Web3 補助金 AI 篩選流程實作
建立一個有人審核的 AI 補助金篩選流程，先做資格檢查，再依公開評分表打分、標記風險，最後把結果送給人工覆核。
想把 Web3 補助金審查自動化，但又不想失去人工把關嗎？
這篇教你建立一個有人審核的 Web3 補助金 AI 篩選流程。
這份操作指南適合要處理提案量、又必須保留公平性、可稽核性與人工責任的團隊。照著做完，你會得到一套可執行的審查流程，能先檢查資格、再依評分表打分、標記可疑案例，最後把不確定案件交給審查者。
開始之前
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
- 一個可用的 GitHub 帳號與補助金專案儲存庫。
- LLM 供應商、區塊鏈資料來源、身分工具的 API key。
- Node 20+ 或 Python 3.11+，用來執行篩選服務。
- 一份帶權重的補助金評分表，例如影響力、可行性、生態契合度。
- 申請文件、錢包地址、鏈上活動資料的存取權。
- 具名審查者與稽核紀錄目的地的人工覆核流程。
Step 1: 定義資格規則
目的：先建立硬性門檻，讓 AI 在打分前就能一致地檢查每份申請。
把錢包年齡、專案類別、必填文件、預算範圍、過往補助紀錄與生態契合度寫成明確規則，並確保它們可以被機器直接判讀。規則越具體，後面的自動化越不會變成猜測。
驗收：你應該能在不讀完整提案的情況下，直接拒絕缺文件或超出範圍的申請。
Step 2: 加入身分與 Sybil 檢查
目的：在任何評分之前，先確認每份申請對應到真實且唯一的參與者。
結合 proof-of-personhood、passport 式身分訊號、錢包歷史與重複偵測，先抓出重複送件與協同行為。這一層要先跑，因為假身分拿到高分，結果仍然是壞決策。
驗收：你應該在產生評分前，就看到重複錢包、重複中繼資料或低信任身分被標記。
Step 3: 依公開評分表產生分數
目的：把主觀審查轉成可重複的評分流程，並為每個分數保留證據。
讓模型只根據你公開給申請者的評分表打分，並要求引用提案文字或連結文件中的原句。實用的評分表通常包含技術性、影響力、透明度、社群價值與可行性。
rubric = {
"technical_merit": 0.30,
"ecosystem_alignment": 0.25,
"feasibility": 0.20,
"transparency": 0.15,
"community_value": 0.10
}
prompt = "Score each category from 1-5 and cite the exact evidence used."
驗收：你應該看到一份結構化的分數卡，包含各分類分數與引用證據，而不是自由格式的 yes/no 回答。
Step 4: 轉成風險標記
目的：讓 AI 保持顧問角色，輸出風險訊號，而不是直接做最終核准。
把系統設定成輸出風險分數與標記，例如可能重複、文件不完整、鏈上活動異常或里程碑敘述不一致。中等信心案件應送人工，高風險與低風險案件則可用來加速分流。
驗收：你應該看到一個審查佇列，而模型結果只是決策輸入之一，不是決策本身。
Step 5: 記錄審查並回寫結果
目的：建立稽核軌跡與回饋迴圈，讓每一輪補助金審查都能持續改善。
保存使用的來源資料、觸發規則或標記、模型版本、核准或覆寫的審查者，以及最終結果。接著比較審查者分歧、里程碑完成率與預算準確度，調整提示詞或重新訓練模型。
驗收：你應該能重建任何一筆申請為什麼被標記，也能看出下一輪流程是否更好。
| 指標 | 基準／優化前 | 結果／優化後 |
|---|---|---|
| 審查範圍 | 逐份人工閱讀所有申請 | AI 先篩掉明顯重複與缺件案件 |
| 決策型態 | 臨時性的通過／拒絕判斷 | 結構化風險分數加上審查標記 |
| 可稽核性 | 只有零散備註與 email 往來 | 記錄模型版本、證據與審查者動作 |
| 人工監督 | 升級處理不一致 | 中等信心案件自動分流給審查者 |
常見錯誤
- 把 AI 當成最後決策者。修法：保留人工核准權，讓模型只做建議與分流。
- 讓申請者影響提示詞。修法：清理隱藏文字、過濾附件內容，並把申請資料視為不可信輸入。
- 跳過稽核紀錄。修法：為每個案件記錄輸入、輸出、審查者動作與模型版本。
接下來可以看什麼
當你的篩選流程穩定後，可以再加入申訴處理、偏差檢查與定期政策回顧，讓補助金流程在申請量成長時仍然公平可控。