望它能直接帮我输出结果。

• 实现逻辑： 利用平台现成的 RAG（检索增强生成）能力，让AI对照知识库打标。
• 遇到的坑： 准确率非常不理想。AI经常出现“幻觉”，它会觉得自己比规则更聪明，跳出知识库的范围去自创标签。比如我们定义的是“助弱济困”，它可能会自作聪明地打上一个“扶贫救助”。在处理45万条数据时，这种哪怕10%的偏差都是灾难性的。

本地知识库（Cherry Studio+豆包方案）

既然现成的智能体“心太野”，我就尝试把控制权收回来。我使用了CherryStudio作为客户端，调用了火山方舟的向量模型（Embedding）和豆包大模型。

Cherry Studio + 本地知识库

• 实现逻辑：通过向量模型将标签定义转为本地索引，再调用大模型进行匹配。
• 遇到的坑：准确率大幅提升，AI不再乱说话了。但新问题是——效率瓶颈。这依然是一种“对话式”的思维，如果你想处理海量项目，安排一个人每天坐在电脑前手动复制粘贴项目内容，然后等待打标签结果，接着把标签结果对应保存起来，这样重复45万次，显然不是一个产品经理该给出的方案。

API+多线程自动化（Python方案）

最后，我回归到了程序员的终极武器：代码自动化。我在火山方舟后台直接建立了云端知识库，并利用它提供的“知识问答”API接口，用Python写了一个小系统。

• 实现逻辑：

  • 数据分批：将45万条项目数据分成若干个小批次。
  • API调用：程序自动读取每一条项目描述，发送给AI知识库接口，要求它只从定义的19个标签中选出最合适的。
  • 多线程加速：为了提高速度，我开启了10个线程并行工作。
  • 实时监控：系统会自动记录日志，如果有哪条数据打标失败，程序会自动重试并记录原因。

使用AI开发的《公益项目AI智能打标签系统》

这套系统像是一个勤恳的流水线工人，我开启了10个线程同时工作，仅仅用了一天时间，就把我们一整年采集的基金会项目全部分类打标完成。

给45万条数据“分个家”

为什么要费这么大力气做分类？因为只有分了类，数据才会“说话”。我们参考行业标准，设定了19个一级标签，115个二级分类。现在，这45万个项目终于找到了各自的归宿：

19个行业议题分类：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”。

国内基金会项目分类标准定义-基金会中心网编写

为什么要多走这一步？

很多人可能会问：清林，作为一个技术人员，你把标签打准不就完成任务了吗？为什么要强调它的意义？

因为我深知，对于公益行业来说，“看不见”往往是误解的开始。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。

让每一份善意都能被精准检索，让每一个求职的理想都能找到对应的坐标，这就是这套系统的价值所在。

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，终于变成了可以被看见、被分析的活数据。

记录这个过程，不仅是想给有类似需求的朋友提供一个技术思路，更是想分享一点小小的感悟：

在AI时代，我们这些公益从业者，其实不必被技术的高墙挡住。我开发的这套系统，代码其实也是在AI的辅助下完成的。技术并不冷冰冰，关键在于你用它去温暖哪一个角落。

所谓“技术向善”，大概就是：当面对45万份繁杂的数据时，我们能通过不断的探索，让公益的价值变得更清晰、更透明一点。

如果您想要了解更多的基金会行业数据，您可以点击链接，申请基金会中心网的火花计划：申请链接