在企业法务工作中合同审核是高频且高风险的环节。传统的人工审核不仅耗时耗力还容易因疲劳或经验差异导致关键条款的遗漏。随着大语言模型LLM技术的成熟构建一个能够自动、智能、按既定规则审查合同的AI智能体Agent已成为可能。本文将手把手教你如何构建一个“Word Legal Agent”它能够读取Word合同文档并依据你预先定义的“Playbook”检查剧本进行自动化审查输出结构化的风险报告与修改建议。无论你是希望提升法务效率的开发者还是对AI应用落地方案感兴趣的技术人员都能从本文中获得一套完整、可复现的实战方案。1. 项目背景与核心概念1.1 为什么需要合同审查AI Agent合同审查的核心是风险识别与条款完善。对于企业尤其是中小企业法务资源有限但合同数量庞大、类型多样。人工审核面临几个痛点效率瓶颈一份几十页的合同逐字逐句审查可能需要数小时。标准不一不同法务人员的经验、侧重点不同可能导致审查标准不统一。疲劳疏漏重复性劳动容易让人疲劳从而忽略某些隐蔽的风险点如争议解决条款中的细微差别、责任上限的绝对化表述等。知识沉淀难资深法务的经验难以快速、系统地转化为新人的能力。AI Agent为解决这些问题提供了新思路。它不知疲倦可以7x24小时工作它严格遵循预设规则Playbook确保审查标准一致它能快速处理海量文本并基于庞大的法律知识库进行风险提示。1.2 核心概念解析Agent与Playbook在开始构建之前我们需要明确两个核心概念AI Agent智能体在本文语境下它不是一个单一的模型而是一个具备自主感知、决策和执行能力的软件系统。我们的“Word Legal Agent”需要能完成以下任务感知读取并理解Word文档中的文本、段落结构乃至表格内容。决策根据“Playbook”中的规则判断合同条款是否存在风险、是否缺失、是否合规。执行生成审查报告甚至提出具体的修改建议文本。Playbook检查剧本这是Agent的“大脑”和“行动指南”。它定义了审查的逻辑、规则和标准。一个合同审查Playbook通常包含审查维度如合同主体、标的物、价款支付、交付验收、违约责任、知识产权、保密、争议解决等。具体规则每条规则对应一个具体的检查点。例如“检查合同是否包含明确的争议解决条款仲裁或诉讼。”“检查违约责任中是否设定了过高的违约金比例如超过合同总价的30%。”“检查付款条件是否与交付里程碑明确挂钩。”风险等级为每条规则定义风险等级如高、中、低以便在报告中优先处理。建议模板为常见问题提供标准的修改建议或条款范本。我们的目标构建一个Agent它能加载一个Word合同文件和一个结构化的Playbook配置文件然后自动执行审查并输出一份易于理解的报告。2. 环境准备与项目结构2.1 技术栈选择为了实现上述目标我们选择以下技术栈兼顾功能强大与开发便捷编程语言Python。因其在自然语言处理NLP、文档处理和AI集成方面的丰富生态。文档处理python-docx库。用于读取.docx格式的Word文档提取文本和基础结构信息。AI大模型接口OpenAI API (GPT-4/3.5-Turbo) 或 国内兼容API如智谱、DeepSeek。这是Agent的“认知核心”负责理解文本和基于Playbook进行推理。本文示例将使用OpenAI API格式你可以替换为任何兼容的提供商。配置管理PyYAML。用YAML格式来定义结构化的Playbook清晰易读。报告生成Jinja2。使用模板引擎来生成格式美观的HTML或Markdown审查报告。2.2 环境搭建创建项目目录mkdir word_legal_agent cd word_legal_agent创建虚拟环境推荐python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate安装依赖包 创建requirements.txt文件内容如下openai1.0.0 python-docx1.1.0 PyYAML6.0 Jinja23.1.2 python-dotenv1.0.0执行安装pip install -r requirements.txt配置API密钥 创建.env文件务必加入.gitignore用于安全存储密钥OPENAI_API_KEYyour_openai_api_key_here # 如果使用其他模型可添加如 # ZHIPU_API_KEYyour_zhipu_api_key # BASE_URLhttps://api.openai.com/v1 # 如需指向代理服务2.3 项目结构设计一个清晰的项目结构有助于代码维护和功能扩展。word_legal_agent/ ├── .env # 环境变量API密钥 ├── requirements.txt # 项目依赖 ├── config/ │ └── playbook.yaml # 审查剧本配置文件 ├── core/ # 核心模块 │ ├── __init__.py │ ├── document_reader.py # 文档读取器 │ ├── playbook_loader.py # Playbook加载器 │ ├── legal_agent.py # 核心Agent逻辑 │ └── report_generator.py# 报告生成器 ├── templates/ # Jinja2报告模板 │ └── report_template.html ├── data/ # 示例合同与输出 │ ├── sample_contract.docx │ └── outputs/ ├── main.py # 主程序入口 └── README.md3. 核心模块拆解与实现3.1 文档读取器 (document_reader.py)Agent需要“看到”合同。本模块负责从Word文档中提取纯文本并尽可能保留一些结构信息如标题。# core/document_reader.py from docx import Document from typing import List, Tuple class DocumentReader: def __init__(self, file_path: str): self.file_path file_path self.doc Document(file_path) def extract_full_text(self) - str: 提取文档全部文本合并段落。 full_text [] for paragraph in self.doc.paragraphs: if paragraph.text.strip(): # 忽略空行 full_text.append(paragraph.text) return \n.join(full_text) def extract_text_with_structure(self) - List[Tuple[str, str]]: 提取带简单结构的文本。 返回一个列表每个元素是 (段落样式, 文本内容)。 可用于识别标题、正文等简化版。 structured_text [] for paragraph in self.doc.paragraphs: text paragraph.text.strip() if text: # 简单判断如果段落样式名包含‘Heading’则认为是标题 style_name paragraph.style.name if paragraph.style else Normal structured_text.append((style_name, text)) return structured_text def get_metadata(self) - dict: 获取文档基础元信息。 core_props self.doc.core_properties return { title: core_props.title, author: core_props.author, created: core_props.created, modified: core_props.modified, } if __name__ __main__: # 简单测试 reader DocumentReader(../data/sample_contract.docx) print(文档前500字符) print(reader.extract_full_text()[:500])3.2 Playbook加载器 (playbook_loader.py)Playbook是Agent的规则库我们用YAML来定义因为它对人类友好且易于程序解析。# config/playbook.yaml version: 1.0 name: 通用技术服务合同审查剧本 description: 适用于技术开发、咨询、服务类合同的初步风险审查。 rules: - id: R001 category: 合同主体 description: 检查合同双方名称、统一社会信用代码等主体信息是否完整、准确。 risk_level: 高 check_prompt: | 请审查合同文本中是否明确列出了甲方和乙方的完整公司名称、统一社会信用代码或身份证号及联系地址。 如果发现任何一方信息缺失或不清晰请标记为问题。 suggestion_template: 建议在合同首部【甲方】、【乙方】部分明确填写完整的法律主体名称及统一社会信用代码。 - id: R002 category: 价款与支付 description: 检查合同总价是否明确支付节点是否与交付物或里程碑挂钩。 risk_level: 高 check_prompt: | 请审查合同中的价款条款。确认 1. 合同总价款是否以大小写两种形式明确写明。 2. 付款条件是否清晰如预付款、验收后付款、尾款。 3. 付款是否与明确的交付成果、里程碑或服务阶段挂钩。 如果价款不明确或付款条件过于模糊如仅写‘项目完成后付款’请标记为问题。 suggestion_template: 建议将付款与明确的交付里程碑绑定例如‘本合同总价款为人民币XX元大写XX元整分三期支付1. 合同签订后3个工作日内支付30%作为预付款2. 原型验收通过后支付40%3. 全部系统上线并终验合格后支付剩余30%。’ - id: R003 category: 知识产权 description: 检查背景知识产权与项目成果知识产权的归属约定是否清晰。 risk_level: 高 check_prompt: | 请审查合同中关于知识产权的条款。重点关注 1. 双方在合作前已拥有的知识产权背景知识产权是否明确归属各方且约定在履行本合同过程中可免费使用。 2. 因履行本合同所产生的新的知识产权项目成果知识产权归属是否明确。通常应约定归委托方甲方所有或双方共有。 3. 是否存在不合理的‘所有成果归受托方乙方所有’的条款。 如果知识产权条款缺失或约定对委托方不利请标记为问题。 suggestion_template: 建议明确约定‘双方各自拥有的背景知识产权归各自所有。乙方为履行本合同所产生的项目成果知识产权包括但不限于源代码、技术文档、设计图等所有权归甲方所有。甲方授予乙方为履行本合同目的所必需的免费使用权。’ - id: R004 category: 保密条款 description: 检查保密范围、期限和违约责任是否合理。 risk_level: 中 check_prompt: | 请审查合同的保密条款。确认 1. 保密信息范围定义是否清晰通常包括技术资料、商业计划、客户信息等。 2. 保密期限是否合理通常为合同期内及合同终止后2-3年。 3. 违约责任是否具有可操作性。 如果保密条款过于宽泛或期限永久可能对双方造成不当限制。 suggestion_template: 建议将保密期限修改为‘本协议有效期内及终止后两年’并明确违约赔偿的计算依据而非笼统的‘承担一切损失’。对应的Python加载器# core/playbook_loader.py import yaml from typing import List, Dict, Any from dataclasses import dataclass from pathlib import Path dataclass class Rule: id: str category: str description: str risk_level: str # 高 中 低 check_prompt: str suggestion_template: str class PlaybookLoader: def __init__(self, playbook_path: str): self.playbook_path Path(playbook_path) def load(self) - Dict[str, Any]: 加载并解析YAML格式的Playbook。 if not self.playbook_path.exists(): raise FileNotFoundError(fPlaybook文件未找到: {self.playbook_path}) with open(self.playbook_path, r, encodingutf-8) as f: data yaml.safe_load(f) # 将规则列表转换为Rule对象列表 rules [] for rule_data in data.get(rules, []): rules.append(Rule(**rule_data)) playbook_info { version: data.get(version), name: data.get(name), description: data.get(description), rules: rules } return playbook_info if __name__ __main__: loader PlaybookLoader(../config/playbook.yaml) playbook loader.load() print(fPlaybook名称: {playbook[name]}) print(f包含规则数: {len(playbook[rules])}) for rule in playbook[rules][:2]: # 打印前两条规则 print(f - {rule.id}: {rule.description})3.3 核心Agent逻辑 (legal_agent.py)这是项目的大脑它协调文档读取、规则加载并调用大模型API进行分析。# core/legal_agent.py import os import json from typing import List, Dict, Any from openai import OpenAI from dotenv import load_dotenv from .document_reader import DocumentReader from .playbook_loader import PlaybookLoader, Rule load_dotenv() # 加载.env文件中的环境变量 class LegalAgent: def __init__(self, model: str gpt-4-turbo-preview): 初始化Legal Agent。 :param model: 使用的LLM模型名称。 self.client OpenAI( api_keyos.getenv(OPENAI_API_KEY), # 如果使用其他兼容API可在此指定base_url # base_urlos.getenv(BASE_URL, https://api.openai.com/v1) ) self.model model self.document_reader None self.playbook None def load_document(self, doc_path: str): 加载待审查的合同文档。 self.document_reader DocumentReader(doc_path) print(f文档加载成功: {doc_path}) def load_playbook(self, playbook_path: str): 加载审查剧本。 loader PlaybookLoader(playbook_path) self.playbook loader.load() print(fPlaybook加载成功: {self.playbook[name]}) def _call_llm_for_rule(self, rule: Rule, contract_text: str) - Dict[str, Any]: 针对单条规则调用LLM进行审查。 system_prompt 你是一名专业的法律合同审查助手。请严格根据用户提供的审查规则Check Prompt来分析给定的合同文本。你的回答必须是纯JSON格式包含以下三个字段 1. violation_found: (布尔值) 合同文本是否违反了此规则或存在此规则描述的问题。 2. risk_level: (字符串) 直接返回规则中定义的risk_level如“高”、“中”、“低”。 3. analysis: (字符串) 对问题进行简要分析说明在合同文本中哪里发现了问题依据是什么。 4. suggestion: (字符串) 如果violation_found为true则根据规则的suggestion_template和具体问题生成具体的修改建议或条款文本如果为false则此字段为空字符串。 注意只输出JSON不要有任何其他解释。 user_prompt f 【审查规则】 {rule.check_prompt} 【合同文本】 {contract_text[:12000]} # 限制文本长度防止超出模型上下文 请根据上述规则审查合同文本。 try: response self.client.chat.completions.create( modelself.model, messages[ {role: system, content: system_prompt}, {role: user, content: user_prompt} ], temperature0.1, # 低温度保证输出稳定 response_format{type: json_object} # 强制JSON输出 ) result json.loads(response.choices[0].message.content) # 补充规则信息 result[rule_id] rule.id result[rule_category] rule.category result[rule_description] rule.description return result except Exception as e: print(f调用LLM处理规则 {rule.id} 时出错: {e}) # 返回一个安全的默认结果 return { rule_id: rule.id, rule_category: rule.category, violation_found: False, risk_level: rule.risk_level, analysis: f分析过程中发生错误: {e}, suggestion: } def review_contract(self) - List[Dict[str, Any]]: 执行合同审查遍历Playbook中的所有规则。 返回包含所有规则审查结果的列表。 if not self.document_reader or not self.playbook: raise ValueError(请先加载文档和Playbook。) contract_text self.document_reader.extract_full_text() print(f开始审查合同合同长度: {len(contract_text)} 字符) print(f将应用 {len(self.playbook[rules])} 条规则...) review_results [] for rule in self.playbook[rules]: print(f 正在处理规则: {rule.id} - {rule.category}) result self._call_llm_for_rule(rule, contract_text) review_results.append(result) print(合同审查完成。) return review_results3.4 报告生成器 (report_generator.py)审查结果需要以友好的形式呈现。我们使用Jinja2模板生成HTML报告。# core/report_generator.py from jinja2 import Environment, FileSystemLoader from typing import List, Dict, Any from datetime import datetime import os class ReportGenerator: def __init__(self, template_dir: str templates): self.env Environment(loaderFileSystemLoader(template_dir)) self.template self.env.get_template(report_template.html) def generate_html_report(self, review_results: List[Dict[str, Any]], playbook_info: Dict[str, Any], doc_metadata: Dict[str, Any], output_path: str) - str: 生成HTML格式的审查报告。 # 按风险等级和问题状态分类 high_risk_issues [r for r in review_results if r[violation_found] and r[risk_level] 高] medium_risk_issues [r for r in review_results if r[violation_found] and r[risk_level] 中] low_risk_issues [r for r in review_results if r[violation_found] and r[risk_level] 低] passed_rules [r for r in review_results if not r[violation_found]] context { report_date: datetime.now().strftime(%Y-%m-%d %H:%M:%S), playbook_name: playbook_info.get(name), playbook_desc: playbook_info.get(description), doc_title: doc_metadata.get(title, 未知合同), doc_author: doc_metadata.get(author, 未知), high_risk_issues: high_risk_issues, medium_risk_issues: medium_risk_issues, low_risk_issues: low_risk_issues, passed_rules: passed_rules, total_rules: len(review_results), issue_count: len(high_risk_issues) len(medium_risk_issues) len(low_risk_issues), } html_content self.template.render(**context) os.makedirs(os.path.dirname(output_path), exist_okTrue) with open(output_path, w, encodingutf-8) as f: f.write(html_content) print(fHTML报告已生成: {output_path}) return output_path def generate_summary_markdown(self, review_results: List[Dict[str, Any]]) - str: 生成一个简明的Markdown摘要便于快速查看。 issues [r for r in review_results if r[violation_found]] if not issues: return ## 审查结果摘要\n\n✅ **所有检查项均通过未发现明显风险。** summary [## 审查结果摘要\n] summary.append(f**共发现 {len(issues)} 个潜在问题**\n) for level in [高, 中, 低]: level_issues [i for i in issues if i[risk_level] level] if level_issues: summary.append(f\n### ⚠️ {level}风险问题 ({len(level_issues)}个)) for issue in level_issues: summary.append(f- **{issue[rule_id]} - {issue[rule_category]}**: {issue[analysis][:100]}...) return \n.join(summary)对应的HTML报告模板 (templates/report_template.html)!DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 title合同智能审查报告/title style body { font-family: Segoe UI, Tahoma, Geneva, Verdana, sans-serif; line-height: 1.6; color: #333; max-width: 1200px; margin: 0 auto; padding: 20px; } .header { border-bottom: 3px solid #2c3e50; padding-bottom: 20px; margin-bottom: 30px; } .header h1 { color: #2c3e50; } .meta { background-color: #f8f9fa; padding: 15px; border-radius: 5px; margin-bottom: 20px; } .meta table { width: 100%; border-collapse: collapse; } .meta td { padding: 8px 5px; border-bottom: 1px solid #dee2e6; } .meta td:first-child { font-weight: bold; width: 150px; } .risk-high { border-left: 5px solid #dc3545; background-color: #f8d7da; } .risk-medium { border-left: 5px solid #ffc107; background-color: #fff3cd; } .risk-low { border-left: 5px solid #28a745; background-color: #d4edda; } .issue-card { padding: 15px; margin-bottom: 20px; border-radius: 5px; } .rule-id { font-weight: bold; color: #495057; } .category { display: inline-block; background: #6c757d; color: white; padding: 3px 8px; border-radius: 3px; font-size: 0.8em; margin-left: 10px; } .suggestion { background-color: #e7f1ff; padding: 10px; border-radius: 5px; margin-top: 10px; border-left: 3px solid #007bff; } .passed { color: #28a745; } .summary-box { background: #e9ecef; padding: 20px; border-radius: 8px; margin: 30px 0; } /style /head body div classheader h1 合同智能审查报告/h1 p基于Playbook: strong{{ playbook_name }}/strong 自动生成/p /div div classmeta table trtd报告生成时间/tdtd{{ report_date }}/td/tr trtd审查剧本/tdtd{{ playbook_name }} ({{ playbook_desc }})/td/tr trtd审查文档/tdtd{{ doc_title }}/td/tr trtd文档作者/tdtd{{ doc_author }}/td/tr trtd审查统计/tdtd共检查 {{ total_rules }} 条规则发现 {{ issue_count }} 个潜在问题。/td/tr /table /div div classsummary-box h2 风险概览/h2 pspan stylecolor:#dc3545;font-weight:bold;高风险问题{{ high_risk_issues|length }} 个/span | span stylecolor:#ffc107;font-weight:bold;中风险问题{{ medium_risk_issues|length }} 个/span | span stylecolor:#28a745;font-weight:bold;低风险问题{{ low_risk_issues|length }} 个/span /p p以下为发现的问题详情请优先处理高风险项。/p /div {% if high_risk_issues %} h2 高风险问题 (需立即关注)/h2 {% for issue in high_risk_issues %} div classissue-card risk-high divspan classrule-id{{ issue.rule_id }}/span span classcategory{{ issue.rule_category }}/span/div pstrong规则描述/strong{{ issue.rule_description }}/p pstrong问题分析/strong{{ issue.analysis }}/p div classsuggestion strong修改建议/strongbr{{ issue.suggestion }} /div /div {% endfor %} {% endif %} {% if medium_risk_issues %} h2 中风险问题 (建议修改)/h2 {% for issue in medium_risk_issues %} div classissue-card risk-medium divspan classrule-id{{ issue.rule_id }}/span span classcategory{{ issue.rule_category }}/span/div pstrong规则描述/strong{{ issue.rule_description }}/p pstrong问题分析/strong{{ issue.analysis }}/p div classsuggestion strong修改建议/strongbr{{ issue.suggestion }} /div /div {% endfor %} {% endif %} {% if low_risk_issues %} h2 低风险问题 (可选优化)/h2 {% for issue in low_risk_issues %} div classissue-card risk-low divspan classrule-id{{ issue.rule_id }}/span span classcategory{{ issue.rule_category }}/span/div pstrong规则描述/strong{{ issue.rule_description }}/p pstrong问题分析/strong{{ issue.analysis }}/p div classsuggestion strong修改建议/strongbr{{ issue.suggestion }} /div /div {% endfor %} {% endif %} h2✅ 已通过检查的规则/h2 p以下 {{ passed_rules|length }} 条规则未在合同中发现问题符合要求/p ul {% for rule in passed_rules %} lispan classpassed{{ rule.rule_id }} - {{ rule.rule_category }}/span: {{ rule.rule_description }}/li {% endfor %} /ul hr footer pem本报告由 Word Legal Agent 自动生成仅供参考。重大合同决策请务必咨询专业律师。/em/p /footer /body /html4. 完整实战运行你的第一个合同审查现在我们将所有模块串联起来创建一个主程序并执行一次完整的合同审查。4.1 准备示例合同在data/目录下创建一个简单的示例合同sample_contract.docx内容可以模拟一份有瑕疵的技术开发合同例如故意缺失明确的付款节点、知识产权归属模糊等。4.2 编写主程序 (main.py)# main.py import sys import os sys.path.append(os.path.dirname(os.path.abspath(__file__))) from core.legal_agent import LegalAgent from core.report_generator import ReportGenerator def main(): # 1. 初始化Agent print(初始化 Legal Agent...) agent LegalAgent(modelgpt-3.5-turbo-0125) # 可根据需要切换模型 # 2. 加载资源 contract_path ./data/sample_contract.docx playbook_path ./config/playbook.yaml try: agent.load_document(contract_path) agent.load_playbook(playbook_path) except FileNotFoundError as e: print(f文件加载失败: {e}) return # 3. 执行审查 print(\n开始执行合同审查...) review_results agent.review_contract() # 4. 生成报告 print(\n生成审查报告...) generator ReportGenerator() # 获取文档元数据用于报告 doc_metadata agent.document_reader.get_metadata() if agent.document_reader else {} # 生成HTML详细报告 html_report_path ./data/outputs/legal_review_report.html generator.generate_html_report( review_resultsreview_results, playbook_infoagent.playbook, doc_metadatadoc_metadata, output_pathhtml_report_path ) # 生成并打印Markdown摘要 md_summary generator.generate_summary_markdown(review_results) print(\n *50) print(md_summary) print(*50) print(f\n详细HTML报告已保存至: {os.path.abspath(html_report_path)}) if __name__ __main__: main()4.3 运行与查看结果确保你的.env文件中已配置正确的OPENAI_API_KEY。在项目根目录下运行python main.py观察控制台输出你会看到Agent加载文档、Playbook逐条规则调用LLM最后生成摘要。打开data/outputs/legal_review_report.html文件你会看到一个格式清晰、风险分级、带有具体建议的完整审查报告。5. 常见问题与排查思路在开发和运行过程中你可能会遇到以下问题问题现象可能原因解决思路ModuleNotFoundError: No module named openai依赖未安装或虚拟环境未激活。1. 确认虚拟环境已激活 (venv\Scripts\activate或source venv/bin/activate)。2. 运行pip install -r requirements.txt。openai.AuthenticationErrorAPI密钥错误或未设置。1. 检查.env文件是否存在且OPENAI_API_KEY值正确。2. 确认运行环境能访问OpenAI API网络问题。3. 如使用其他平台API检查base_url和api_key是否正确配置。FileNotFoundError: Playbook文件未找到配置文件路径错误。1. 确认playbook.yaml文件在config/目录下。2. 在主程序中检查playbook_path是否为相对或绝对正确路径。docx.opc.exceptions.PackageNotFoundErrorWord文档路径错误或文件不是有效的.docx格式。1. 确认合同文件路径正确。2. 尝试用MS Word或WPS重新保存文件为.docx格式。LLM返回非JSON格式或解析错误模型未遵循response_format指令或check_prompt过于复杂导致。1. 在_call_llm_for_rule方法中增加更严格的系统提示强调“只输出JSON”。2. 在解析前加入json.loads的异常捕获并记录原始响应进行调试。3. 考虑使用更高阶的模型如GPT-4以获得更稳定的JSON输出。审查结果不准确或遗漏1. Playbook规则描述不清。2. 合同文本过长被截断。3. 模型理解有偏差。1.优化Playbook确保check_prompt指令清晰、无歧义使用明确的判断标准。2.分块处理对于超长合同可以按章节拆分后分别审查再汇总结果。3.人工复核AI审查是辅助工具所有高风险问题必须由法务人员最终确认。运行速度慢规则过多串行调用API。1.异步调用使用asyncio和aiohttp并发处理多个规则审查请求。2.规则优先级先运行高风险规则或允许用户选择部分规则运行。3.缓存对未修改的合同和规则可以缓存审查结果。6. 最佳实践与工程化建议将原型转化为一个稳定、可用的系统还需要考虑以下方面6.1 Playbook设计最佳实践规则原子化每条规则应只检查一个明确的点。例如将“检查付款条款”拆分为“检查总价是否明确”、“检查付款是否与里程碑挂钩”等独立规则。提示词工程check_prompt是质量关键。使用清晰、具体的指令并给出正反例子。例如“如果合同中出现‘甲方可随时终止合同且不承担任何责任’的条款请标记为高风险问题。”维护与版本控制将Playbook文件纳入Git版本控制。当法律规范或公司政策变化时可以方便地更新规则并追溯历史。分类与标签除了category可以为规则添加更多标签如applicable_to适用于采购/销售/雇佣合同便于动态筛选。6.2 系统性能与稳定性异步处理如前所述使用异步IO并发调用LLM API可大幅缩短审查时间。速率限制与重试在调用外部API时必须实现指数退避的重试机制并遵守API的速率限制RPM/TPM。上下文长度管理LLM有上下文窗口限制。对于超长合同需要实现智能分块策略如按章节、按页并设计一个“总结-再分析”的流程确保不丢失全局信息。结果缓存对相同的合同内容和Playbook版本可以将审查结果缓存到数据库如SQLite/Redis中避免重复计算和API调用。6.3 安全与合规敏感信息处理合同是高度敏感的商业文件。确保系统部署在安全的内网环境传输过程使用HTTPS存储进行加密。可以考虑在调用API前对敏感字段如金额、公司全称、身份证号进行脱敏处理。审计日志记录每一次审查操作的元数据谁、在何时、审查了哪个合同、使用了哪个Playbook版本、产生了什么结果。这对于合规审计和问题追溯至关重要。人机协同明确系统的定位是“辅助工具”。在报告显著位置注明“本报告由AI生成仅供参考不构成法律意见最终决策需由专业法务人员做出。” 所有高风险问题的修改必须经过人工确认。6.4 扩展性设计多格式支持除了Word可以扩展支持PDF、图片OCR、网页文本等格式的合同输入。多模型支持抽象LLM调用层使其可以轻松切换不同的模型提供商OpenAI、智谱、DeepSeek、本地部署的模型等。规则引擎对于非常明确、固定的规则如“合同必须包含双方盖章页”可以先用正则表达式或简单NLP规则进行匹配命中则直接返回结果无需调用大模型以节省成本和提高速度。工作流集成设计RESTful API以便将本Agent集成到现有的合同管理系统CLM、OA或钉钉/飞书等办公平台中实现从合同上传到报告返回的自动化流程。构建一个企业级的合同审查AI Agent是一个持续迭代的过程。从本文这个可运行的原型出发你可以根据实际业务需求在规则精度、系统性能、用户体验和安全性上不断深化最终打造出一个真正赋能法务团队、降低企业合规风险的智能工具。 基于大语言模型与Playbook的Word合同智能审查AI Agent实战
在企业法务工作中合同审核是高频且高风险的环节。传统的人工审核不仅耗时耗力还容易因疲劳或经验差异导致关键条款的遗漏。随着大语言模型LLM技术的成熟构建一个能够自动、智能、按既定规则审查合同的AI智能体Agent已成为可能。本文将手把手教你如何构建一个“Word Legal Agent”它能够读取Word合同文档并依据你预先定义的“Playbook”检查剧本进行自动化审查输出结构化的风险报告与修改建议。无论你是希望提升法务效率的开发者还是对AI应用落地方案感兴趣的技术人员都能从本文中获得一套完整、可复现的实战方案。1. 项目背景与核心概念1.1 为什么需要合同审查AI Agent合同审查的核心是风险识别与条款完善。对于企业尤其是中小企业法务资源有限但合同数量庞大、类型多样。人工审核面临几个痛点效率瓶颈一份几十页的合同逐字逐句审查可能需要数小时。标准不一不同法务人员的经验、侧重点不同可能导致审查标准不统一。疲劳疏漏重复性劳动容易让人疲劳从而忽略某些隐蔽的风险点如争议解决条款中的细微差别、责任上限的绝对化表述等。知识沉淀难资深法务的经验难以快速、系统地转化为新人的能力。AI Agent为解决这些问题提供了新思路。它不知疲倦可以7x24小时工作它严格遵循预设规则Playbook确保审查标准一致它能快速处理海量文本并基于庞大的法律知识库进行风险提示。1.2 核心概念解析Agent与Playbook在开始构建之前我们需要明确两个核心概念AI Agent智能体在本文语境下它不是一个单一的模型而是一个具备自主感知、决策和执行能力的软件系统。我们的“Word Legal Agent”需要能完成以下任务感知读取并理解Word文档中的文本、段落结构乃至表格内容。决策根据“Playbook”中的规则判断合同条款是否存在风险、是否缺失、是否合规。执行生成审查报告甚至提出具体的修改建议文本。Playbook检查剧本这是Agent的“大脑”和“行动指南”。它定义了审查的逻辑、规则和标准。一个合同审查Playbook通常包含审查维度如合同主体、标的物、价款支付、交付验收、违约责任、知识产权、保密、争议解决等。具体规则每条规则对应一个具体的检查点。例如“检查合同是否包含明确的争议解决条款仲裁或诉讼。”“检查违约责任中是否设定了过高的违约金比例如超过合同总价的30%。”“检查付款条件是否与交付里程碑明确挂钩。”风险等级为每条规则定义风险等级如高、中、低以便在报告中优先处理。建议模板为常见问题提供标准的修改建议或条款范本。我们的目标构建一个Agent它能加载一个Word合同文件和一个结构化的Playbook配置文件然后自动执行审查并输出一份易于理解的报告。2. 环境准备与项目结构2.1 技术栈选择为了实现上述目标我们选择以下技术栈兼顾功能强大与开发便捷编程语言Python。因其在自然语言处理NLP、文档处理和AI集成方面的丰富生态。文档处理python-docx库。用于读取.docx格式的Word文档提取文本和基础结构信息。AI大模型接口OpenAI API (GPT-4/3.5-Turbo) 或 国内兼容API如智谱、DeepSeek。这是Agent的“认知核心”负责理解文本和基于Playbook进行推理。本文示例将使用OpenAI API格式你可以替换为任何兼容的提供商。配置管理PyYAML。用YAML格式来定义结构化的Playbook清晰易读。报告生成Jinja2。使用模板引擎来生成格式美观的HTML或Markdown审查报告。2.2 环境搭建创建项目目录mkdir word_legal_agent cd word_legal_agent创建虚拟环境推荐python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate安装依赖包 创建requirements.txt文件内容如下openai1.0.0 python-docx1.1.0 PyYAML6.0 Jinja23.1.2 python-dotenv1.0.0执行安装pip install -r requirements.txt配置API密钥 创建.env文件务必加入.gitignore用于安全存储密钥OPENAI_API_KEYyour_openai_api_key_here # 如果使用其他模型可添加如 # ZHIPU_API_KEYyour_zhipu_api_key # BASE_URLhttps://api.openai.com/v1 # 如需指向代理服务2.3 项目结构设计一个清晰的项目结构有助于代码维护和功能扩展。word_legal_agent/ ├── .env # 环境变量API密钥 ├── requirements.txt # 项目依赖 ├── config/ │ └── playbook.yaml # 审查剧本配置文件 ├── core/ # 核心模块 │ ├── __init__.py │ ├── document_reader.py # 文档读取器 │ ├── playbook_loader.py # Playbook加载器 │ ├── legal_agent.py # 核心Agent逻辑 │ └── report_generator.py# 报告生成器 ├── templates/ # Jinja2报告模板 │ └── report_template.html ├── data/ # 示例合同与输出 │ ├── sample_contract.docx │ └── outputs/ ├── main.py # 主程序入口 └── README.md3. 核心模块拆解与实现3.1 文档读取器 (document_reader.py)Agent需要“看到”合同。本模块负责从Word文档中提取纯文本并尽可能保留一些结构信息如标题。# core/document_reader.py from docx import Document from typing import List, Tuple class DocumentReader: def __init__(self, file_path: str): self.file_path file_path self.doc Document(file_path) def extract_full_text(self) - str: 提取文档全部文本合并段落。 full_text [] for paragraph in self.doc.paragraphs: if paragraph.text.strip(): # 忽略空行 full_text.append(paragraph.text) return \n.join(full_text) def extract_text_with_structure(self) - List[Tuple[str, str]]: 提取带简单结构的文本。 返回一个列表每个元素是 (段落样式, 文本内容)。 可用于识别标题、正文等简化版。 structured_text [] for paragraph in self.doc.paragraphs: text paragraph.text.strip() if text: # 简单判断如果段落样式名包含‘Heading’则认为是标题 style_name paragraph.style.name if paragraph.style else Normal structured_text.append((style_name, text)) return structured_text def get_metadata(self) - dict: 获取文档基础元信息。 core_props self.doc.core_properties return { title: core_props.title, author: core_props.author, created: core_props.created, modified: core_props.modified, } if __name__ __main__: # 简单测试 reader DocumentReader(../data/sample_contract.docx) print(文档前500字符) print(reader.extract_full_text()[:500])3.2 Playbook加载器 (playbook_loader.py)Playbook是Agent的规则库我们用YAML来定义因为它对人类友好且易于程序解析。# config/playbook.yaml version: 1.0 name: 通用技术服务合同审查剧本 description: 适用于技术开发、咨询、服务类合同的初步风险审查。 rules: - id: R001 category: 合同主体 description: 检查合同双方名称、统一社会信用代码等主体信息是否完整、准确。 risk_level: 高 check_prompt: | 请审查合同文本中是否明确列出了甲方和乙方的完整公司名称、统一社会信用代码或身份证号及联系地址。 如果发现任何一方信息缺失或不清晰请标记为问题。 suggestion_template: 建议在合同首部【甲方】、【乙方】部分明确填写完整的法律主体名称及统一社会信用代码。 - id: R002 category: 价款与支付 description: 检查合同总价是否明确支付节点是否与交付物或里程碑挂钩。 risk_level: 高 check_prompt: | 请审查合同中的价款条款。确认 1. 合同总价款是否以大小写两种形式明确写明。 2. 付款条件是否清晰如预付款、验收后付款、尾款。 3. 付款是否与明确的交付成果、里程碑或服务阶段挂钩。 如果价款不明确或付款条件过于模糊如仅写‘项目完成后付款’请标记为问题。 suggestion_template: 建议将付款与明确的交付里程碑绑定例如‘本合同总价款为人民币XX元大写XX元整分三期支付1. 合同签订后3个工作日内支付30%作为预付款2. 原型验收通过后支付40%3. 全部系统上线并终验合格后支付剩余30%。’ - id: R003 category: 知识产权 description: 检查背景知识产权与项目成果知识产权的归属约定是否清晰。 risk_level: 高 check_prompt: | 请审查合同中关于知识产权的条款。重点关注 1. 双方在合作前已拥有的知识产权背景知识产权是否明确归属各方且约定在履行本合同过程中可免费使用。 2. 因履行本合同所产生的新的知识产权项目成果知识产权归属是否明确。通常应约定归委托方甲方所有或双方共有。 3. 是否存在不合理的‘所有成果归受托方乙方所有’的条款。 如果知识产权条款缺失或约定对委托方不利请标记为问题。 suggestion_template: 建议明确约定‘双方各自拥有的背景知识产权归各自所有。乙方为履行本合同所产生的项目成果知识产权包括但不限于源代码、技术文档、设计图等所有权归甲方所有。甲方授予乙方为履行本合同目的所必需的免费使用权。’ - id: R004 category: 保密条款 description: 检查保密范围、期限和违约责任是否合理。 risk_level: 中 check_prompt: | 请审查合同的保密条款。确认 1. 保密信息范围定义是否清晰通常包括技术资料、商业计划、客户信息等。 2. 保密期限是否合理通常为合同期内及合同终止后2-3年。 3. 违约责任是否具有可操作性。 如果保密条款过于宽泛或期限永久可能对双方造成不当限制。 suggestion_template: 建议将保密期限修改为‘本协议有效期内及终止后两年’并明确违约赔偿的计算依据而非笼统的‘承担一切损失’。对应的Python加载器# core/playbook_loader.py import yaml from typing import List, Dict, Any from dataclasses import dataclass from pathlib import Path dataclass class Rule: id: str category: str description: str risk_level: str # 高 中 低 check_prompt: str suggestion_template: str class PlaybookLoader: def __init__(self, playbook_path: str): self.playbook_path Path(playbook_path) def load(self) - Dict[str, Any]: 加载并解析YAML格式的Playbook。 if not self.playbook_path.exists(): raise FileNotFoundError(fPlaybook文件未找到: {self.playbook_path}) with open(self.playbook_path, r, encodingutf-8) as f: data yaml.safe_load(f) # 将规则列表转换为Rule对象列表 rules [] for rule_data in data.get(rules, []): rules.append(Rule(**rule_data)) playbook_info { version: data.get(version), name: data.get(name), description: data.get(description), rules: rules } return playbook_info if __name__ __main__: loader PlaybookLoader(../config/playbook.yaml) playbook loader.load() print(fPlaybook名称: {playbook[name]}) print(f包含规则数: {len(playbook[rules])}) for rule in playbook[rules][:2]: # 打印前两条规则 print(f - {rule.id}: {rule.description})3.3 核心Agent逻辑 (legal_agent.py)这是项目的大脑它协调文档读取、规则加载并调用大模型API进行分析。# core/legal_agent.py import os import json from typing import List, Dict, Any from openai import OpenAI from dotenv import load_dotenv from .document_reader import DocumentReader from .playbook_loader import PlaybookLoader, Rule load_dotenv() # 加载.env文件中的环境变量 class LegalAgent: def __init__(self, model: str gpt-4-turbo-preview): 初始化Legal Agent。 :param model: 使用的LLM模型名称。 self.client OpenAI( api_keyos.getenv(OPENAI_API_KEY), # 如果使用其他兼容API可在此指定base_url # base_urlos.getenv(BASE_URL, https://api.openai.com/v1) ) self.model model self.document_reader None self.playbook None def load_document(self, doc_path: str): 加载待审查的合同文档。 self.document_reader DocumentReader(doc_path) print(f文档加载成功: {doc_path}) def load_playbook(self, playbook_path: str): 加载审查剧本。 loader PlaybookLoader(playbook_path) self.playbook loader.load() print(fPlaybook加载成功: {self.playbook[name]}) def _call_llm_for_rule(self, rule: Rule, contract_text: str) - Dict[str, Any]: 针对单条规则调用LLM进行审查。 system_prompt 你是一名专业的法律合同审查助手。请严格根据用户提供的审查规则Check Prompt来分析给定的合同文本。你的回答必须是纯JSON格式包含以下三个字段 1. violation_found: (布尔值) 合同文本是否违反了此规则或存在此规则描述的问题。 2. risk_level: (字符串) 直接返回规则中定义的risk_level如“高”、“中”、“低”。 3. analysis: (字符串) 对问题进行简要分析说明在合同文本中哪里发现了问题依据是什么。 4. suggestion: (字符串) 如果violation_found为true则根据规则的suggestion_template和具体问题生成具体的修改建议或条款文本如果为false则此字段为空字符串。 注意只输出JSON不要有任何其他解释。 user_prompt f 【审查规则】 {rule.check_prompt} 【合同文本】 {contract_text[:12000]} # 限制文本长度防止超出模型上下文 请根据上述规则审查合同文本。 try: response self.client.chat.completions.create( modelself.model, messages[ {role: system, content: system_prompt}, {role: user, content: user_prompt} ], temperature0.1, # 低温度保证输出稳定 response_format{type: json_object} # 强制JSON输出 ) result json.loads(response.choices[0].message.content) # 补充规则信息 result[rule_id] rule.id result[rule_category] rule.category result[rule_description] rule.description return result except Exception as e: print(f调用LLM处理规则 {rule.id} 时出错: {e}) # 返回一个安全的默认结果 return { rule_id: rule.id, rule_category: rule.category, violation_found: False, risk_level: rule.risk_level, analysis: f分析过程中发生错误: {e}, suggestion: } def review_contract(self) - List[Dict[str, Any]]: 执行合同审查遍历Playbook中的所有规则。 返回包含所有规则审查结果的列表。 if not self.document_reader or not self.playbook: raise ValueError(请先加载文档和Playbook。) contract_text self.document_reader.extract_full_text() print(f开始审查合同合同长度: {len(contract_text)} 字符) print(f将应用 {len(self.playbook[rules])} 条规则...) review_results [] for rule in self.playbook[rules]: print(f 正在处理规则: {rule.id} - {rule.category}) result self._call_llm_for_rule(rule, contract_text) review_results.append(result) print(合同审查完成。) return review_results3.4 报告生成器 (report_generator.py)审查结果需要以友好的形式呈现。我们使用Jinja2模板生成HTML报告。# core/report_generator.py from jinja2 import Environment, FileSystemLoader from typing import List, Dict, Any from datetime import datetime import os class ReportGenerator: def __init__(self, template_dir: str templates): self.env Environment(loaderFileSystemLoader(template_dir)) self.template self.env.get_template(report_template.html) def generate_html_report(self, review_results: List[Dict[str, Any]], playbook_info: Dict[str, Any], doc_metadata: Dict[str, Any], output_path: str) - str: 生成HTML格式的审查报告。 # 按风险等级和问题状态分类 high_risk_issues [r for r in review_results if r[violation_found] and r[risk_level] 高] medium_risk_issues [r for r in review_results if r[violation_found] and r[risk_level] 中] low_risk_issues [r for r in review_results if r[violation_found] and r[risk_level] 低] passed_rules [r for r in review_results if not r[violation_found]] context { report_date: datetime.now().strftime(%Y-%m-%d %H:%M:%S), playbook_name: playbook_info.get(name), playbook_desc: playbook_info.get(description), doc_title: doc_metadata.get(title, 未知合同), doc_author: doc_metadata.get(author, 未知), high_risk_issues: high_risk_issues, medium_risk_issues: medium_risk_issues, low_risk_issues: low_risk_issues, passed_rules: passed_rules, total_rules: len(review_results), issue_count: len(high_risk_issues) len(medium_risk_issues) len(low_risk_issues), } html_content self.template.render(**context) os.makedirs(os.path.dirname(output_path), exist_okTrue) with open(output_path, w, encodingutf-8) as f: f.write(html_content) print(fHTML报告已生成: {output_path}) return output_path def generate_summary_markdown(self, review_results: List[Dict[str, Any]]) - str: 生成一个简明的Markdown摘要便于快速查看。 issues [r for r in review_results if r[violation_found]] if not issues: return ## 审查结果摘要\n\n✅ **所有检查项均通过未发现明显风险。** summary [## 审查结果摘要\n] summary.append(f**共发现 {len(issues)} 个潜在问题**\n) for level in [高, 中, 低]: level_issues [i for i in issues if i[risk_level] level] if level_issues: summary.append(f\n### ⚠️ {level}风险问题 ({len(level_issues)}个)) for issue in level_issues: summary.append(f- **{issue[rule_id]} - {issue[rule_category]}**: {issue[analysis][:100]}...) return \n.join(summary)对应的HTML报告模板 (templates/report_template.html)!DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 title合同智能审查报告/title style body { font-family: Segoe UI, Tahoma, Geneva, Verdana, sans-serif; line-height: 1.6; color: #333; max-width: 1200px; margin: 0 auto; padding: 20px; } .header { border-bottom: 3px solid #2c3e50; padding-bottom: 20px; margin-bottom: 30px; } .header h1 { color: #2c3e50; } .meta { background-color: #f8f9fa; padding: 15px; border-radius: 5px; margin-bottom: 20px; } .meta table { width: 100%; border-collapse: collapse; } .meta td { padding: 8px 5px; border-bottom: 1px solid #dee2e6; } .meta td:first-child { font-weight: bold; width: 150px; } .risk-high { border-left: 5px solid #dc3545; background-color: #f8d7da; } .risk-medium { border-left: 5px solid #ffc107; background-color: #fff3cd; } .risk-low { border-left: 5px solid #28a745; background-color: #d4edda; } .issue-card { padding: 15px; margin-bottom: 20px; border-radius: 5px; } .rule-id { font-weight: bold; color: #495057; } .category { display: inline-block; background: #6c757d; color: white; padding: 3px 8px; border-radius: 3px; font-size: 0.8em; margin-left: 10px; } .suggestion { background-color: #e7f1ff; padding: 10px; border-radius: 5px; margin-top: 10px; border-left: 3px solid #007bff; } .passed { color: #28a745; } .summary-box { background: #e9ecef; padding: 20px; border-radius: 8px; margin: 30px 0; } /style /head body div classheader h1 合同智能审查报告/h1 p基于Playbook: strong{{ playbook_name }}/strong 自动生成/p /div div classmeta table trtd报告生成时间/tdtd{{ report_date }}/td/tr trtd审查剧本/tdtd{{ playbook_name }} ({{ playbook_desc }})/td/tr trtd审查文档/tdtd{{ doc_title }}/td/tr trtd文档作者/tdtd{{ doc_author }}/td/tr trtd审查统计/tdtd共检查 {{ total_rules }} 条规则发现 {{ issue_count }} 个潜在问题。/td/tr /table /div div classsummary-box h2 风险概览/h2 pspan stylecolor:#dc3545;font-weight:bold;高风险问题{{ high_risk_issues|length }} 个/span | span stylecolor:#ffc107;font-weight:bold;中风险问题{{ medium_risk_issues|length }} 个/span | span stylecolor:#28a745;font-weight:bold;低风险问题{{ low_risk_issues|length }} 个/span /p p以下为发现的问题详情请优先处理高风险项。/p /div {% if high_risk_issues %} h2 高风险问题 (需立即关注)/h2 {% for issue in high_risk_issues %} div classissue-card risk-high divspan classrule-id{{ issue.rule_id }}/span span classcategory{{ issue.rule_category }}/span/div pstrong规则描述/strong{{ issue.rule_description }}/p pstrong问题分析/strong{{ issue.analysis }}/p div classsuggestion strong修改建议/strongbr{{ issue.suggestion }} /div /div {% endfor %} {% endif %} {% if medium_risk_issues %} h2 中风险问题 (建议修改)/h2 {% for issue in medium_risk_issues %} div classissue-card risk-medium divspan classrule-id{{ issue.rule_id }}/span span classcategory{{ issue.rule_category }}/span/div pstrong规则描述/strong{{ issue.rule_description }}/p pstrong问题分析/strong{{ issue.analysis }}/p div classsuggestion strong修改建议/strongbr{{ issue.suggestion }} /div /div {% endfor %} {% endif %} {% if low_risk_issues %} h2 低风险问题 (可选优化)/h2 {% for issue in low_risk_issues %} div classissue-card risk-low divspan classrule-id{{ issue.rule_id }}/span span classcategory{{ issue.rule_category }}/span/div pstrong规则描述/strong{{ issue.rule_description }}/p pstrong问题分析/strong{{ issue.analysis }}/p div classsuggestion strong修改建议/strongbr{{ issue.suggestion }} /div /div {% endfor %} {% endif %} h2✅ 已通过检查的规则/h2 p以下 {{ passed_rules|length }} 条规则未在合同中发现问题符合要求/p ul {% for rule in passed_rules %} lispan classpassed{{ rule.rule_id }} - {{ rule.rule_category }}/span: {{ rule.rule_description }}/li {% endfor %} /ul hr footer pem本报告由 Word Legal Agent 自动生成仅供参考。重大合同决策请务必咨询专业律师。/em/p /footer /body /html4. 完整实战运行你的第一个合同审查现在我们将所有模块串联起来创建一个主程序并执行一次完整的合同审查。4.1 准备示例合同在data/目录下创建一个简单的示例合同sample_contract.docx内容可以模拟一份有瑕疵的技术开发合同例如故意缺失明确的付款节点、知识产权归属模糊等。4.2 编写主程序 (main.py)# main.py import sys import os sys.path.append(os.path.dirname(os.path.abspath(__file__))) from core.legal_agent import LegalAgent from core.report_generator import ReportGenerator def main(): # 1. 初始化Agent print(初始化 Legal Agent...) agent LegalAgent(modelgpt-3.5-turbo-0125) # 可根据需要切换模型 # 2. 加载资源 contract_path ./data/sample_contract.docx playbook_path ./config/playbook.yaml try: agent.load_document(contract_path) agent.load_playbook(playbook_path) except FileNotFoundError as e: print(f文件加载失败: {e}) return # 3. 执行审查 print(\n开始执行合同审查...) review_results agent.review_contract() # 4. 生成报告 print(\n生成审查报告...) generator ReportGenerator() # 获取文档元数据用于报告 doc_metadata agent.document_reader.get_metadata() if agent.document_reader else {} # 生成HTML详细报告 html_report_path ./data/outputs/legal_review_report.html generator.generate_html_report( review_resultsreview_results, playbook_infoagent.playbook, doc_metadatadoc_metadata, output_pathhtml_report_path ) # 生成并打印Markdown摘要 md_summary generator.generate_summary_markdown(review_results) print(\n *50) print(md_summary) print(*50) print(f\n详细HTML报告已保存至: {os.path.abspath(html_report_path)}) if __name__ __main__: main()4.3 运行与查看结果确保你的.env文件中已配置正确的OPENAI_API_KEY。在项目根目录下运行python main.py观察控制台输出你会看到Agent加载文档、Playbook逐条规则调用LLM最后生成摘要。打开data/outputs/legal_review_report.html文件你会看到一个格式清晰、风险分级、带有具体建议的完整审查报告。5. 常见问题与排查思路在开发和运行过程中你可能会遇到以下问题问题现象可能原因解决思路ModuleNotFoundError: No module named openai依赖未安装或虚拟环境未激活。1. 确认虚拟环境已激活 (venv\Scripts\activate或source venv/bin/activate)。2. 运行pip install -r requirements.txt。openai.AuthenticationErrorAPI密钥错误或未设置。1. 检查.env文件是否存在且OPENAI_API_KEY值正确。2. 确认运行环境能访问OpenAI API网络问题。3. 如使用其他平台API检查base_url和api_key是否正确配置。FileNotFoundError: Playbook文件未找到配置文件路径错误。1. 确认playbook.yaml文件在config/目录下。2. 在主程序中检查playbook_path是否为相对或绝对正确路径。docx.opc.exceptions.PackageNotFoundErrorWord文档路径错误或文件不是有效的.docx格式。1. 确认合同文件路径正确。2. 尝试用MS Word或WPS重新保存文件为.docx格式。LLM返回非JSON格式或解析错误模型未遵循response_format指令或check_prompt过于复杂导致。1. 在_call_llm_for_rule方法中增加更严格的系统提示强调“只输出JSON”。2. 在解析前加入json.loads的异常捕获并记录原始响应进行调试。3. 考虑使用更高阶的模型如GPT-4以获得更稳定的JSON输出。审查结果不准确或遗漏1. Playbook规则描述不清。2. 合同文本过长被截断。3. 模型理解有偏差。1.优化Playbook确保check_prompt指令清晰、无歧义使用明确的判断标准。2.分块处理对于超长合同可以按章节拆分后分别审查再汇总结果。3.人工复核AI审查是辅助工具所有高风险问题必须由法务人员最终确认。运行速度慢规则过多串行调用API。1.异步调用使用asyncio和aiohttp并发处理多个规则审查请求。2.规则优先级先运行高风险规则或允许用户选择部分规则运行。3.缓存对未修改的合同和规则可以缓存审查结果。6. 最佳实践与工程化建议将原型转化为一个稳定、可用的系统还需要考虑以下方面6.1 Playbook设计最佳实践规则原子化每条规则应只检查一个明确的点。例如将“检查付款条款”拆分为“检查总价是否明确”、“检查付款是否与里程碑挂钩”等独立规则。提示词工程check_prompt是质量关键。使用清晰、具体的指令并给出正反例子。例如“如果合同中出现‘甲方可随时终止合同且不承担任何责任’的条款请标记为高风险问题。”维护与版本控制将Playbook文件纳入Git版本控制。当法律规范或公司政策变化时可以方便地更新规则并追溯历史。分类与标签除了category可以为规则添加更多标签如applicable_to适用于采购/销售/雇佣合同便于动态筛选。6.2 系统性能与稳定性异步处理如前所述使用异步IO并发调用LLM API可大幅缩短审查时间。速率限制与重试在调用外部API时必须实现指数退避的重试机制并遵守API的速率限制RPM/TPM。上下文长度管理LLM有上下文窗口限制。对于超长合同需要实现智能分块策略如按章节、按页并设计一个“总结-再分析”的流程确保不丢失全局信息。结果缓存对相同的合同内容和Playbook版本可以将审查结果缓存到数据库如SQLite/Redis中避免重复计算和API调用。6.3 安全与合规敏感信息处理合同是高度敏感的商业文件。确保系统部署在安全的内网环境传输过程使用HTTPS存储进行加密。可以考虑在调用API前对敏感字段如金额、公司全称、身份证号进行脱敏处理。审计日志记录每一次审查操作的元数据谁、在何时、审查了哪个合同、使用了哪个Playbook版本、产生了什么结果。这对于合规审计和问题追溯至关重要。人机协同明确系统的定位是“辅助工具”。在报告显著位置注明“本报告由AI生成仅供参考不构成法律意见最终决策需由专业法务人员做出。” 所有高风险问题的修改必须经过人工确认。6.4 扩展性设计多格式支持除了Word可以扩展支持PDF、图片OCR、网页文本等格式的合同输入。多模型支持抽象LLM调用层使其可以轻松切换不同的模型提供商OpenAI、智谱、DeepSeek、本地部署的模型等。规则引擎对于非常明确、固定的规则如“合同必须包含双方盖章页”可以先用正则表达式或简单NLP规则进行匹配命中则直接返回结果无需调用大模型以节省成本和提高速度。工作流集成设计RESTful API以便将本Agent集成到现有的合同管理系统CLM、OA或钉钉/飞书等办公平台中实现从合同上传到报告返回的自动化流程。构建一个企业级的合同审查AI Agent是一个持续迭代的过程。从本文这个可运行的原型出发你可以根据实际业务需求在规则精度、系统性能、用户体验和安全性上不断深化最终打造出一个真正赋能法务团队、降低企业合规风险的智能工具。