By 黄金金枪鱼 
「给你一份 100 多页的并购协议，设计一个 Agent 自动挑出风险条款——你会怎么搭？」这是法律科技方向面试里最能拉开差距的一道题。它表面在问 RAG，实际考的是长文档处理、结构化抽取、风险建模和可追溯性四条主线。答得浅，就是「切块 + 塞进 GPT」；答得深，能讲清每一层为什么这么设计。
一、为什么合同审查不能直接「塞进大模型」
一份主协议加附件动辄上百页，远超单次上下文窗口；即便塞得下，注意力也会在长文本中间「迷路」（lost-in-the-middle）。更关键的是，合同审查是高精度、可追溯的任务：每一条风险结论都要能指回原文条款编号，不能有半点幻觉。所以主流方案不是「一把梭」，而是把任务拆成检索、抽取、判断、标注的流水线。斯坦福等团队发布的 CUAD 数据集专门标注了 41 类合同条款，正是把「合同理解」拆成结构化子任务的范式起点。
二、6 层架构总览
一个生产级合同审查 Agent 通常分为六层，从文档进来到风险报告出去逐层收敛：
前两层解决「读得进」，中间两层解决「看得懂」，后两层解决「说得清、查得到」。运行时一次审查请求在各层之间的流转如下：
三、长文档分块：层级索引优于扁平切块
固定长度切块会把一个条款拦腰截断，破坏语义完整性。合同天然有「章—条—款—项」的层级结构，正确做法是层级分块（hierarchical chunking）：先按标题层级切成大节，再在节内按条款边界细分，并保留「父节点摘要 + 子条款」的索引关系。检索时先命中大节，再下钻到具体条款，兼顾召回与精度。开源工具如 Unstructured 能把 PDF/Word 解析成带层级的结构化元素，是这一层的常用底座；社区也在探索自适应分块（adaptive chunking）按内容动态选择切分粒度。
四、条款抽取：NER + RE 双轨方案
抽取层的目标是把自由文本变成结构化字段。单靠命名实体识别（NER）只能拿到「甲方、金额、日期」这类实体，拿不到实体间关系。所以要 NER + 关系抽取（RE）双轨并行：NER 定位实体，RE 判断「谁对谁负有什么义务、在什么条件下生效」。这一步的输出是一张条款级的结构化表，为后续风险判断提供可计算的输入，而不是让 LLM 面对一大段原文空想。
五、风险标注：三维分级而非一刀切
风险不是二元的「有/无」，成熟系统按维度分级：
- 合规风险：是否违反强制性法规或监管要求
- 商业风险：付款、违约金、独占条款等对己方是否不利
- 法律风险：管辖、仲裁、责任上限等兜底条款是否缺失
每个维度再分高/中/低，用规则库（硬性红线）+ LLM 推理（语义判断）双通道给出结论。规则命中的走确定性逻辑，模糊语义的交给模型，最后融合。这样既保住了对已知红线的召回，又保留了对新型条款的泛化能力。
六、幻觉控制：可引用性是底线
法律场景对幻觉零容忍。核心设计是强制可引用（grounding）：每一条风险结论必须携带其依据的原文条款编号，前端可一键跳转原文高亮。做不到回指的结论一律标为「待人工确认」而非直接输出。版本对比同理——用条款级向量相似度做 diff，标出改动、新增、删除，而不是让模型「凭印象」描述差异。评测上，LegalBench-RAG 这类基准专门衡量法律 RAG 的检索精度与可追溯性，可作为选型参考。
面试答题模板（生产工程师视角）
被问到这道题时，建议按 STAR-L 结构组织，一分钟讲清主线：
1. 拆任务：先说明合同审查 = 分块 + 抽取 + 判断 + 标注四段流水线，不是端到端一把梭
2. 抠难点：点出长文档「lost-in-the-middle」和幻觉两大硬关，体现你踩过坑
3. 给方案：层级分块 + NER/RE 双轨 + 规则/LLM 双通道 + 强制可引用，逐层对应
4. 谈权衡：召回优先还是精度优先、规则覆盖度 vs 模型泛化、成本 vs 时延
5. 收边界：强调「AI 输出仅供参考、终审在律师」，展示对合规边界的敬畏
关键点
- 长文档核心矛盾是「切得准」——层级分块 > 扁平切块
- 抽取要 NER + RE 双轨，才能拿到条款间的义务关系
- 风险分级是多维（合规/商业/法律）× 高中低，不是布尔值
- 可追溯性（回指条款编号）是法律 Agent 的生命线
行业影响与展望
法律科技正从「关键词检索工具」走向「结构化推理 Agent」。据公开报道，头部律所与法务团队已在合同初审、尽调、类案检索等环节引入 AI 压缩人工工时。但可追溯性、保密边界与执业规范仍是落地的核心约束——能把「审得快」和「查得到」同时做好的方案才是真正的竞争力。
参考资料
官方文档
- CUAD: An Expert-Annotated NLP Dataset for Legal Contract Review (arXiv 2103.06268) - 41 类合同条款标注数据集
- LegalBench-RAG: A Benchmark for Retrieval-Augmented Generation in the Legal Domain (arXiv 2408.10343) - 2024
开源项目
- Unstructured-IO/unstructured - 文档版面解析与结构化分块底座
- lawglance/lawglance - 开源 RAG 法律助手
- jiangnanboy/contract_review - 中文合同智能审核开源实现
行业报道
社区讨论
对比基准
- zeroentropy-ai/legalbenchrag - LegalBench-RAG 评测代码
- ekimetrics/adaptive-chunking - 自适应分块策略对比
本文由 AI 生成。内容基于公开资料整理，可能存在事实偏差，引用链接请以原始来源为准。