合同审阅这件事在大多数企业里其实是个既费时又容易被低估的环节。业务部门催着要签约法务手里压着一摞合同每份少说十几页多的上百页逐字逐句看下来一天能精审个三五份已经算快了。更麻烦的是很多风险点并不是一眼能看出来的要么藏在某个不起眼的条款里要么是格式上的硬伤比如盖章位置不对、金额大写小写不一致、编号断档。这些活儿说技术含量高吧确实有说重复枯燥吧也确实重复。我一直在想怎么用轻量的方式把这块提效后来实际搭了一套基于Coze和TextIn的“条款审阅规范审阅”方案跑通之后审一份常规合同的时间从40分钟降到了10分钟左右。这篇文章就把这套方案的思路、落地细节和踩坑过程完整复盘一遍给同样在做合同智能化审阅的同行一个可参考的样本。这套方案适合谁如果你所在的公司没有预算去做大模型微调也没有专门的数据团队但每天又确实有大量合同要审或者你是做企业服务、ToB解决方案的人想在交付里快速加上“合同审阅”能力那这套CozeTextIn的组合会非常对路。它的核心思路不复杂让TextIn负责把合同从PDF/图片变成干净的结构化文本让Coze上编排的两个Bot分别负责“条款审阅”和“规范审阅”一个管风险内容一个管格式规范最后合并成一份审阅意见。下面我把整个方案拆开讲。1. 合同审阅的日常“堵点”以及为什么我盯上了CozeTextIn1.1 法务审合同的真实痛点我接触过不少中小企业的合同审查流程发现一个共性现象法务人员大部分时间没有花在“判断风险”上而是花在了“找风险”上。一份采购合同拿过来先要看合同类型再看双方权利义务再逐条核对付款方式、违约责任、争议解决还要去查对方公司的工商状态去比对公司内部的合同模板差异。这些动作里真正需要法律专业判断的部分可能只占三成剩下七成都是信息查找和比对。信息查找的痛点是分散。条款可能散布在合同各个部分违约责任往往不是独立一条而是散落在“双方权利义务”“保密条款”“解除条款”里争议解决条款有时候写在最后有时候藏在附件里。人工查找不仅慢而且容易漏。我自己就遇到过一份合同争议管辖条款写的是“双方可向守约方所在地人民法院起诉”这个表述本身就有歧义但前面所有条款都正常很容易一扫而过。另一个痛点是格式规范。企业合同审查其实有两套标准一套是法律风险标准另一套是内部规范标准。很多公司合同模板里明确要求了编号格式、金额大写、签章位置、页眉标识但实际收上来的合同千奇百怪有的是扫描件有的是销售直接改过的word转PDF编号格式五花八门。人工审这些规范项眼睛特别容易疲劳看久了就会漏。1.2 为什么没选大模型微调而选Agent编排说实话合同审阅这个场景我也考虑过微调开源大模型比如用一批标注过的合同文本去微调一个7B或者13B的模型让它专门输出审阅意见。但评估下来放弃了原因有三。数据量不够是第一个问题。合同文本是很长的动辄几千上万字一份合同能标注出来的风险点可能就几个。想要微调出一个稳定可靠的模型至少需要几千份高质量标注样本对中小企业来说这个标注成本比招一个法务助理还贵。更新维护成本高是第二个问题。法律条文在变、公司内部规范在变、不同业务线的合同模板也在变。微调模型的迭代周期是按周甚至按月算的但业务侧的合同样式是按天变的。今天加了一种新的合作协议模板明天更新了保密条款标准文本微调模式下这些变更都很难快速跟进。第三个原因是“审阅”这个动作本质上不是生成而是匹配。审阅合同更像是拿着一个检查清单去逐项核对而不是让模型自由发挥说“我觉得这里有问题”。既然是匹配和核对用工作流编排的方式把规则、提示词、知识库组合起来反而更可控、可解释。这也是我选择Coze做Agent层的原因。1.3 方案定位把审阅拆成两条互不干扰的线这套方案落地时我明确把审阅拆成了两条线条款审阅和规范审阅。这两个事儿的逻辑完全不同混在一起做效果很差。条款审阅的核心是“风险判断”需要语义理解能力。比如“违约金不超过合同总金额的30%”和“违约金不超过实际损失”这两句话的风险等级完全不同判断依赖的是法律常识和上下文。规范审阅的核心是“格式校验”本质是字符串匹配和规则判断。比如合同编号是否连续、日期格式是否统一、大小写金额是否一致、是否需要页码。把这两件事拆开之后我可以分别用不同的方式去实现条款审阅靠Agent的对话推理规范审阅靠固定流程的规则引擎来跑。解决不了的问题留给人能自动化的问题全部自动化。2. TextIn这条“眼睛”合同文本结构化解析的落地细节2.1 上传格式的坑与预处理合同审阅的第一步是把非结构化的合同变成机器能读的文本。大部分公司手里的合同主要是两类一类是电子版直接转出的PDF文字层完整另一类是扫描件或者照片纯粹是图像。TextIn在这两类上都能处理但实际用下来预处理方式差别很大。如果是纯文字PDF直接调TextIn的文档解析接口就能拿到很好的结果版面、段落、表格基本都能还原。如果是扫描件建议先做一次图像预处理去阴影、纠偏、增强对比度。我一开始偷懒没做预处理直接解析一批手机拍摄的合同照片结果表格区域错位严重金额数字识别错了好几个。后来在流程里加了一步图像增强错误率明显下降。另外一个容易忽略的坑是合同附件。很多合同的真实内容在附件里比如采购清单、服务范围、报价明细。TextIn的解析会把附件单独识别为独立的页或者区块如果你的Coze工作流只提取了解析结果的正文部分附件里的关键信息就会被丢掉。我的做法是解析完成后先按页拆分段落再自动检索“附件”“附表”“附件一”这类关键词把后面的内容单独存为一个文本块后续审阅时作为补充上下文传入。2.2 版面解析与字段抽取的实操表现TextIn的字段抽取能力在我的测试里表现不错尤其是针对合同里几个高频字段合同编号、签约日期、甲方乙方名称、合同金额、付款方式、争议解决方式。它的做法是基于版面分析和预训练模型把结构化字段从非结构化文本里抠出来返回JSON格式。我做了一个小测试用50份真实脱敏合同去跑抽取统计了一下准确率。字段准确率主要错误类型合同编号94%扫描件中数字/字母混淆如0与O、1与I签约日期96%中文数字日期无法识别为日期格式合同金额91%大写金额与小写金额拆分错误付款方式88%未明确写“付款方式”时抽取失败争议解决方式85%同时存在仲裁和诉讼条款时只取其一这个准确率不能直接用但作为前处理已经够了。我的设计思路是抽取结果不直接作为审阅结论而是用来做三件事——一是填充审阅报告的封面信息二是帮条款审阅Bot快速定位关键段落三是给规范审阅Bot提供比对基准。一个细节是金额字段。TextIn能把“人民币壹佰万元整”和“1,000,000.00”都识别出来但中间有空格、换行或者全半角混用的时候容易识别成两个独立字段。解决办法是在Coze工作流里加一步金额归一化处理把中文大写转成阿拉拍数字再统一格式这一步我后面会详细说。2.3 解析结果要怎么接进CozeTextIn返回的解析结果是一大段JSON不能直接丢给大模型去读。我在Coze里做了一层“解析瘦身”只保留正文文本、表格的markdown还原、以及抽取出的结构化字段把这些组装成一个精简的上下文包。这样大模型处理的时候输入tokens减少了大概60%响应速度和费用都友好很多。组装之后的数据结构大概长这样{ contract_meta: { contract_no: HT-2024-00123, contract_date: 2024-06-18, party_a: 某科技有限公司, party_b: 某供应链管理有限公司, amount: 1000000.00, payment_terms: 合同签订后7日内支付30%验收合格后支付70% }, sections: [ {id: s1, title: 合同双方信息, content: ...}, {id: s2, title: 服务内容, content: ...}, {id: s3, title: 付款方式, content: ...} ], appendices: [], flags: { scan_quality: good, has_seal: true, has_signature: true } }这个结构是我的私有协议TextIn只是生产它的工具之一。后续不管换解析服务商还是接入其他数据源只要输出还符合这个协议上游流程都不用改。这个设计让我在切换解析方案时非常从容。3. 条款审阅的核心不是让AI“读合同”而是让它“查清单”3.1 条款审阅的整体逻辑设计很多人以为条款审阅就是把整份合同丢给大模型让它输出“这份合同有什么风险”。实际做下来这种开放式的用法效果很不稳定。大模型可能这次指出三处风险下次同一份合同指出五处还有两次指的点不一样。原因在于合同的表述千变万化模型没有标准的参照系输出自然漂移。我的做法是反过来的先让法务把审阅标准拆成一份“审查项清单”每一项是“要查什么、什么情况算有问题、风险等级怎么定”。然后把这个清单作为知识库注入Coze让条款审阅Bot严格按清单逐项核对而不是自由发挥。清单长什么样举个例子审查项编号审查项名称风险判定标准默认风险等级C01合同主体资格乙方无营业执照编号或甲方为个人但未写明身份证号高C02付款节点合理性预付款比例超过50%且无对应担保条款中C03违约责任对等性甲方违约赔偿上限不超过合同额10%乙方违约赔偿无上限高C04争议解决条款争议解决方式同时约定仲裁和诉讼高C05知识产权归属委托开发成果知识产权约定归甲方但未排除乙方背景知识产权中这个清单的每一项都对应着明确的“场景-问题-等级”Bot的工作就是拿着这份清单去合同里找证据。找到相关条款就摘录原文再对照判定标准给结论找不到就说“未发现相关问题”而不是硬编一个风险出来。这样做有三个好处。第一是可解释性每个风险结论都能追溯到合同原文和审查项标准业务侧能看懂也敢用。第二是可维护性法务想调整某个风险的等级改知识库里的一项描述就行不用动代码。第三是可控性Bot不会“过度发挥”输出一些法务没要求的风险类型避免了误报和噪音。3.2 风险识别怎么做得稳提示词里的“拿来主义”审查项清单能不能生效很大程度取决于提示词设计。我试过几种写法最终的效果差异非常明显。先说一种不好的写法“请审阅本合同找出所有风险。”这种写法太泛模型会把很多中性表述也当成风险误报率极高。我见过它把“双方协商解决”这种常规表述标成“约定不明确存在风险”。后来我改成结构化的提示词核心是让模型学会“引用原文”。我不是让它直接回答“有什么风险”而是要求它每一处结论都必须包含三部分风险条款的原文摘录、命中的审查项编号、接近风险等级的理由。实践下来引用原文这个动作本身就能让模型更克制因为它需要找到客观依据才敢下结论生造风险的情况大幅减少。再一个细节是“边界声明”。我在提示词里明确说了合同审阅是辅助工具不作为法律意见。这个声明不仅是合规需要也能让模型在输出时主动加强语气上的克制比如“初步提示”“建议人工复核”这类措辞出现得更频繁。3.3 条款审阅的落地流程条款审阅Bot在Coze上跑起来之后我给它设计了一个标准的处理流程每一步的输入输出都很明确。文本预处理是在进入Bot之前完成的TextIn解析加瘦身这一步跟Bot本身解耦。然后Bot拿到结构化合同文本先从JSON里读取合同类型、金额、双方名称等元信息用它去匹配“适用于采购合同”还是“适用于服务合同”的审查项子集避免用错误的清单审合同。接着逐项读取审查项清单从合同正文中检索对应内容用相似度匹配的方式定位最相关的条款提取原文。每命中的一个风险点都输出“原文摘录审查项编号风险说明风险等级”四件套。最后把所有风险点汇总成一段审阅结论按高风险到低风险排序输出审阅意见。这套流程跑下来最大的感受是“稳定”。同一份合同不同的模型温度设置下审阅结果基本一致差异只在措辞风险点不会漏也不会多。这种稳定性比偶尔“惊艳一下”重要得多因为法务只有在结果可预期的情况下才敢真正用到日常流程里。4. 规范审阅把审稿人的“强迫症”变成自动化4.1 规范审阅到底查什么条款审阅解决的是“合同内容合不合理”的问题。还有一类问题内容层面完全没问题但就是格式上不过关这类问题交给条款审阅Bot去管反而效果不好。我把它单独拎出来形成了规范审阅这条线。规范审阅查的项大概是这些合同编号是否符合公司编码规则比如统一以“HT-”开头、年份为四位、流水号为五位所有日期是否格式统一不能出现“2024年6月18日”“2024-06-18”“2024/6/18”混用金额大小写是否一致大写金额能否对应上小写数字分页是否连续页脚页码从第1页排到最后一页合同主体名称是否统一正文里写“某供应链管理有限公司”签约页写“某供应链公司”这种不一致会被标出来签章位置是否正确比如骑缝章左侧还是右侧授权代表是否签字。这些项看起来琐碎但恰恰是人工审最容易疲劳出错的地方。有个例子我觉得特别能说明问题。有一批合同正文里约定的付款比例是“预付30%验收后70%”但合同首页右上角的付款方式摘要写的是“预付50%验收后50%”。两个地方不一致法务人工审的时候看了正文没看摘要结果硬是让这份合同走完了全流程。后来我跟某团队的同行交流发现这种情况不在少数。这种“信息不一致”的核对企业没有很好的工具去做而规范审阅Bot就能很轻松地比对出来。4.2 规范审阅的流程实现规范审阅在Coze里我实现成了一个独立的工作流用规则引擎的方式跑而不是靠大模型的语义理解。原因很简单这些检查项没有模糊空间要么一致要么不一致用固定逻辑跑又快又准。工作流的第一步从解析结果里取出所有编号、日期、金额、主体名称等字段。第二步对每个字段做标准化编号规则用正则校验日期统一转成“YYYY-MM-DD”再比对金额大小写用转换库把中文大写转成数字再比对。第三步输出差异。所有差异统一汇总成表格标注是哪个字段、原文是什么、应有格式是什么、差异类型是什么。我用Coze里的“数据库”节点存了公司合同模板的各类规范参数比如前缀规则、是否要求骑缝章、页码从封面算起还是正文算起。这样当公司的规范变更时只需要改数据库里的配置不用动整个工作流。这一层抽象做对了后续维护起来非常轻松。4.3 误报控制是规范审阅的生命线规范审阅最怕什么怕误报。因为格式类问题的结论是人可以直接核对的如果规则放得太宽不对的也给标出来那法务对这个模块的信任感会迅速清零。我踩过一个典型的坑金额一致性检查。最初实现时我把所有出现的数字都拿来比对结果一份合同里写“本合同一式肆份甲乙双方各执贰份”这里的“肆”“贰”被当成大写金额去转换当然转出来不对系统就报了一个“金额不一致”。这个误报看起来低级实际在处理真实合同时非常常见。因为中文数字不只出现在金额里还会出现在数量、份数里。后来我加了限制条件只有紧邻“人民币”“元”“”这类货币符号的数字才纳入金额比对。另一个管用的招是分级而非一刀切。规范审阅的输出不直接说“错误”而是分“不一致”“需人工确认”“正常”三档。只有明确违反规则的才叫“不一致”介于模糊地带的一律叫“需人工确认”。这个设计让法务面对系统结果时的心理负担小很多不会因为误报而全盘否定工具的价值。5. 两个Bot怎么协同以及真实的效果数据5.1 并联还是串联我选了并联条款审阅Bot和规范审阅Bot是两个独立的流程但它们在真实使用中要服务于同一份合同。这里有一个流程设计问题先跑条款还是先跑规范或者两个同时跑我最终选择了并联也就是一份合同解析完之后同时喂给两个Bot各自产出审阅结果最后在展示层合并。原因是这两个任务互相不依赖串联反而会拖慢整体速度。规范审阅需要的字段在解析阶段就齐了不用等条款审阅完成。并联跑十份合同两份结果几乎同时出来体验上流畅很多。合并也不是简单地把两段文字拼在一起。我设计了一个统一的报告结构上半部分是合同基础信息包括合同编号、签约方、金额这些自动填充中间部分是条款审阅的风险清单按风险等级排列下半部分是规范审阅的不一致清单按检查类别排列。两份清单之间用醒目的分隔区分开避免阅读时混淆轻重。5.2 我实测的一组数据这套系统在测试集上的表现我用真实的脱敏合同数据跑了一轮。合同样本里既有标准的电子PDF也有手机拍照的扫描件还有一份带附件的购销合同。我用它跑了20份统计了一下关键指标。指标数值说明单份合同平均处理时长约8分钟从上传到生成完整报告条款审阅高风险识别准确率82%人工复核后确认的风险规范审阅不一致检出率96%规则引擎漏报极少审阅时间对比40分钟降至8分钟同等合同量下提效约5倍条款审阅的准确率82%意味着还有18%的风险点被漏掉了。这个漏检主要集中在需要复杂法律推理的场景比如违约责任对等性里涉及到“间接损失”排除的效力判断或者多个条款组合起来才能看出的问题。这类场景目前确实做不到全自动必须有法务人工兜底。我的结论是这套方案的价值在于“提效”把简单重复的事做掉把需要专业判断的留给法务而不是取代法务。5.3 成本到底贵不贵关于成本很多同行问过我。我算了一笔账以一份20页的合同为例TextIn的解析费用按页计大概两三毛钱Coze的AI节点按token计一份合同整轮审阅大约消耗两三万token换算下来也是几毛钱。综合下来一份合同的机器成本在一块钱出头。相比法务人工审一份合同三四十分钟这个成本完全是可接受的。我对成本的理解是它不是算单份合同花了多少钱而是算审阅能力的边际成本。有了这套系统法务每天能审的合同量可以翻倍而机器成本几乎可以忽略。对于合同量大、但法务人手不足的中小企业来说这才是最划算的地方。6. 落地过程中踩过的坑和后续想做的事6.1 我踩过的几个典型坑第一个坑是扫描合同的光照不均。手机拍摄的合同经常有阴影如果预处理不到位TextIn解析出来的文字会断行尤其是金额数字。后来我在解析前加了图像增强处理同一个解析任务的字准确率提升了大概7个百分点。这个预处理细节直接决定了后续审阅的准确率。第二个坑是合同结构的不确定性。很多合同没有一级标题正文直接就是“第一条”“一、”“1.”混用。工作流里做节点定位时如果只按标题匹配很容易把“服务内容”里的“1.”当成“第一条”来处理。后来我引入了层级识别逻辑通过字体、缩进、编号模式综合判断而不是单靠关键词匹配。第三个坑是条款重叠。这个问题很隐蔽。一份合同里可能同时出现“违约责任”和“违约条款”两个章节里面的内容有重叠但表述不完全一致。人工审的时候会发现“怎么同样的事写了两次”但AI容易把两处当成互相独立的条款各审一遍导致报告里出现重复风险点。我最后的解决方案是在输出端加了相似度去重把原文重叠度超过某个阈值的风险点合并成一条再统一说明。6.2 这套方案的边界在哪聊了这么多效果也得说清楚边界。它不是万能的有些场景我觉得不适合硬套。比如高度定制化的复杂合同像跨境并购、融资协议这类动辄百页、涉及多重专业判断的文件目前的规则加知识库模式很难覆盖周全。这套方案的舒适区是企业日常经营中的高频合同采购、销售、服务、租赁、保密协议。这些合同量大、结构相对标准化审查项清单可以比较全面地覆盖。另外文本审阅不等于法律背调。它看不到对方的工商状态、涉诉记录、经营异常这些需要对接企业征信数据源技术上可以做但那已经超出了“合同审阅系统”的范畴属于“签约前背景调查”系统了这是另一个话题。还有一点这套方案的输出严格来说只是审阅意见不是法律意见书。它不能代替法务决策只是把决策前需要看到的信息整理得更充分、更及时。我建议所有做合同AI工具的人都在报告开头写清楚这句话这不是免责声明而是对产品定位的清醒认识。6.3 我把这套方案分享出来的考虑写这篇文章之前我也犹豫过方案里很多细节比如清单怎么设计、提示词怎么结构化、报告格式怎么定都算不上什么高深技术更像是日常踩坑踩出来的经验。但后来想想合同审阅这个场景在企业数字化里属于“叫好不叫座”的品类讨论的人多能落地的方案少。我把自己摸索出来的这条轻量路径完整写出来如果能帮同行少走两个月的弯路那就值得了。最后分享一个实操中的小体会做这类AI辅助工具最需要关注的不是模型多聪明而是底线稳不稳。模型聪明带来的收益是增量的而模型失控造成的信任损失是断崖式的。合同审阅是个高风险场景一次离谱的误报可能让法务再也不敢用。所以宁可在方案里多留几条“需人工确认”的兜底路径也不要为了显得智能而把话说满。这条原则贯穿这套方案的每一个细节。