做政策分析最花时间的从来不是写而是读和整理。我手头常见的活儿是这样的几十份政策原文、解读文章、统计数据堆在硬盘里格式五花八门有PDF、有网页另存的HTML、有扫描件、有Excel表格。过去我靠肉眼一份份读完把关键段落复制进笔记再自己做对照表最后才开始真正有价值的判断和写作。后来我把 Claude Code 接进了这套流程才发现政策分析的效率天花板比大多数人想象中高得多。这篇就聊聊我是怎么用 Claude Code 重新搭起一套政策分析工作流的以及哪些环节真的省时间、哪些环节必须留给人来做。1. 政策研究的时间黑洞资料越多产出越慢先说说传统政策分析里最磨人的环节。很多人以为这个工作的核心是解读政策和给出建议实际上在真正动笔之前你得先过掉三关第一关是资料收集。政策研究的资料来源极其分散正式文件是一类官方解读是一类行业评论是一类统计数据又是一类。每类来源的格式都不一样有的还能直接复制文字有的是扫描图片有的压根就是一张截图。把几十份甚至上百份资料从原始形态整理成能查、能读、能引用的统一文本这一步通常要消耗掉一个项目三分之一的时间。第二关是精读与摘要。研究一个课题不是每份资料都要从头读到尾但你又不能不看就判断哪些内容重要。一篇三十页的行业规划核心可能就三页一篇八千字的解读文章关键信息可能就是两个时间节点。人的注意力是有限的连续精读五六份长文件之后前面读过的内容就开始在脑子里模糊得翻回来重看。这个阶段特别消耗意志力也是整个流程中最早让人产生不想干了念头的地方。第三关是对比与溯源。政策分析最值钱的部分往往不是单篇理解而是多篇之间的差异——上一版文件和这一版文件差在哪这个部门的要求和那个部门的表述是否冲突不同年份的政策对同一对象的约束发生了哪些变化。做这类逐条对比意味着你要在多个文件之间来回切换、反复定位页码手工整理成矩阵。等材料多了还要给每条结论标注出处方便后续验证和写作引用。这部分工作的琐碎程度几乎能把任何一个研究者的耐心耗尽。我自己的体感是一个中等难度的课题如果涉及二十份以上的资料旧工作流至少需要一周而且其中真正花在思考上的时间不到三分之一剩下大部分都被找、读、抄、对吃掉了。所以当时我给自己定了一个目标把文本初筛、结构整理、差异罗列这些机械化劳动尽量交给工具把自己从重复阅读里解放出来把省下的时间拿去读真正重要的原文做真正需要判断的结论。Claude Code 就是我试下来比较顺手的那套工具。2. 换个思路让一个能碰本地文件的 AI 代理替我做初筛2.1 网页版对话为什么不够用在决定引入 Claude Code 之前我当然也试过更省力的路子比如把几十页的政策文件粘贴进网页版 AI 对话框。一开始觉得挺好用要个摘要、问个差异都能答上来但用得多了就发现网页版对话模式在研究场景里有几个绕不开的短板。第一个问题是每次都要重新解释背景。网页对话没有项目概念每开一个新对话都得重新告诉它我在研究什么、文件是什么背景、输出格式要怎样上下文稍微长一点前面交代过的规则它就开始忘。第二个问题是它读不了本地文件。PDF、扫描件、表格这些资料我没法直接丢给它得先转成文本再复制粘贴而政策文件动辄几十页粘贴一段就占掉大量上下文根本没法批量处理。第三个问题是它不产生文件——分析结果都在对话框里滚动没法直接变成项目目录里的结构化产出后续做矩阵、做引用、做报告又得人工搬运一遍。简单说网页版对话适合问一个问题、拿一个答案的场景但不适合处理一批文件、产出一套研究成果的场景。2.2 Claude Code 在自己的工作区里做什么Claude Code 不太一样。它的工作方式是直接跑在本地项目目录里能读取整个工作区的文件、能自己编辑文件、能执行命令行工具还能通过配置文件记住你的研究约定。如果说网页版对话是一个知识很丰富但只能隔着窗口聊天的实习生那 Claude Code 更像是一个坐在你电脑前、能自己翻资料柜、做笔记、按你的格式整理成稿的实习生。具体到政策分析场景它带来的改变有三个层面。第一是能碰到原始资料了。我可以把整个研究目录交给它让它直接读取raw文件夹里的文本而不是靠人工复制粘贴。第二是能批量加工了。读完一份它可以按固定模板写摘要读完二十份它可以统一生成对比矩阵。整个流程是它主动规划、主动执行、再回来跟我确认而不是我一步一步手把手教。第三是能记住这个项目的规矩了。我可以通过CLAUDE.md把研究约定固化下来比如输出格式、引用规则、禁止臆造哪些内容之后每一次对话它都会主动遵守。2.3 这个方案适合哪类研究任务当然Claude Code 也不是万能的。我个人的体会是它最适合的是文本密集、规则清晰、产出格式固定的研究任务。比如政策条文梳理、多版本差异对比、不同主体观点聚类、基于文本的要素提取这些任务的核心是从大量文本里找出信息并整理成结构正好是 AI 代理的舒适区。但如果是基于不完整信息判断政策走向权衡各方利益给出倾向性建议这类需要大量隐性知识和现实经验的环节我的做法是坚决留给人来做。把 AI 当工具而不是当替身工具负责把事实和结构摆到桌面上判断和取舍由人来定。这个分工思路贯穿了后面整套流程。3. 落地一套政策分析流水线目录、规则和批量处理理论说完说说具体怎么做。我以某行业监管框架三年演变这个小课题为例把整个流程拆开讲。这套东西不大但完整走下来基本能覆盖多数政策研究项目的通用动作。3.1 目录设计资料的物理归档先于 AI 处理很多人一开始就急着让 AI 读文件结果目录乱成一团AI 反而找不到该看哪个文件。我的建议是动手之前先花二十分钟把目录结构定下来。政策研究项目通常可以分成五层policy_research/ ├── raw/ # 原始资料PDF、HTML、DOCX ├── text/ # 转换后的纯文本 / Markdown ├── notes/ # 单篇摘要和结构化要点 ├── matrix/ # 对比矩阵、时间线 └── drafts/ # 报告草稿、引用清单这个结构的好处是raw是只读的原始存档任何时候都能回头核对原文text是给 AI 读的中间产物格式统一notes和matrix是 AI 加工的成果也是人后续核查的主要对象drafts才是最终报告的地盘。文件和中间产物分得清清楚楚AI 不会把分析结果写进原始文件夹我也不会在找资料时被一堆摘要文件干扰。3.2 统一文本格式让所有资料变成 AI 能读的纯文本目录建好之后先把raw里的资料统一转成纯文本。这一步很枯燥但非常重要。AI 读的是文本不是 PDF 的排版不定要先做格式转换。我常用的命令是mkdir -p text # PDF 转文本保留版面顺序 for f in raw/*.pdf; do pdftotext -layout $f text/$(basename $f .pdf).txt done # DOCX 转文本 libreoffice --headless --convert-to txt --outdir text raw/*.docx转换完不是直接开跑我会先抽查几份结果。重点看两个地方文件是否为空扫描件是不是转出来一堆乱码。如果遇到扫描版 PDFpdftotext基本无能为力得先过一遍 OCR再进text目录。这一步偷懒的话后面 AI 分析的一定是一堆噪音。注意转换后的文本一定要和原始文件保持同名方便后续引用追溯。我见过有人转完文本改成1.txt、2.txt后面想查出处完全对不上号等于白干。3.3 用 CLAUDE.md 把研究习惯固化下来Claude Code 支持在项目根目录放一个CLAUDE.md每次对话它都会主动读取。这个文件相当于项目的员工手册把固定规则写进去就不用每次对话反复叮嘱了。我建的这个政策项目CLAUDE.md大致长这样# 政策研究项目约定 你在帮助我完成政策文本分析任务。 ## 工作原则 - 所有结论必须基于我提供的文本禁止补充外部知识。 - 原文没有提到的信息一律标注未提及不要自行推断。 - 关键结论后必须附出处格式为【文件名段落编号原文摘录】。 ## 输出规范 - 单篇摘要模板文件背景、核心条款、受影响主体、时间节点、潜在影响。 - 对比矩阵使用 Markdown 表格。 - 禁止使用更加显然一定等模糊推断词。 ## 文件约定 - raw/ 存放原始文件不要修改。 - text/ 存放转换后的纯文本。 - notes/ 存放单篇摘要。 - matrix/ 存放对比结果和引用清单。写完之后你会发现后面每次让 Claude Code 干活它都默认遵循这套规范不用再重复交代。这个文件本身也是项目资产换了机器、换了个助手规则还能继续用。3.4 单篇摘要与结构化输出批量加工的起点准备工作做完才开始真正的核心流程。我的方法是一次只让它处理一篇产出固定格式的摘要存到notes/目录。等二十篇都处理完再进入对比阶段。给它的指令大致是阅读 text/ 目录下的《某行业监管框架意见稿.txt》按 CLAUDE.md 规定的模板输出摘要。 要求 1. 核心条款 3~8 条每条一句话必须包含具体数值、日期。 2. 不要用你自己的话改写原文只做忠实提炼。 3. 将结果保存到 notes/ 目录文件名为 原文件名加 _summary.md。这里有个关键决策为什么一次只让它处理一篇而不是一次性丢二十份因为单篇处理的上下文空间很充裕它能把注意力集中在文本细节上输出的摘要质量明显更高。一次性丢太多文件前期还正常后期它会开始丢维度、漏条款甚至把文件之间的内容搞混。宁可多做几次也要保证质量稳定。处理完一批随机抽两三篇人工核对重点看核心条款是否抓全、数值日期是否准确、有没有根据常识补充出来的内容。核对无误再继续下一批。这个抽查步骤不省一旦后面矩阵建立在这批摘要上源头出错会成倍放大。3.5 自动生成对比矩阵和时间线把人类最磨人的环节交出去单篇摘要全部生成后让 Claude Code 基于notes/目录里的结构化作笔记生成对比矩阵。还是那个某行业监管框架的课题我会给它一个对比维度清单比如申报门槛、审批时限、适用范围、违规处罚力度、配套激励措施。Claude Code 会输出类似这样的表格维度一版意见稿正式稿差异说明申报门槛年营收不低于5000万未设定营收门槛正式稿放宽准入条件审批时限60个工作日45个工作日压缩了15个工作日适用范围仅限本行业企业包含上下游配套企业覆盖面扩大同时我还会让它生成一条政策演变时间线把每个关键节点的发布、修订、废止信息按时间顺序排列。这些工作在过去需要我打开多个文件、滚动翻阅、手工对齐现在 AI 能在几分钟内把初稿拉出来而我要做的是逐条核对差异是否属实。4. 给 AI 分析装上防幻觉护栏事实核查与证据链做技术方案的时候AI 幻觉听起来像个抽象风险但在政策分析里它表现为非常具体、非常有破坏力的问题把拟建立写成已建立把征求意见稿当成正式实施把 A 文件的时间安到 B 文件身上。这种错误一旦混进报告轻则误导判断重则让整个研究失去可信度。所以我在整个流水线里加了三层核查机制。4.1 来源层要求每条结论都带出处第一步是在生成摘要和矩阵的提示词里强制要求带来源引用。规则写进CLAUDE.md每条关键结论后面必须附出处格式为【文件名段落编号原文摘录】。有了这个要求AI 输出的每一条结论都能反查到原始文本核查效率高了很多。如果某些内容是 AI 基于模糊记忆推断出来的它必须在标注里写依据不足无法溯源。这条规则非常关键它逼着 AI 区分文本里明确写了什么和我自己猜的什么。我宁要一条标注了无法溯源的真话也不要一段编得顺溜的假结论。4.2 文本层事实提取和观点判断分开做另一个特别有效的做法是把引用原文和文章写作彻底拆成两个任务。前者只允许它从文本里摘原句、列条款一个字的判断都不加后者才允许它基于摘录做分析。两件事混在一起模型很容易顺手就把原文改良了。分开了之后引用摘录部分是严格的事实流水线我可以放心抽查写作部分它再怎么发挥也不会污染原始材料层。4.3 人工层抽查的比例和节奏要有讲究不管 AI 做得多好我的原则是外部可交付物一定要有人工复核。具体做法是在关键节点抽查百分之二十左右的产出。以二十份资料为例摘要阶段抽查五份重点核对数值和日期矩阵阶段比对八成以上条目确保每一条差异都能在原文中定位到最终报告成稿之前所有引用原文的关键句要全部人工扫一遍。这个核查节奏得益于前面的目录设计——原文在raw转写在text摘要在notes矩阵在matrix任何一条引用都能顺着路径在几分钟内找到源头。没有中间产物的分层管理人工核查的成本会成倍上升。5. 实操中踩过的坑和对应解法流程不可能一次跑通。我在这套体系上线的前两周里踩了不少坑挑几个有代表性的说说给准备上手的人提前打个预防针。5.1 上下文塞满导致的降智现象第一次批量处理时我试图一次让 Claude Code 读完十份文件再统一出摘要。前几份非常正常到第七八份开始输出开始出现明显问题条款越来越概括、数值开始模糊甚至把前面的文件内容混进当前文件。原因很清楚单次对话的上下文是有限的塞得越多模型在长尾部分的注意力就越差。解决办法就是前面说的改成单篇处理、结果落盘、再开新对话。每次处理完一篇摘要已经写进notes/对话的历史使命完成直接关掉。下一次处理下一篇所有规则靠CLAUDE.md兜底完全不依赖之前的对话记忆。这样每篇处理的上下文都干净、充裕输出质量稳定。注意不要为了省事把大任务一次性交给它。宁可多开几次对话也要保证每次任务范围小而明确。5.2 输出格式悄悄漂移第二个坑是格式漂移。刚开始跑的时候我在提示词里要求摘要输出 JSON 格式跑了几批之后发现某些文件的输出变成了 Markdown 列表字段名也从approval_time变成了time_approved等到拼接对比矩阵时数据对不上。后来查下来原因是我中途改了提示词里的一句话模型基于最近的对话习惯调整了输出风格前面的模板没及时顶住。解决办法有两层第一层是把输出模板永远固化在CLAUDE.md不要依赖每次提示词里的临时约定。第二层是在批量处理之后加一个格式校验脚本。比如要求 JSON 的话就写个简单循环for f in notes/*.json; do jq empty $f || echo Invalid JSON: $f done任何不符合格式的文件立刻暴露。不要相信每次都检查太麻烦格式漂移是长期跑批量任务一定会遇到的问题跑一次校验脚本只要几秒钟比事后返工划算得多。5.3 引用张冠李戴语气和时态陷阱还有一个特别隐蔽的坑AI 在总结时会把拟建立写成已建立把力争达到写成达到。这类错误不涉及具体数值光看单句非常难发现但放进政策分析报告里就是重大失误。我的对策是在CLAUDE.md里明确要求摘要里的动词时态必须严格沿用原文不能做时态推断。同时在处理完一批摘要后我会让 Claude Code 单独做一个语气核查把摘录中的关键动作词和原文列个对比表我抽查几处重点看拟、将、力争、原则上、应当这类的词是否被改动。这个细节其实也是人工智能工具在处理政策文本时的老问题模型天然倾向于把模糊的信息变清晰因为这样输出更好读。但政策分析恰恰最吃文本本身的确定性所以在规则层面堵住这个倾向比事后肉眼排查省力得多。6. 这套流程的边界以及我现在的真实体会流程搭起来之后我明显感觉到自己的工作量分布发生了变化。过去一周的课题现在大约一半天数被压缩成两天左右的AI 加工 人工核查省下的时间主要花在最后一步真正深入的判断。我需要读的原文没有变少——该看的重点段落还是会看但通读所有资料找重点这件事不用再做了。这并不代表 AI 能替代政策分析者。恰恰相反它对人的判断力要求更高了。以前即使判断粗糙至少花了很多时间在文本里泡着脑子里有个模糊的印象现在 AI 把结构化的摘要摆到你面前你必须有能力快速判断哪些是重点、哪些有疑点、哪些差异值得深挖再决定下一步让 AI 做什么。工具提升了生产效率但判断的责任一点没减轻。落到实操层面我的建议是给准备尝试的人三条第一条不要一开始就追求完美流程。先找一个小课题跑通三个文件、一份摘要、一个矩阵。等你对 Claude Code 的输出风格和常见问题有了手感再慢慢扩大规模。第二条CLAUDE.md是这套体系里最重要的文件花心思写它绝对值回票价。规则写得越清楚后续维护成本越低。第三条把人机分工想清楚再动手——哪些环节完全放手交给 AI哪些环节坚决保留人工复核提前划定边界比事后补救省心得多。我自己的体会是政策分析正在从一个拼阅读耐力的行当慢慢变成一个拼判断质量的行当。像 Claude Code 这样的工具未必是最终形态但让 AI 负责搬运和整理、让人负责判断和表达的分工逻辑大概率会在各种研究场景里越来越普及。早一点适应这个节奏就早一点把精力花在真正值得花的地方。
