我们把 AI 引入了合同初筛，速度提升非常明显：一份 42 页的采购合同，从人工 3.5 小时压缩到 18 分钟出初筛报告，法务团队的瓶颈一下子松了。但两个月后的一次事故让我们重新校准了整条红线——那份报告漏掉了三处风险点，其中一处涉及不可撤销的排他条款，一份合同金额 1,200 万的授权协议。
这篇文章不讲”AI 多厉害”，讲我们之后做了什么：怎么划出必须人审的区域、怎么把模型的”内部规则幻觉”打掉、以及一套真正能跑的混合流程。
一、事故复盘：那 3 处漏报是怎么发生的
先看漏报的性质，这比漏报率更重要：
| 风险点 | 所在位置 | 模型为什么没抓到 | 后果等级 |
|---|---|---|---|
| 排他性条款被默认勾选 | 附件 B 第 4 页附表，非正文 | 检索时只索引了正文，附表被当作低优先级跳过 | 极高（1,200 万独家授权） |
| 责任上限措辞前后不一致 | 第 9 条正文 vs 第 27 条冲突条款 | 两处分开看都”合理”，模型没有做全局一致性校验 | 高（赔付敞口 5 倍差） |
| 终止通知期限是 5 个工作日而非 30 天 | 小字段，6pt 字号 | 抽取置信度低于阈值被过滤，未报”不确定” | 中（流程延误） |
三处漏报，三种完全不同的失效模式，这决定了不能用一个开关解决：
- 第一处是覆盖问题——模型没读到，不是读不懂。这是工程问题。
- 第二处是能力边界问题——模型读到了每一处，但”全文一致性”这种跨条款推理超出了它的可靠范围。
- 第三处是最危险的沉默失败——模型不确定，但没有说”我不确定”，而是安静地过滤掉了。
第三类在法务场景里是零容忍的。一个诚实的”这条我没把握”没有任何代价，一个沉默的漏报可能值 1,200 万。
二、内部规则幻觉：42% 是怎么来的
第二个发现更普遍。我们最初在 prompt 里写了”按公司法务手册审查”，模型就开始频繁引用”根据公司法务手册第 X 条……”。我们并没有这本手册，或者至少不是它引用的那个版本。
在 200 份无参考合同的自由审查测试里，疑似虚构内部规则的引用占 42%。常见形态包括：编造一个不存在的条款编号、把行业通行惯例说成”公司规定”、把上家客户的模板条款误记为”我们的标准”。
这类幻觉比知识型幻觉更隐蔽，因为它引用的是一个”内部权威”，人类审查员更容易直接采信。它污染的不是事实，是审查依据本身。
我们做了三件事把它压下来：
- 把内部规则从 prompt 里搬进检索库，并且要求逐条附来源。如果一条判断引用了内部规则，必须给出规则原文 ID。检索不到的，模型必须回答”无内部规则依据，按外部通行标准/需人工确认”。
- 禁止条款编号不存在化。生成后跑一个校验：所有”第 X 条”必须和原文条款编号对得上，对不上的直接标记为疑似幻觉，进人工队列。
- 把”公司规定”改成”据调用方提供的规则库”。一个小措辞变化，加了一个前提声明，模型凭空断言”公司规定”的比例从 42% 降到 6%。
三、我们的校准红线：哪些必须人审
事故后的核心改动，是给 Agent 划定一个”不许自己下结论”的区域。现在的规则是一张表，直接写在流程配置里：
| 审查项 | Agent 可自主 | 必须人工 | 理由 |
|---|---|---|---|
| 格式完整性（签字页、附件齐否） | 是 | — | 确定性判断，无歧义 |
| 标准法务表述比对（如”不可抗力”定义） | 是 | — | 模板匹配，可校验 |
| 付款账期、违约金比例等数值抽取 | 是（需附条款 ID） | 超阈值时 | 超过内部红线（如违约金 > 20%）必须上人 |
| 排他性、独家、不可撤销等定性判断 | 否 | 是 | 敞口极大且措辞多变，模型不可作为唯一依据 |
| 全文一致性校验（条款间冲突） | 提示风险 | 最终认定 | 跨条款推理超出可靠边界 |
| 责任上限、赔偿封顶 | 否 | 是 | 一处漏报即重大损失 |
| 表格/附件内嵌条款 | 提取并提示”已覆盖” | 抽样复核（≥30%） | 第一处漏报正来自此处 |
配套两条工程硬约束，比表更重要：
- 禁止静默过滤。任何字段如果抽取置信度低于阈值，输出必须是”未确认：{字段名}”，而不是空白。空白会被下游当成”没问题”。
- 每一条风险提示必须能定位到原文。不给条款 ID 的风险提示不允许出现在报告里。这一条直接消灭了大部分幻觉引用。
四、可复用的混合流程
定型的流水线是四段，Agent 只占其中一段的辅助位：
1. [确定性] 预处理层
- 全文索引：正文 + 附件 + 表格 + 页脚，分层标记
- 条款切分：编号、层级、字符大小写（小字段高风险标记）
- 硬规则扫描：关键词+正则（"独家"、"不可撤销"、"排他"…）必命中人工
2. [Agent] 初筛层
- 仅输出：风险项列表（含条款 ID、原文摘录、依据来源）
- 输出受限 schema，禁止自由解释、禁止引用无 ID 规则
- 一条"不确定清单"必须非空或显式声明"全部已确认"
3. [确定性] 校验层
- 引用一致性：所有条款 ID 存在于原文
- 阈值断言：违约金/责任上限等按红线复核
- 完整性：合同要素字段无一处于"未确认"却未出现在人工队列
4. [人工] 定点审查
- 只看 Agent 标红 + 不确定性字段 + 硬规则命中项
- 抽样复核附表/表格类条款 ≥30%
改造后的数据：初筛仍保持 90% 的提速，但风险点漏报从 3/32 降到 0/47（两个半月跟踪），人工定点审查时长占总时长比例约 22%——省下来的时间是真实的，但省的方式是把人的注意力挪到了该看的地方。
有个反直觉的发现：加了这些约束后，模型的”风险提示数量”反而下降了 31%。之前它报的一大堆”潜在风险”里，多数是无法定位到原文的空泛提示。报告变短了，但每一条都能落地追查，这比一个长篇风险列表有用。
五、什么场景可以更放手
不是所有合同都值得上这套。按金额和敞口分级：
- 低敞口、模板化、金额小（如标准 NDA、小额采购）：Agent 全权 + 1% 抽检即可，不必上全套。
- 中敞口、有少量非标条款：Agent 初筛 + 人工定点，本文方案的原型。
- 高敞口、独家/不可撤销/涉 IP 转让：Agent 只做预处理和信息提取，定性判断 100% 人工， Agent 不许做”是否可接受”的结论。
AI 在合同里的正确位置是”一个读过所有条款但没有判断权的助理”，不是一个”能替你判断的律师”。前者提速 90%，后者可能让你损失 1,200 万。
总结
三处漏报教会我们的是：AI 合同审查的价值不在”它多能干”，而在”它多诚实”。一个会说”这条我没把握”的系统，比一个给你完整答案的系统值钱得多。真正需要设计的三件事：覆盖（别漏读）、诚实（别静默）、可追（每条结论有出处）。
把内部规则搬出 prompt、禁止无 ID 引用、禁止静默过滤——这三条约束的成本很低，但它们把最贵的那类失败挡在了外面。
互动提问：你现在用 AI 审合同时，它报的风险点每一条都能定位到原文条款吗？还是有一堆看起来很专业的空泛提示？
互动提问：如果一份 1,200 万的合同，AI 说”看起来没问题”，你会直接签吗？你会要求它怎么证明？
— IMAI 编辑部 | 2026-10-26