Ai审核合同、标书?

一、为什么要做 LegalDeepMine？

很多人第一次用大模型做合同审查，会得到一种”看起来很专业、但不太敢信”的体验：

• 输出很像”泛泛的风险提示”：通常会说”注意付款、注意违约、注意争议解决”，但很难指出你这份合同里真正的”深坑句子”。
• 缺少对抗性思维：大模型往往以”正常合作”的视角解读合同，不会主动模拟对方如何”钻空子”。
• 容易遗漏隐蔽风险：一些风险藏在”模糊表述、期限不明、权利义务不对等、赔偿上限、验收默认通过”等细节里，一次性扫一遍很容易漏。
• 幻觉/引用不准：尤其在涉及法条引用时，偶尔会出现”引用了不存在的条款”或”条款存在但不适用”的问题。
• 缺少自我纠错：一次性输出后，很少再回头验证”我刚才说的法条是不是存在？我的推论是否过度解读？”。

我做 LegalDeepMine 的目标很明确：把”直接问 LLM 得到的一次性浅层结论”，升级为一个可重复、可解释、可对抗、可复核的合同审查流程。

二、问题的背景：为什么”直接问一句”不够用？

合同审查的难点，恰恰不在于”知道常见风险点”，而在于：

• 你必须先识别合同”是什么类型、你站在哪一边”：同一句条款，甲方/乙方、强势/弱势视角完全不同。
• 你必须先有一份”审查标准”：没有标准，就只能凭直觉扫合同，风险点会随机、且不完整。
• 你必须把自己变成”对方”：很多坑不是条款明显违法，而是”可被对方利用”。
• 你必须能查漏补缺：很多合同不是”写错”，而是”关键保护条款根本没写”。
• 你必须做最后的”合伙人复核”：把前面的高创意/高强度推演结果，逐条校验真实性与可落地性。

这是一种”工作流问题”，不是”再换一个更强模型就能彻底解决”的问题。

所以 LegalDeepMine 的核心不是堆框架，而是把合同审查拆成一个五阶段串行思维链（5-Stage Pipeline）：每阶段扮演不同角色，专注解决一种子问题，并把结果传递到下一阶段。

二点五、一个最典型的真实场景：外包合同里”最会坑人的三句话”

为了把”为什么要做五阶段”讲透，我用一个非常常见的场景来说明：

• 场景：创业公司签《软件开发外包合同》。你是甲方（付钱的人），但在条款设计上往往是弱势方。
• 直接问 LLM：很容易得到”注意付款/注意交付/注意违约”这种泛泛建议，但真正让你”血亏”的，通常藏在某几句微妙的表述里。

举 3 个典型”深坑句式”（现实合同里极常见）：

• 交付期限不明确：例如”乙方应尽快完成”“以乙方实际进度为准”。

  这种写法的可怕之处是：你很难用明确节点去追责，”拖延”会变成一场消耗战。

• IP 归属附条件：例如”甲方付清全款前，成果归乙方所有”。

  在预付款比例高、合作不确定的情况下，你可能在付款后仍拿不到核心权利。

• 违约责任严重不对等：例如甲方逾期一天 5%，乙方逾期一天 0.01% 且有上限。

  这种结构会把谈判权和风险完全推向甲方。

LegalDeepMine 之所以要设计”Checklist → 恶意推演 → 合伙人复核”，就是为了把这些”看似普通、实则致命”的句子系统化地挖出来，并让最后一步把法律引用与建议落地性校验一遍，避免胡乱吓人或引用失真。

三、核心方案：五阶段串行思维链（像一个法律专家团队）

我把一个”法律团队式审查”抽象成 5 个角色：

• 阶段 1：定性专家 —— 先搞清楚：合同类型、行业、我方角色、核心法规。
• 阶段 2：立法专家（Checklist） —— 生成该类型合同的”最高规格审查清单”，建立标准。
• 阶段 3：红队对抗（恶意推演） —— 扮演狡猾对手，从付款/交付/违约等关键条款里找”可利用的漏洞”，并要求给出法律依据与风险评级。
• 阶段 4：查漏专家（缺失条款） —— 对比行业最佳实践，指出”对我方至关重要但完全缺失”的条款。
• 阶段 5：合伙人复核（反思与修正） —— 最终验真：法条是否存在且适用、哪些是过度解读、建议是否具备商业可执行性。

这 5 个阶段的设计，本质是在用流程补齐大模型的 5 个典型短板：定性不足、标准缺失、缺对抗、缺查漏、缺复核。

四、最重要的部分：五个提示词（Prompt）原文展示

下面这部分是项目的”核心资产”：每个阶段都有独立的 System Prompt（角色/任务） 与 User Prompt（输入/约束），并配置了不同的 Temperature（严谨/创意）。

说明：

• 合同全文会被注入到 ${contract}。
• 前序阶段输出会被注入到 previousOutputs["1"] / ["2"] / ["3"] / ["4"]。
• 温度策略：大部分阶段低温度保严谨；阶段 3 提高温度激发”钻空子”的想象力；阶段 5 再降到最低做复核。

阶段 1：全域扫描与定性（Contract Profiling）

目标：先识别合同 DNA：合同类型、行业、我方（默认甲方/弱势方）风险点、核心参考法规。

System Prompt

你是中国顶级的资深法务专家，精通《民法典》。你的任务是快速识别合同类型、行业背景及我方角色风险。

User Prompt

请阅读合同全文。1. 定性合同类型；2. 定位所属行业；3. 代入甲方（弱势方）视角，列出该领域最大痛点；4. 列出核心参考法规。

合同内容：
${contract}

Temperature：0.3（偏严谨）

阶段 2：动态立法（Checklist Generation）

目标：基于阶段 1 的”定性结果”，生成该类型合同的”最高规格审查清单（Killer Checklist）”，把审查从”随缘扫条款”变成”有标准、有覆盖面”。

System Prompt

基于上一阶段识别的合同类型，利用你的内部法律知识库，构建审查标准。

User Prompt

基于以下信息生成一份该类型合同的'最高规格审查清单(Killer Checklist)'。必须包含：核心义务模糊性、IP归属陷阱、违约责任不对等、隐蔽赔偿上限、解约权限制等10个维度。

上一阶段输出：
${previousOutputs["1"] || ""}

合同内容：
${contract}

Temperature：0.3（偏严谨）

阶段 3：红蓝军对抗挖掘（Red Teaming / Devil’s Advocate）

目标：从”对方想坑我”的角度做恶意推演，锁定关键条款（付款/交付/违约），给出风险等级，并要求引用《民法典》作为依据。

System Prompt

你现在扮演一个极度狡猾的对手，试图利用合同漏洞逃避责任。采用'恶意推演法'进行攻击。

User Prompt

锁定关键条款（付款、交付、违约）。思考：如果对方想坑我，会怎么利用这句话？引用《民法典》证明其无效或不利。评级风险等级（致命/严重/一般）。

审查清单：
${previousOutputs["2"] || ""}

合同内容：
${contract}

Temperature：0.7（刻意提高：激发创意与对抗性）

阶段 4：缺失条款检索（Missing Clause Detection）

目标：很多风险不是”写错”，而是”没写”。阶段 4 做的就是系统化查漏：把行业标准/Checklist 与合同逐条对比，指出缺失的保护性条款。

System Prompt

对比行业标准与Checklist，寻找缺失的保护性条款。

User Prompt

指出这份合同完全缺失了哪些对保护我方利益至关重要的条款？（如数据保密、不可抗力细化、源码交付标准等）。

已发现的风险：
${previousOutputs["3"] || ""}

合同内容：
${contract}

Temperature：0.3（偏严谨）

阶段 5：深度反思与修正（Reflection & Correction / Senior Partner Review）

目标：这是我认为”最关键但最容易被忽略”的一步：让模型自我复核，主动剔除幻觉、纠正过度解读，并把建议改写成可执行方案。

System Prompt

你现在是一个冷静、客观的资深合伙人（Senior Partner）。你的任务是审查前序步骤中AI生成的风险点，并直接修正错误。

User Prompt

请复核所有发现：1. 验证引用的法律条款是否存在且适用（剔除幻觉）；2. 剔除过度解读的'假风险'；3. 确保修改建议具备商业可落地性。执行修正并输出最终版本。

缺失条款：
${previousOutputs["4"] || ""}

合同内容：
${contract}

Temperature：0.2（最低：最大化严谨）

五、代码层面我怎么把它跑起来？（只讲逻辑，不贴完整代码）

LegalDeepMine 的工程实现刻意保持极简：没有 LangChain、没有向量库、没有复杂 Agent 框架，就是 Next.js + 一个 API 路由。

整体链路可以理解为：

1. 前端让用户粘贴合同全文。
2. 用户点击”开始深度审查”后，前端会按 阶段 1 → 2 → 3 → 4 → 5 串行请求后端接口。
3. 每次请求都带上：
   • contract：合同全文
   • stage：当前阶段编号
   • previousOutputs：前面阶段的原始输出（作为下一阶段输入的一部分）
4. 后端只做两件事：
   • 根据 stage 选择对应阶段的 System/User Prompt
   • 调用 OpenRouter 的 Chat Completions，返回该阶段输出
5. 前端汇总 5 段原始输出，展示”过程控制台”和最终报告。

这种架构的好处是：透明、可解释、容易调 Prompt、容易替换模型。

补充两点我的取舍：

• 不引入复杂 Agent 框架：我需要的是”可控的提示词工作流”，而不是”黑盒编排”。Prompt 的可读性和可维护性更重要。
• 不做 RAG（检索增强）：合同本身就是最核心的上下文；在大多数商业合同长度可控的前提下，先把”审查流程”做对，收益往往更高。

六、为什么我认为它比”直接问 LLM”更可靠？

因为它不是”更聪明”，而是”更像一个团队在干活”：

• 阶段 1 定义合同：判断合同范围,根据合同类型,确定审查重点。
• 阶段 2 先给标准：避免模型只凭直觉扫合同。
• 阶段 3 强制对抗：把”隐蔽坑位”从概率事件变成流程必经。
• 阶段 4 专门查漏：把”没写”当成一个独立问题来解。
• 阶段 5 强制复核：用最后一步把前面的”高创意输出”拉回到事实与可执行性。

一句话总结：LegalDeepMine 不是在”生成答案”，而是在”执行审查流程”。

七、写在最后

LegalDeepMine 的核心价值并不神秘：我只是把合同审查拆成五个”角色明确、任务明确、约束明确”的步骤，然后让模型按流程执行。

如果你也在做任何需要”深挖、对抗、复核”的 AI 应用（比如代码审查、合规检查、投研尽调），这套”五阶段思维链”的方法论同样适用。

有个重点 : 每个阶段都可以根据自己的场景扩展成更复杂的流程逻辑.

比如阶段2 “定义标准”, 可以扩展成多个子步骤,再配合rag, 先定义风险分类, 再定义评估标准, 再定义评估方法.

源码

源码都在星球中了.

咱们的社群

星球中有开箱即用的源码、讲解视频、提示词,以及落地经验.

欢迎加入我们，思考技术对商业的价值.

如果你有场景和困难, 欢迎找我聊聊AI

AI咨询、AI项目陪跑.

我的微信: leigeaicom