设计一个合同审查助手：长文档、条款比对、风险标注

把合同解析成文本，按条款切块建索引，用户提问时检索相关条款回答。风险标注可以预先定义一批风险点，让模型逐条判断有没有命中，命中就标出来并给出原文位置。再和标准模板做对比，找出不一样的地方。

方向对，但它是一个「检索式」方案——用它来找「合同里关于付款的约定是什么」没问题，用它来发现「这份合同没有约定违约金」就会漏。而后者才是法务真正怕的那件事。

① 先问四个问题：合同类型标准化程度多高——是同一套模板改改，还是每份都不一样？有没有现成的标准条款库或审查清单？审查目标是「找风险」还是「找与我方模板的偏离」——这两件事的做法完全不同。谁用——法务复核（可以容忍误报）还是业务自助（误报会让人不敢用）？

假设：以采购合同为主、有一份内部标准模板和一份三十条的审查清单、目标是辅助法务复核、量级每天几十份。

② 基线：不是 RAG，是「清单驱动的逐条核查」。 拿那三十条审查清单，把合同按条款结构切开，每一条清单项都对全文过一遍，输出三态：有 / 无 / 有但偏离，并给出原文位置。这套东西最土，但它天然能发现「缺失」——因为它是从清单出发去找证据，而不是从文本出发去检索。基线能到什么水平：标准化程度高的合同类型，常见条款的有无判断可以做得相当稳；不稳的是「偏离」的判断和非标条款。

③ 加挂，每样说代价：

• 检索只做辅助，不做主干。解决什么：用户主动提问时（「违约金约定是多少」）用检索快。什么时候不该用：任何涉及「有没有」「全不全」的问题都不能用检索——检索的召回率在这里等价于漏报率。
• 结构化解析：先抽条款编号与层级，让「第 8.2 条」这种引用能被定位。代价：解析规则要按合同模板维护，非标合同解析质量会掉；配套：解析失败时必须显式降级并提示「本文档结构识别失败，已按整体扫描处理」，而不是静默按纯文本走。
• 长文档处理：六十页放得进窗口不代表用得好——上下文越长，中段的信息越容易被漏掉。做法是分段逐条核查 + 全局摘要回填：每段独立判断，最后再用一份「已发现事实清单」做一次全局一致性检查（比如前面约定的付款周期和后面附件是否冲突）。代价：调用次数上去了，成本按段数线性增长；收益：这是唯一能稳定发现「前后矛盾」的做法。
• 条款级比对（红线视图）：和标准模板逐条对齐，输出「新增 / 删除 / 修改」。代价：对齐本身是个难题，条款顺序和措辞都可能变，纯文本 diff 不可用，要做语义对齐；不该用：没有标准模板的场景，比对无从谈起，此时只能做清单核查。
• 风险分级与解释：每条标注要给风险等级 + 触发依据 + 原文位置。代价：约束了输出自由度、会降低召回；但必须付——法务不会采纳一个说不出理由的标注。

④ 评测：这是本题最需要反直觉的一段——召回率优先。

• 主指标是漏报率，不是准确率。因为漏掉一条风险条款的代价，可能是几十倍于「多标了三条让法务多看两分钟」。
• 评测集要按条款类型分层（付款、违约、知识产权、争议解决、保密），因为不同类型的失败原因完全不同；每类的样本要包含缺失样本（人为删掉某条的合同），这是专门测「发现缺失」能力的。
• 判分靠法务人工，判分成本高，所以评测集要小而精——几十份精标合同远胜几百份粗标。
• 零成本信号里最有用的是复核修改率：法务把 AI 标注改掉的比例，以及法务额外补标的比例（后者直接就是漏报率的线上代理）。
• 统计关同样适用：样本几十份的时候，指标波动很大，别拿单次结果下结论。

⑤ 演进：出现「某几类标准合同的漏报率长期为零且样本足够」→ 才考虑对这几类做「低风险自动放行」；出现「非标合同占比上升」→ 该扩清单和模板库，不是换模型。退路：一旦线上出现一次真实漏报，对应条款类型立刻退回全人工复核。