这个行业做这件事，卡在哪
法务与合规部门在合同审查过程中，文件来源复杂，通常包含业务部门提交的各类合同文本，涵盖采购、销售、合作、劳动等多种类型，格式多样，存在纸质扫描件、Word 文档、PDF 文件。审查人员需要逐条阅读和理解合同条款，比对其中与公司模板、法规要求、历史案例不符之处。审查工作不仅要求专业法律知识，还需要高度的细致度和经验判断。人工审查的耗时主要集中在重复性条款的识别、海量条款的比对、以及在大量文件中定位特定风险点上。面对业务量增长和合规要求趋严，审查效率与质量的平衡成为普遍挑战。
动手之前要先确认的五件事
- 材料标准化程度是否可控： 审查的合同文本是否普遍遵循一定的结构或使用常用词汇。不可控时，文本解析与结构化提取的难度将大幅增加。
- 风险判别口径是否明确： 对于何种条款构成风险、风险等级如何划分，是否存在明确、可量化的内部指引或外部法规。口径不明确时，AI 生成的风险标注将缺乏统一的验收标准。
- 审查意见的颗粒度要求： 对审查意见需要细化到条款级别还是仅需指出风险区域。颗粒度要求过高而数据支撑不足时，AI 辅助的准确性难以保证。
- 最终复核与责任归属： 审查意见的最终采纳权与法律责任由谁承担。责任归属不清晰时，技术方案的采纳与落地会遇到阻力。
- 内部数据可获取性： 是否能获取足够多的历史合同文本、审查意见、风险案例等数据用于训练或知识库构建。数据不可获取时，AI 的学习能力受限。
怎么搭：四段工作流
| 阶段 | 这一段做什么 | 用到的节点 | 配置要点 |
|---|---|---|---|
| 文本预处理 | 提取合同核心内容，进行结构化处理 | 开始、文本内容提取、AI 对话 | 预设提取字段、指定模型角色与提取指令 |
| 条款比对与分析 | 将合同条款与标准模板、风险库进行比对，识别差异 | 知识库搜索、Agent、判断器 | 定义比对策略、设置 Agent 指令、判断阈值 |
| 风险标注与意见生成 | 对识别出的差异和风险点进行标注，生成初步审查意见 | AI 对话、文本拼接、工具调用 | 指定风险分类、定义意见生成模型角色与 prompt、调用复核工具 |
| 复核与留痕 | 记录审查人员的复核结果，形成审查报告 | 表单输入、指定回复、结束 | 设计复核表单、确保意见可追溯、最终报告格式定义 |
文本内容提取节点在合同审查初期扮演重要角色。配置时，需在“提取字段”中明确合同名称、当事人信息、核心条款（如付款条件、违约责任）、生效日期等关键要素，并为每个字段提供清晰的描述与示例，以指导模型进行准确抽取。模型选择上，宜优先选择理解长文本能力强的模型。
Agent 节点是实现条款比对和风险识别的核心。Agent 的“指令”配置尤为关键，需要详细描述其审查任务，例如“作为一名资深法务专家，请比对输入合同与知识库中的标准模板，找出差异点并评估潜在法律风险。列出具体条款及对应的风险等级（高/中/低）。”同时，配合“知识库搜索”工具，确保 Agent 能有效利用已有的标准条款和风险案例数据。
知识库搜索节点的配置直接影响比对效果。在“搜索设置”中，“相似度阈值”的设置范围可在 0.75 到 0.85 之间，用于筛选相关性高的知识。较低阈值可以增加召回率但可能引入噪声，较高阈值则提升准确性但可能漏掉相关条款。此外，“单次搜索数量”可设置为 3 到 5 条，以确保 Agent 有足够上下文进行分析。
知识库与检索怎么配
合同审查场景的知识库构建，核心在于将标准合同模板、法律法规条文、历史风险案例、行业指引等文本进行切分和索引。切分策略上，优先采用按段落或关键条款进行切分，确保每个块包含独立的语义信息。例如，将一份标准合同的“付款条款”、“违约责任”等独立章节作为独立的知识块。索引时，可选择 Milvus 或 PostgreSQL(pgvector) 作为向量库，利用其高效的向量检索能力。
召回条数通常设定在 3 到 7 条之间。召回过多会增加后续 AI 处理的复杂度，引入不相关信息，召回过少则可能导致关键信息缺失。检索过程中，优先采用语义检索与关键词检索相结合的方式，先通过语义向量召回相关段落，再利用关键词对召回结果进行二次筛选或加权。
重排环节必不可少，可利用 fastgpt-plugin v1.1.2 中支持的重排模型对初步召回结果进行排序。重排的判据应包括与查询的语义相似度、条款重要性（可提前在知识块中进行标注）、以及是否存在明确的风险关键词。例如，如果查询涉及“违约责任”，重排时应优先展示包含“违约金”、“解除合同”等词汇的条款。在进行风险评估时，也可将风险等级高的知识块在重排时赋予更高的权重，使其更容易被 AI 对话节点引用。
验收怎么做
验收应通过抽样复核的方式进行。选取不同类型、不同复杂度的合同样本，样本量应覆盖常见的合同类型和风险分布。针对每个样本，需要人工复核系统输出的：
- 关键信息提取准确率： 系统是否准确提取了合同名称、当事人、金额、日期等字段。
- 条款比对差异识别率： 系统是否准确识别了与标准模板或法规不一致的条款。
- 风险点标注准确率： 系统标注的风险点是否确实存在，且风险等级判断是否合理。
- 审查意见相关性与合理性： 系统生成的审查意见是否切中要害，并提供建设性建议。
判合格的口径由业务部门的资深法务专家和合规负责人共同制定。例如，可设定在特定类型的合同中，关键信息提取准确率需达到 95% 以上，高风险条款识别率达到 90% 以上，且生成的审查意见 80% 以上被人工采纳。这些具体的合格阈值需要在项目启动前，基于历史数据和业务经验进行细致评估和协商确定。
这个行业容易踩的坑
- 现象： AI 生成的审查意见过于通用或表述模糊。 原因： AI 对话模型的 Prompt 设计不够具体，未明确要求输出特定格式或专业程度的审查意见。
- 现象： 合同条款比对后，系统频繁误报不相关的差异。 原因： 知识库切分粒度过细或过粗，导致检索结果缺乏上下文，或者相似度阈值设置不当。
- 现象： 系统无法处理特定格式或扫描件的合同，导致流程中断。 原因： 未充分考虑各类合同源文件的预处理和解析能力，文件格式支持清单未覆盖业务实际。
- 现象： 法务人员对 AI 辅助结果不信任，仍然需要完整的人工复核。 原因： 缺乏透明的AI推理过程展示，未能建立起人机协作的信任机制，或初期验收标准过于宽松。
- 现象： 系统在识别新兴或复杂风险时表现不佳。 原因： 知识库更新不及时，未能涵盖最新的法律法规和行业风险案例。
什么情况下先不要做
当企业内部没有明确的合同审查标准或风险识别指引时，或者现有合同文本的电子化程度极低，大部分是无法进行文本解析的图片扫描件时，不宜立即引入 AI 辅助合同审查。此外，如果业务部门对于 AI 结果的接受度极低，不愿意参与初期的模型训练和结果验证，或者没有资深法务人员参与方案设计和验收标准制定，项目的落地也将面临巨大挑战。缺乏高质量的历史合同数据和审查意见作为知识库和评估依据，AI 系统的效能将难以发挥。
相关阅读
- AI智能助手如何减少人工合同审核时间？ - FastGPT
- AI平台如何协助追踪合同执行情况？ - FastGPT
- AI 平台如何提升合同管理的整体效率？ - FastGPT
- 法律专业人员如何借助AI快速修订合同？ - FastGPT
需要进一步确认时
- 商务咨询：了解FastGPT在法务合规领域的更多方案
- 立即开始：访问FastGPT官网，体验平台能力
- 定价：获取符合法务与合规业务需求的产品方案