法律行业的两个高频痛点都和信息密度有关审一份几十页的合同要逐条核对风险点办一个案子要检索海量判例找支撑。这两件事的共同特点是——专家时间贵、重复劳动多、容错率低。AI在这两个场景的落地相对成熟本文拆解合同智能审查与类案检索两套系统的技术架构以及大模型带来的变化。法律文本为什么难处理通用NLP模型在法律语料上水土不服原因有三术语体系封闭不安抗辩权表见代理这类词在通用语料里几乎不出现词向量空间里没有好的表示句子极长且结构化一个合同条款可能上百字嵌套多个条件和例外指代关系复杂对错误零容忍把定金识别成订金法律后果完全不同。所以法律NLP的标准做法是领域预训练任务微调用裁判文书、法律法规、合同语料做继续预训练Lawformer等法律BERT类模型再针对要素抽取、条款分类等任务微调。合同智能审查的系统架构一套可用的合同审查系统通常是规则模型LLM的三层架构结构化解析层合同版式复杂扫描件、嵌套表格、骑缝章先做OCR和版面分析还原条款层级章-条-款-项要素抽取层用序列标注NER抽取甲乙方、金额、期限、违约金比例、管辖法院等关键要素这一步要求高精度实体要链接到结构化字段风险识别层分两类处理——缺失型风险比如没约定违约责任、管辖条款用规则模板检查表述型风险比如条款显失公平、责任上限异常用分类模型加LLM判断报告生成层LLM把机器发现的风险点改写成律师看得懂的审查意见附上修改建议和依据条款。| 方案 | 精度 | 覆盖度 | 可解释性 | 适用风险类型 | |------|------|--------|----------|--------------| | 规则模板 | 高 | 低 | 强 | 条款缺失、格式问题 | | 微调分类模型 | 高 | 中 | 中 | 已知风险模式 | | LLMfew-shot | 中高 | 高 | 较强可生成理由 | 新型/表述型风险 |实践里的坑LLM会幻觉出不存在的风险生产环境必须让它引用原文条款并给出定位无法定位原文的结论一律丢弃或转人工。代码示例条款风险要素抽取# 用 transformers 对合同文本做 NER抽取关键要素 from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline model_name your-org/law-ner-bert # 领域微调后的模型 nlp pipeline( token-classification, modelAutoModelForTokenClassification.from_pretrained(model_name), tokenizerAutoTokenizer.from_pretrained(model_name), aggregation_strategysimple, ) clause 甲方应在货物验收合格后30日内向乙方支付合同总价款95%质保金5%于验收满一年后支付。 entities nlp(clause) for e in entities: print(f{e[entity_group]:12s} - {e[word]:20s} (score{e[score]:.3f})) # 期望输出: # PAYMENT_TERM - 验收合格后30日内 # RATIO - 95% # DEPOSIT - 质保金5%抽取结果进入结构化字段后规则引擎就可以做付款比例是否超过95%质保金是否约定这类校验。类案检索从关键词到语义检索类案检索的目标是给定案情找出裁判要旨相似的生效判决。技术演进经历了三代。关键词检索Elasticsearch分词BM25。问题是法律表述多样性极强合同解除和终止合同关系字面上不重合关键词方案召回堪忧。向量检索把案情描述编码成向量BGE、text2vec等中文模型最好用判决语料微调在Milvus或FAISS里做近似最近邻检索。语义相似度解决了表述差异问题但容易形似神不似——两个案子都提到借款一个是民间借贷一个是金融借款法律关系完全不同。混合检索重排序生产系统的标配是BM25加向量双路召回然后用Cross-Encoder对Top50精排再把案由、审级、地域、时间作为过滤和加权因子。最新趋势是让LLM先对案情做要件分解当事人、法律关系、争议焦点按要件分别检索再合并效果比整段案情直接检索明显更好。总结与展望法律AI的落地逻辑很清楚机器做检索、抽取、初筛这些体力活律师做判断和决策。大模型把最后一公里的体验拉通了——审查意见和检索报告可以直接生成自然语言律师的采纳意愿明显提高。但要清醒认识到法律场景的信任成本极高可溯源每个结论都能定位到原文条款或具体判例是系统设计的底线比模型的绝对精度更重要。未来的方向是法律智能体自动完成案情分析→法条匹配→类案检索→文书草拟的完整链路人类律师在关键节点审批。技术上已没有不可逾越的障碍真正的挑战在责任边界和行业接受度。