合同审查：合同分类

可视化演示

演示智能合同审查系统的合同分类前置流程：文本分类模型归类、关键条款识别辅助、多级分类与自动路由，直观展示如何将合同按类型自动分拣到对应审查通道。

1. 分类意义：医院分诊台为何存在

一个合格的急诊分诊台，是整个医院高效运转的起点。病人一到，分诊护士就通过“主诉加体征”判断就诊方向：胸痛去心内，骨折去骨科，发热去感染科。如果让病人自己摸索该挂哪个科，大厅早乱成一锅粥。合同审查的流程中也有这样一个“分诊台”——合同分类。它存在于一切审查动作之前，决定了一份合同接下来会走完哪条审查流水线，甚至能为合同的风险等级做一个初步判断。

在传统法务流程中，合同分类靠人工。法务专员收到合同后，先看标题、翻条款，凭经验确认类型，再手动套用对应模板。这套流程有两个痛点：慢，且不稳定。一个熟手分类一份合同需要几分钟，而一家中型公司一天可能有几十份新合同；不同的人对同一份合同类型的判断可能不一致，导致后续审查标准不统一。AI的介入，正是为了把这一步变成自动的、即时的、可复现的，并为后续差异化审查策略和风险等级初判奠定基础。

从数学上看，合同分类是一个标准的文本分类问题：把待分类的合同文本 D 映射到一个预定义的类型 c 上，并输出模型认为最可能的那个类型。形式化地写出来：

分类的精度直接决定后续所有环节的体验。就像分诊护士如果把人分错科室，轻则让患者多跑一趟，重则延误治疗；合同分类一旦出错，后续的审查模板、风险清单、责任分配全部跑偏。因此，这个“分诊台”值得被优先建造。

2. 合同类型体系：医院的科室目录

医院分诊台的第一件事，是知道医院里都有哪些科室。如果医院只有内外科，病人再复杂也就在两个科之间打转；科室定得越细，分诊就越精确。合同分类的第一步，同样是定义那份“科室目录”——合同类型体系。

在企业实务中，最常见的合同类型包括采购合同、销售合同、劳动合同、租赁合同等。采购合同关注交付、验收、质保；销售合同关注付款、退货、知识产权；劳动合同关注薪酬、工时、解除条件；租赁合同关注租金、押金、维修责任。类型不同，审查清单就完全不同。所以合同类型体系不是一套放之四海而皆准的模板，而是需要结合企业所处行业、历史合同分布和合规要求动态维护的。

“分类”不是拍脑袋想一个词，而是需要维护一个动态的类型集合。这个集合既要覆盖企业历史合同的主要分布，又要与新业务对齐。把它写成集合形式：

正如分诊台的天职是把病人送进对的科室，合同分类的价值也取决于类型体系与企业业务流程的贴合度。科室目录是不是清晰、有没有兜底、多久更新一次，直接决定这位“AI分诊护士”的上限。

3. 文本分类模型：AI分诊护士的训练

新来的分诊护士不是天生就会分诊的。她要练几百个案例：看到“胸痛加大汗”就知道心梗，看到“发热加咳嗽”就想到肺炎。AI分诊护士也一样，它需要从大量“合同文本—正确类型”的配对样本中学会判断。这种学习方法的学名叫“文本分类模型”。训练数据的质量直接决定了这位护士的起点。

文本分类的两大支柱是“文本向量化”和“分类算法”。文本向量化把一段中文变成计算机能计算的数字序列；分类算法则从数字序列中学习决策边界。经典的实现路线是“TF-IDF 特征 + 朴素贝叶斯/逻辑回归”。训练完成后，还要用一份模型从未见过的测试合同来评估准确率，这就是模型评估——只有评估合格的模型才能上线分诊。

朴素贝叶斯是一种特别适合文本分类的概率模型。它利用贝叶斯定理反推“看到这份文本，更可能是哪一类”，并假设文本中的词互相独立：

回到分诊台，老护士会告诉你“患者的各项指标都要综合看”。朴素贝叶斯也是一样：它不依赖任何一个词，而是让合同里的所有词共同投票。这些票不是等权的，每个词用自己的“历史出现频率”作为话语权。

4. 关键条款识别：分诊护士的检查单

分诊台前，有经验的老护士不会只凭患者一句“我不舒服”就做决定。她会翻开检查单：血压多少、心率多少、血糖多少。对于合同文本来说，那些“检查单上的关键指标”就是关键条款——付款方式、违约责任、知识产权归属、保密义务。

关键条款识别在合同分类中有两个作用。第一，作为辅助分类信号：当整篇文本的措辞模糊时，几处硬性条款能暴露合同的真实类型。例如出现“租赁期限”“押金”这类条款特征词，就指向租赁合同。第二，为后续审查直接提供素材：分类只是起点，条款级的信息抽取才能支撑审查。在工程实现上，通常用“规则先匹配 + 模型再判断”的组合打法：规则层负责锁定明显特征，模型层负责处理模糊文本，这就是规则模型结合。条款定位抽取则负责把特征词从长文本中准确抓出来。

关键条款识别的特征工具，是 TF-IDF——词频-逆文档频率。它回答一个问题：一个词在一份合同里出现得越多、同时在所有合同中出现得越少，说明这个词越能代表这份合同的类型。公式如下：

这就像分诊台的检查单：一个指标单独看没什么，但“体温39度 + 白细胞高 + 咳嗽”组合起来，几乎就能锁定肺炎的方向。TF-IDF正是帮AI挑出“那些值得多看两眼的词”，再用它们组成类型判断的证据链。

5. 多级分类流程：先急诊后转诊

优秀的急诊分诊，不是一步到位的。遇到一个昏迷患者，护士先在5秒内判断“这是内科还是外科问题”；如果怀疑是脑外伤，再精确一步“是神经外科”。这种“先粗后细”的策略，对应到合同分类就是多级分类流程。

单级分类把合同直接分到几十个细类里，模型要面对的决策面大，错误率高。多级分类把过程拆成两级甚至三级：第一级粗分类只分“采购/销售/劳动/租赁”等大类；第二级细分类才在粗类内部细化，比如把“采购合同”进一步拆为“原材料采购”“设备采购”“服务采购”。粗分类把决策空间缩小后，细分类的准确率会明显提高。

多级流程中，模型除了输出类型，还要输出“信心值”——置信度。它告诉系统“我对自己这个判断有多少把握”。置信度决定了自动化和人工的切换：

“能自动的尽量自动，不能自动的果断求助”，这是分诊台的设计哲学，也是多级分类流程的哲学。每一级分类都在逐步缩小范围，每一次置信度判断都在为“机器 vs 人”划定安全边界。

6. 自动路由机制：分诊后的转送

分诊台决定病人去心内科还不够，还要做三件事：开一张去心内科的路条、通知心内科值班医生、把病人病历同步给病房。合同分类之后也一样：AI不仅要说出“这是采购合同”，还要让这个结论驱动后续动作——自动路由机制。

路由机制的输入是分类模型输出的类型，输出是一整套可执行的动作集合。动作包括：选用对应的审查模板匹配、分配对应法务或风控人员、设定审查优先级、标记该类型特有的风险项。在大型企业里，路由结果还会推送到合同管理系统中，形成一条待办任务。这就是差异化策略配置与责任部门分配的落地过程。

路由规则本质上是一个从类型集合到路由结果的路由规则映射函数：

自动路由让“分类”从“贴个标签”升级为“改变流程”。就像分诊台不仅给病人挂好号，还提前给科室打了电话，合同一到审查环节，对应的人员资源已经就位。分类的价值，在这一刻真正落地。

7. 持续训练扩展：护士的在职进修

一个分诊护士再厉害，遇到新病毒也会手足无措。医院的做法是定期把疑似病历拿去讨论、更新诊疗指南。AI合同分类器同样需要“在职进修”——持续训练扩展，让它可以吸收新样本、学习新类型。

持续训练的驱动力来自两类反馈收集：一是用户的显式修正（法务手动把“加工承揽”改为“服务合同”），二是模型的隐式试探结果（低置信度样本经人工确认后的真实标签）。这些反馈积累到一定量后，触发增量训练，模型在不重演全部历史数据的情况下更新自己。

新类型检测特别需要谨慎。当模型遇到一个“四不像”合同，先做相似度检测：如果它离所有现有类型的中心都远，说明它可能属于新类型。此时建议走一段“标注—评审—入型”的流程，再纳入训练集。增量更新参数可以写成一个简单的加权平均，实现模型的动态更新：

合同类型不是静态的，企业业务一变，新合同形态就会冒出来。一个优秀的AI分诊护士，应当像真正的医务体系一样，有“临床反馈到诊疗指南更新”的闭环。持续训练机制，就是这个闭环的驱动引擎。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""纯Python实现的朴素贝叶斯合同分类演示"""import mathfrom collections import defaultdict TRAIN_DATA = [    ("采购合同 甲方采购钢材一百吨 供应商十五日内交货", "采购"),    ("供货协议 乙方按订单向甲方供应电子元器件", "采购"),    ("销售合同 甲公司向乙公司出售软件使用许可", "销售"),    ("销售协议 卖方授权买方在限定区域内销售产品", "销售"),    ("劳动合同 用人单位与劳动者约定试用期与薪酬", "劳动"),    ("劳动合同 公司雇佣员工并缴纳社会保险", "劳动"),    ("租赁合同 甲方将写字楼出租给乙方使用", "租赁"),    ("租赁协议 承租人按月支付租金 租期两年", "租赁"),]  def tokenize(text):    return list(text)  def train(data):    classes = []    for _, label in data:        if label not in classes:            classes.append(label)    docs_of_class = defaultdict(list)    for text, label in data:        docs_of_class[label].append(tokenize(text))    vocab = set()    for text, _ in data:        vocab.update(tokenize(text))    priors = {}    cond_probs = {}    for label in classes:        toks_list = docs_of_class[label]        priors[label] = len(toks_list) / len(data)        total_words = 0        word_counts = defaultdict(int)        for toks in toks_list:            for t in toks:                word_counts[t] += 1                total_words += 1        cond_probs[label] = {}        for t in vocab:            cond_probs[label][t] = (word_counts[t] + 1) / (total_words + len(vocab))    return classes, vocab, priors, cond_probs  def predict(text, classes, vocab, priors, cond_probs):    toks = tokenize(text)    scores = {}    for label in classes:        score = math.log(priors[label])        for t in toks:            if t in vocab:                score += math.log(cond_probs[label][t])        scores[label] = score    best = max(scores, key=scores.get)    probs = {}    total = sum(math.exp(s) for s in scores.values())    for label, s in scores.items():        probs[label] = math.exp(s) / total    return best, probs  def main():    classes, vocab, priors, cond_probs = train(TRAIN_DATA)    doc = "甲方出租厂房 年租金五十万元 租期五年 押三付一"    best, probs = predict(doc, classes, vocab, priors, cond_probs)    print("合同文本:", doc)    print("预测类型:", best)    for label, p in sorted(probs.items(), key=lambda x: -x[1]):        print(f"  {label}: {p:.2%}")  if __name__ == "__main__":    main()

1. classes, vocab, priors, cond_probs = train(TRAIN_DATA)读取标注好的合同样本，分别得到类型列表、词表、先验概率和条件概率。
2. priors[label] = len(toks_list) / len(data)计算先验概率：这种类型在历史合同中的占比。
3. cond_probs[label][t] = (word_counts[t] + 1) / (total_words + len(vocab))拉普拉斯平滑，防止某个词在某类合同里没出现过导致概率为 0。
4. score = math.log(priors[label])从先验概率出发，取对数防止大量连乘时数值下溢。
5. best = max(scores, key=scores.get)选分数最高的类型作为预测结果，等价于公式中的 \arg\max。
6. probs[label] = math.exp(s) / total把对数分数还原成概率分布，方便人看“AI分诊护士”的把握程度。

常见误区

面试题