想象你签了一份合同，就像给自己的身体做了一次全身体检。合同里的每一段文字，都是身体的一个“器官”——有的条款是心脏，决定交易能否正常搏动；有的条款是骨骼，支撑着双方的权利义务边界；还有的条款藏在脚趾缝里，平时看不见，一到发生纠纷那天才疼得你跳起来。AI 合同风险审查系统，就是一位经验丰富的“家庭医生”：它把你的合同从头到尾读一遍，像做 CT 扫描一样分析每一个句子的语义，然后把隐藏在字缝里的“病灶”——高得离谱的违约金、悄悄偏向对方的管辖法院、给你埋下的隐性义务——一个一个标记出来，并按严重程度为你开出一份分级预警的“体检报告”。 这套技术的本质，是把“读合同”从人肉逐字比对升级为 AI 语义扫描。它用自然语言处理技术理解每一条款在说什么，用风险模式匹配技术判断这句话是不是熟悉的“危险分子”，最后用分级预警策略告诉你：哪几条该警惕、哪几条该谈判、哪几条可以放心签字。整个过程，就像医生不仅会看化验单上的箭头，还能结合病例库告诉你这个指标异常意味着什么。 这篇文章，就是带你认识这位“合同家庭医生”——从它如何读懂条款、如何识别风险、到如何出具预警报告，一步步拆解给你看。

岗位关联

对 AI 从业者来说，掌握合同风险识别与预警技术，意味着你不仅能做“看得见的搜索”，还能做“看得懂的判断”——这是 NLP 在法律、金融、教育等千行百业落地的高价值切入点。

目录
  1. 可视化演示
  2. 风险识别概览
  3. 语义分析引擎
  4. 典型风险场景
  5. 风险模式匹配
  6. 分级预警机制
  7. 合同审查流水线
  8. 落地应用场景
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示AI模型如何通过语义分析扫描合同条款并识别风险点，支持模式切换查看风险扫描过程与风险分级分布。

本节配有交互动效（进入视口后自动加载，约 3KB）。

合同条款风险扫描流程 高危：违约金过高、管辖不利等严重风险条款 中危：隐性义务、模糊表述等需关注条款 安全：通过检测的正常条款，无风险特征 risk_score = sigmoid(W * embedding(clause)) 语义模型逐条款分析并输出风险置信度。

风险识别概览

第一次带家人做全身体检，医生会先问三个问题：平时哪里不舒服？家族有没有遗传病史？最近生活习惯怎么样？这三个问题决定了体检要重点查哪些部位。合同风险识别也一样，在 AI 扫描任何一个字之前，先要回答三个问题：什么是风险？风险长什么样？发现风险又能怎样？

合同风险，指的是合同条款中可能导致一方权益受损的约定。合同审查领域通常把不利条款归纳为四类高频类型：违约金过高、管辖条款不利、隐性义务条款、责任限制失衡。AI 要做的不是“读完”整本合同，而是像医生做专项筛查一样，精准扫描这些高风险部位，并在签约之前就发出预警——这就是早期识别的意义：一个风险条款在签约前被发现，成本只是一次谈判；在纠纷发生后才发现，成本可能是数百万元的损失。

把不同类型的风险放在同一把尺子上衡量，需要一个综合评分公式。每一种风险类型有一个权重 wᵢ，反映它在交易中的重要程度；AI 检测到该类型风险后给出严重度评分 sᵢ。把所有权重与严重度相乘再求和，就得到合同整体的风险分值 R：

问诊定方向、化验定清单——风险识别概览就是合同的“问诊环节”。它让语义分析、模式匹配、分级预警都有了明确的目标，AI 不必在几十页合同里大海捞针，业务人员也能在签约前就对整份合同的健康程度心里有数。

R=∑i=1nwi×si\displaystyle R = \sum_{i=1}^{n} w_i \times s_i
就像体检报告把血压、血糖、血脂各项指标的异常程度按不同权重汇总，得到一个整体健康评分。
  1. R（综合风险值）代表合同整体的风险水平，数值越高说明这份合同越“危险”。
    RR
  2. 求和符号 Σ把每一种风险类型的贡献逐一累加起来。
    ∑i=1n\sum_{i=1}^{n}
  3. 权重 wᵢ第 i 类风险的重要程度，违约金风险的权重通常高于一般信息披露风险。
    wiw_i
  4. 严重度 sᵢ第 i 类风险被检测到时的严重度评分，由后续模式匹配结果决定。
    sis_i

语义分析引擎

医生看化验单时，不会只盯着一项指标，而是综合看各项指标的关系。AI 读合同如果只做关键词匹配，就会闹出“合同里明明写着'不承担违约金'，系统却报警说违约金风险”的笑话。要理解一句话到底在说什么，靠的是语义分析。

语义分析的第一步是条款向量化——把一条条款映射到几百维的向量空间，语义相近的条款向量离得近，语义相反的离得远。第二步是语义相似度量，最常用的工具是余弦相似度：把两条条款的向量看作从原点出发的两条射线，计算它们夹角的余弦值。第三步是关键信息抽取：从条款中提取出违约金比例、管辖法院、义务期限等要素，让后续分级有据可依。

余弦相似度衡量的是两个向量方向的“贴合程度”。两条条款意思越接近，夹角越小，余弦值越接近 1；意思越背道而驰，余弦值越接近 -1。这正是风险模式匹配的数学地基——把待审条款与已知风险条款做相似度比对，靠的就是它：

语义分析让 AI 从“看见词”升级为“看懂句”。就像医生不仅看化验单上的箭头，还结合病史判断箭头意味着什么——AI 也结合上下文理解“违约金”三个字在句中到底是“要承担”还是“不承担”，从此不再望文生义。

cos⁡θ=A⋅B∥A∥×∥B∥=∑i=1naibi∑i=1nai2×∑i=1nbi2\displaystyle \cos\theta = \frac{A \cdot B}{\lVert A \rVert \times \lVert B \rVert} = \frac{\sum_{i=1}^{n} a_i b_i}{\sqrt{\sum_{i=1}^{n} a_i^2} \times \sqrt{\sum_{i=1}^{n} b_i^2}}
就像两条路夹角越小越顺路——余弦值越接近 1，两个条款在语义上越“顺路”。
  1. A·B（向量点积）把两个条款向量的对应分量相乘后求和，衡量两个向量的“同步程度”。
    A⋅B=∑i=1naibi\displaystyle A \cdot B = \sum_{i=1}^{n} a_i b_i
  2. ∥A∥（向量模长）把向量各分量的平方相加再开根号，表示该向量的“长度”。
    ∥A∥=∑i=1nai2\displaystyle \lVert A \rVert = \sqrt{\sum_{i=1}^{n} a_i^2}
  3. cos θ（夹角余弦）点积除以两个模长的乘积，得到夹角余弦值，范围在 -1 到 1 之间。
    cos⁡θ=A⋅B∥A∥×∥B∥\displaystyle \cos\theta = \frac{A \cdot B}{\lVert A \rVert \times \lVert B \rVert}
  4. 语义相似度值越接近 1，说明两个条款语义越接近，越可能是同一类风险条款。
    cos⁡θ→1\displaystyle \cos\theta \to 1

典型风险场景

有经验的医生脑子里存着大量“典型病例”：一看到某种症状组合，就能初步锁定病灶。AI 合同审查也一样，它预先学习了四类高频风险场景，见到“眼熟”的说法就拉响警报。

第一类是违约金过高，例如“逾期付款违约金每日按合同总额 1% 计算”，按年折算高达 365%，远超法律支持的上限，实质是惩罚性条款。第二类是管辖不利，比如约定由对方所在地法院管辖，一旦发生纠纷，你得千里迢迢去应诉，维权成本被暗中抬高。第三类是隐性义务，用“无条件”“自动续约”等词把额外义务悄悄塞给你，不仔细读根本发现不了。第四类是责任限制失衡，把大部分风险转移给弱势一方，比如“交付后一切风险由乙方承担”。

AI 用条款风险分数评估每一个条款的风险强度。风险模式库中的每条模式都带一个权重 wⱼ，条款命中模式 j 时指示函数 I 取 1、否则取 0，加权求和就得到该条款的风险分：

典型风险场景就是 AI 的“病例手册”。有了它，AI 不用每次从零推理，而是像医生看到“高热+咳嗽”就联想到肺炎一样，看到“每日 1% 违约金”就立刻锁定违约金过高风险，迅速定位病灶。

Score(clause)=∑j=1mwj×I(clause 命中模式 j)\displaystyle \text{Score}(\text{clause}) = \sum_{j=1}^{m} w_j \times I(\text{clause 命中模式 } j)
就像医生看到“高热+咳嗽+咳黄痰”就把肺炎的权重拉满——命中的典型症状越多、权重越高，诊断越明确。
  1. Score（条款风险分）一个条款的综合风险得分，分越高越需要警惕。
    Score(clause)\displaystyle \text{Score}(\text{clause})
  2. 模式编号 j风险模式库中的第 j 条模式，例如“每日 0.5% 违约金”。
    j=1,2,…,m\displaystyle j = 1, 2, \ldots, m
  3. 指示函数 I一个开关函数，命中模式取 1，没命中取 0。
    I(⋅)∈{0,1}\displaystyle I(\cdot) \in \{0, 1\}
  4. 加权求和把命中的模式权重逐一累加，得到条款的风险总分。
    ∑j=1mwj×I(⋅)\displaystyle \sum_{j=1}^{m} w_j \times I(\cdot)

风险模式匹配

医生看 CT 片子，会把它和过往病例库中的典型影像做比对，越像就越倾向同一个诊断。AI 做风险模式匹配也是这个逻辑——它把已知的不利条款抽象成“模式模板”，再把待审合同条款往模板上套。

风险模式库的构建来自专业律师的标注数据和历史判例，每一条模式都是一个由关键词、句式结构和语义向量组成的“模板”。特征工程负责把条款转换成可供比对的向量表示。匹配算法则用相似度函数计算待审条款与每个模板的接近程度，取所有模板中的最高相似度作为匹配结果：

但模式匹配有一个绕不开的敌人——误报。就像 CT 影像里的阴影可能是肿瘤也可能是疤痕组织，AI 会在匹配之后加一道语义复核，把“不承担违约金”这类表面相似、实质相反的条款拦截下来。这就是给“病例比对”加上了医生的二次判断，让预警更准。

Match(c)=max⁡k Sim(c, pk)\displaystyle \text{Match}(c) = \max_{k} \, \text{Sim}(c,\, p_k)
就像医生在影像库里找到最像的那张片子——匹配度越高，越有把握下判断。
  1. c（待审条款向量）当前要判断的合同条款经过向量化后的表示。
    c\displaystyle c
  2. pₖ（模式向量）风险模式库中第 k 个风险模式的向量表示。
    pk\displaystyle p_k
  3. Sim（相似度函数）计算两个向量语义相似度的函数，通常就用余弦相似度。
    Sim(c,pk)\displaystyle \text{Sim}(c, p_k)
  4. max（取最大值）在所有模式中取相似度最高者，超过预警阈值就触发风险提示。
    max⁡k\displaystyle \max_{k}

分级预警机制

一份好的体检报告不会只写一句“身体有点问题”，而是用绿、黄、红三色把异常项分级，并告诉你怎么处理。合同预警也一样，把“有没有风险”升级为“风险多严重、怎么办”，串成一条清晰的决策链。

分级预警机制把综合风险值 R 映射到三个等级：低于阈值 θ₁ 的属于低风险，记录留意即可；介于 θ₁ 与 θ₂ 之间属于中风险，建议谈判修改；高于 θ₂ 属于高风险，必须法务复核。阈值不是拍脑袋定的，而是综合历史纠纷数据、合同金额、业务方的风险偏好协商确定。风险概率量化把模式匹配的相似度折算成概率估计，让预警从“感觉有风险”变成“有 87% 的概率是违约金过高”。处置建议生成则根据等级自动输出“正常推进、建议谈判、法务复核”等行动项，让预警不只是报警，还告诉你怎么做：

三色预警让合同审查从“发现问题”升级为“管理问题”。就像体检报告让患者知道该挂哪个科，预警报告让业务人员知道哪条该立刻谈、哪条可以放一放——把有限的谈判精力用在刀刃上。

Level(R)={低风险R<θ1中风险θ1≤R<θ2高风险R≥θ2\displaystyle \text{Level}(R) =\begin{cases}\text{低风险} & R < \theta_1 \\\text{中风险} & \theta_1 \le R < \theta_2 \\\text{高风险} & R \ge \theta_2\end{cases}
就像体检报告的绿色“通过”、黄色“复查”、红色“立即就医”——不同颜色对应不同的行动指令。
  1. R（综合风险值）由风险识别概览中的加权评分公式计算得到。
    R\displaystyle R
  2. θ₁（低中分界阈值）低于它说明合同整体干净，只需留意；超过它进入中风险区间。
    θ1\displaystyle \theta_1
  3. θ₂（中高分界阈值）超过它说明存在严重不利条款，建议法务强制介入。
    θ2\displaystyle \theta_2
  4. 分段函数根据 R 落在哪个区间，映射到低、中、高三个预警等级。
    Level(R)\displaystyle \text{Level}(R)

合同审查流水线

一次完整的体检，从前台挂号、分诊、化验到最终取报告，是一条固定的流水线。合同审查也一样，AI 不是东一榔头西一棒子地看，而是沿着一条标准化流水线作业，保证每一份合同都被同样的步骤认真对待。

第一步是合同结构化拆分，把整本合同按条款编号切成独立的条款单元。第二步是条款定位，从条款序列中锁定与风险相关的目标条款。第三步是风险标注，把命中模式、超过阈值的条款打上风险标签。第四步是审查报告生成，输出包含风险等级、问题条款原文和修订建议的结构化报告。

衡量这条流水线靠不靠谱，业界最常用的指标是 F1 值。它综合了精确率 P（报出来的风险里有多少是真风险）与召回率 R（真正的风险被找出来多少），调和平均后得到一个 0 到 1 之间的分数：

流水线的价值在于“标准化”——就像体检机构靠流程保证每个环节不遗漏，合同审查流水线也让每份合同受到同样严格的扫描，不会因为审查员的经验差异而漏掉风险点。

\displaystyle F_1 = \frac{2 \times P \times R}{P + R}\quad\text{其中}\quadP = \frac{TP}{TP + FP},\ \ R = \frac{TP}{TP + FN}
就像体检设备既要“查得准”（精确率），又要“查得全”（召回率），F1 是两者都不偏科的平衡分。
  1. TP（真正例）确实是不利条款且被 AI 正确标出的数量。
    TP\displaystyle TP
  2. FP（假正例）本来没有问题却被标成风险的条款数，即“误报”。
    FP\displaystyle FP
  3. P（精确率）AI 报出来的风险里，真正有问题的比例。
    P=TPTP+FP\displaystyle P = \frac{TP}{TP + FP}
  4. R（召回率）所有真正的风险条款中，被 AI 找出来的比例。
    R=TPTP+FN\displaystyle R = \frac{TP}{TP + FN}
  5. F1（综合指标）精确率与召回率的调和平均，越接近 1 说明审查系统越可靠。
    F1=2×P×RP+R\displaystyle F_1 = \frac{2 \times P \times R}{P + R}

落地应用场景

这套“合同体检”技术，如今已经从实验室走进了真实的办公场景：在法院，它帮法官快速筛查卷宗里的格式合同；在企业法务部，它把合同审查时间从三天缩短到三小时；在学校，它默默守护教育采购与数据服务合同的合规底线。

司法智能化建设中，AI 审查系统辅助法官和书记员处理批量案件中的格式合同，快速锁定违约金、管辖等争议焦点。企业法务部门用它做合同入库前的风险筛查，把人力集中在谈判与修订上。教育数字化转型中，学校用它审查软硬件采购、数据服务等合同，守住学生数据合规底线。合规风控体系则把它嵌入业务流程，实现签约前的自动检查，把风险挡在合同生效之前。

衡量这些落地效果，离不开投入产出比——节省的法务工时与纠纷损失之和（C_saved），减去系统建设与运维成本（C_cost），再除以系统成本，就是这套技术的回报率：

从法庭到云端课堂，这位“合同医生”正在越来越多的地方坐诊。它不能代替律师出庭，却能帮每一位合同签署者提前看清字缝里的雷——这正是 AI 落地最实在的价值。

ROI=Csaved−CcostCcost×100%\displaystyle \text{ROI} = \frac{C_{\text{saved}} - C_{\text{cost}}}{C_{\text{cost}}} \times 100\%
就像体检一次花几百块，却可能帮你躲过一场花费几十万的大病——ROI 算的是“防患于未然”这笔账。
  1. C_saved（节省成本）AI 上线后减少的法务人工工时、避免的纠纷损失折算金额。
    Csaved\displaystyle C_{\text{saved}}
  2. C_cost（投入成本）系统采购、模型训练、数据标注与运维的总成本。
    Ccost\displaystyle C_{\text{cost}}
  3. 净收益（差值）节省的成本减去投入的成本，正数说明回本且盈利。
    Csaved−Ccost\displaystyle C_{\text{saved}} - C_{\text{cost}}
  4. 百分比化除以投入成本并乘以 100%，得到投入产出比。
    ×100%\displaystyle \times 100\%

AI 应用场景

企业法务合同审查

阶段：合同审查流水线与分级预警机制

解决的问题：传统法务逐字核对合同效率低，一份合同动辄审两三天，且人工容易遗漏藏在长句里的隐性义务。AI 自动完成条款拆分、风险标注与分级预警，法务只需聚焦中高风险条款进行谈判，审查时间从三天缩短到三小时。

具体案例：某 SaaS 公司在续约采购合同时，AI 审查系统发现第 12 条“乙方应无条件承担自动续约义务，并支付上调 20% 的许可费用”属于隐性义务条款，红色预警触发法务复核，最终删除该条款，为公司避免了下一年度约 60 万元的额外支出。

司法智能化辅助

阶段：语义分析引擎与风险模式匹配

解决的问题：批量案件中大量格式合同的审查占用法官精力，人工比对违约金、管辖等条款既慢又容易遗漏。AI 用语义分析理解每一条款，用风险模式匹配快速比对，把法官从重复劳动中解放出来。

具体案例：某基层法院引入合同审查系统处理房屋租赁纠纷批量案件，AI 在 2 小时内完成 200 份合同的违约金条款扫描，标注出 47 份违约金超过法定上限的合同，法官据此快速开展调解，批量结案周期缩短了一半。

教育数字化合规护航

阶段：分级预警机制与审查报告生成

解决的问题：学校采购教学平台、数据服务等合同时，一旦出现数据所有权归属不利、隐性义务等条款，可能引发学生数据泄露和法律纠纷。AI 以“体检报告”形式输出风险清单，帮助校方在签约前守住合规底线。

具体案例：某高校采购 AI 教学平台时，审查系统预警“平台运营方独家享有学生数据所有权”条款，校方据此重新谈判，将数据所有权与使用权改为双方共有，保障了数千名师生的数据权益。

Python 演示

python80 行
# -*- coding: utf-8 -*-"""合同风险点识别与不利条款预警演示""" import re  class ContractRiskChecker:    """基于规则与关键词的迷你合同风险检测器"""     RISK_RULES = [        {            'name': '违约金过高',            'keywords': ['违约金每日', '赔偿金每日'],            'patterns': [r'每日.{0,4}[%％]'],            'level': 3        },        {            'name': '管辖不利',            'keywords': ['管辖'],            'patterns': [r'(甲方|原告|卖方)所在地'],            'level': 2        },        {            'name': '隐性义务',            'keywords': ['无条件', '自动续约'],            'patterns': [r'无条件.{0,8}(续约|履行|承担)'],            'level': 2        }    ]     def __init__(self):        self.risk_hits = []     def split_clauses(self, text):        """按句号与分号把合同切分成条款列表"""        return [s.strip() for s in re.split(r'[。；\n]', text) if s.strip()]     def check(self, text):        """逐条扫描合同，返回风险命中清单"""        self.risk_hits = []        for idx, clause in enumerate(self.split_clauses(text), 1):            for rule in self.RISK_RULES:                matched = any(k in clause for k in rule['keywords'])                matched = matched or any(                    re.search(p, clause) for p in rule['patterns']                )                if matched:                    self.risk_hits.append({                        'clause_no': idx,                        'risk_type': rule['name'],                        'level': rule['level'],                        'clause_text': clause[:24]                    })        return self.risk_hits     def grade(self):        """汇总风险分数，输出分级预警结论"""        if not self.risk_hits:            return '预警等级：低——未见明显不利条款，可正常推进签约。'        total = sum(hit['level'] for hit in self.risk_hits)        if total >= 8:            return f'预警等级：高——发现{len(self.risk_hits)}处风险，累计{total}分，建议法务复核后谨慎签约。'        if total >= 4:            return f'预警等级：中——发现{len(self.risk_hits)}处风险，累计{total}分，建议针对不利条款开展谈判。'        return f'预警等级：低——发现{len(self.risk_hits)}处风险，累计{total}分，留意相关条款即可。'  if __name__ == '__main__':    contract_text = (        '第4条 逾期付款违约金每日按合同总额1%计算。'        '第7条 本合同争议由甲方所在地人民法院管辖。'        '第12条 乙方应无条件承担自动续约义务，并继续支付许可费用。'        '第3条 甲乙双方协商确定交付时间，乙方应按时完成交付。'    )    checker = ContractRiskChecker()    hits = checker.check(contract_text)    print(checker.grade())    for hit in hits:        print(f"第{hit['clause_no']}条 [{hit['risk_type']}] "              f"等级{hit['level']}分: {hit['clause_text']}")
目的：用 60 行代码实现一个迷你“合同医生”——把合同切成条款、用关键词与正则模式匹配识别三类典型风险、按分数输出分级预警，完整演示正文讲过的“合同审查流水线”。
  1. self.risk_hits = []初始化风险命中清单，每个命中项记录条款编号、风险类型与等级，相当于医生的“病历本”。
  2. re.split(r'[。；\n]', text)按句号、分号、换行把整份合同切成条款片段，对应流水线第一步“结构化拆分”。
  3. for idx, clause in enumerate(self.split_clauses(text), 1)给每条条款编上序号，方便报告精准定位到“第几条”。
  4. any(k in clause for k in rule['keywords'])先用关键词做第一轮粗筛，等价于医生先看有没有明显症状。
  5. re.search(p, clause)再用正则表达式匹配风险模式，捕捉“每日1%”这类关键词之外的写法，相当于影像学检查。
  6. total = sum(hit['level'] for hit in self.risk_hits)把命中的风险等级分累加，对应正文里的综合风险评分 R。
  7. if total >= 8用阈值判断风险等级，实现“低/中/高”三色预警，对应分级预警机制。
  8. contract_text = (...)一份迷你“体检样本”，包含违约金过高、管辖不利、隐性义务三个病灶和一个正常条款。
  9. hits = checker.check(contract_text)启动扫描，相当于医生按下 CT 扫描按钮。
  10. print(checker.grade())输出分级预警报告，告诉业务人员这份合同“该不该签、该改哪里”。

常见误区

误区有了 AI 合同审查工具，就不需要律师了，机器直接告诉我“能不能签”就行。

正解AI 更像体检中心的化验医生，而不是出诊断的主治医生。它负责把风险点找出来、给出分级预警，但最终“这条款能不能接受、怎么谈判”需要法律专业人士结合商业背景做判断。体检报告再详细，你也得挂号看医生。

为何常见：因为 AI 能快速扫描几十页合同并标红风险条款，给人一种“全知全能”的错觉，忽略了合同审查还涉及商业判断、谈判策略和法律责任归属。

误区合同里出现“违约金”就报警，出现“管辖”就标红，这不就是 AI 合同审查吗？

正解关键词匹配只看见“词”，看不见“义”。“不承担违约金”和“承担违约金”意思完全相反，关键词匹配无法区分，会产生大量误报。真正的语义分析会把整个句子映射成向量，结合上下文理解“违约金”前面有没有“不”、主语是谁、义务落在谁头上。

为何常见：早期合同审查工具确实以关键词为主，而且对格式合同挺有效，让人误以为关键词匹配就是自然语言处理的全部。

误区AI 标红为高风险的条款，就是对方在坑我，必须删掉或拒绝签署。

正解风险等级反映的是“发生纠纷时的不利程度”，不等于“这份合同不能签”。商业谈判中，一方可能用更优惠的价格或付款条件换取不利条款的平衡。AI 给的是体检报告，决定权在签约的人；高血脂的人不是不能生活，而是需要调整生活方式。

为何常见：因为预警系统用红色高亮和刺眼分数，容易让使用者产生“红色=绝对不行”的条件反射。

误区好的合同审查系统应该零误报，报警的都要是真的，不然就是产品不行。

正解误报与漏报是一对跷跷板。拼命压制误报，阈值一调高，真正危险的条款就溜过去了，漏报的代价远比误报大。成熟产品会让用户按业务场景调节灵敏度，并配合人工复核——宁可多报几个让律师筛一遍，也不能漏掉一个“每日 1% 违约金”。

为何常见：因为“狼来了”的误报体验感极强，而沉默的漏报没有感知，用户容易被误报激怒，忽略漏报的灾难性后果。

面试题

Q1. 下列哪类条款属于典型的“不利条款”？

单选题 · easy

  • A.违约金过高的条款← 正确答案
  • B.双方协商付款的条款
  • C.保密义务合理的条款
  • D.交付时间明确的条款

答案：A。违约金过高是典型不利条款之一，指违约金远超实际损失、对一方明显不公，例如“每日按总额 1% 计算”。其他三项都是正常商业约定，就像体检里正常的项目，不构成风险。

Q2. 关键词匹配与语义分析的核心区别是什么？

单选题 · easy

  • A.关键词匹配速度更快
  • B.语义分析能理解上下文← 正确答案
  • C.关键词匹配不需要数据
  • D.语义分析只能处理英文

答案：B。语义分析通过向量化和上下文建模理解词在句子中的真实含义，能分辨“不承担违约金”与“承担违约金”的相反含义；关键词匹配只看字面。就像医生看化验单要结合病史，而不是只看箭头方向。

Q3. 余弦相似度衡量的是两个向量的什么？

单选题 · mid

  • A.长度差异大小
  • B.方向一致程度← 正确答案
  • C.维度数量多少
  • D.元素个数多少

答案：B。余弦相似度计算两个向量夹角的余弦值，关注方向而非长度，取值范围 [-1,1]。值越接近 1，两个条款向量的方向越一致，语义越相近。

Q4. 综合风险评分 R = Σwᵢsᵢ 中，wᵢ 代表什么？

单选题 · mid

  • A.风险的严重度评分
  • B.第i类风险的权重← 正确答案
  • C.合同条款的总数
  • D.合同总金额大小

答案：B。wᵢ 是第 i 类风险的权重，反映该类风险的重要程度，例如违约金风险的权重高于一般披露风险；sᵢ 才是严重度评分。权重 × 严重度再求和，就像体检各项目按重要性加权汇总。

Q5. 下列哪些做法能有效抑制合同风险检测的误报？

多选题 · mid

  • A.引入语义校验拦截← 正确答案
  • B.增加关键词数量
  • C.增加规则复核环节← 正确答案
  • D.降低全部预警阈值

答案：AC。语义校验能理解“不承担违约金”的真实含义，规则复核能拦截明显误判——就像医生看到 CT 阴影后加做病理切片。单纯加关键词、降阈值都会引入更多噪声，反而让误报更多。

Q6. 下列哪些属于典型的合同风险场景？

多选题 · mid

  • A.违约金过高条款← 正确答案
  • B.管辖不利条款← 正确答案
  • C.隐性义务条款← 正确答案
  • D.明确交付时间条款

答案：ABC。违约金过高、管辖不利、隐性义务是 AI 重点检测的高频风险场景。明确交付时间属于正常商业约定，就像血压正常不算病灶。

Q7. 在合同审查流水线中，“条款定位”环节的主要任务是什么？

单选题 · hard

  • A.拆分合同为结构化段落
  • B.从条款中锁定审查目标← 正确答案
  • C.生成最终审查报告
  • D.统计全部合同总字数

答案：B。流水线第一步是合同结构化拆分，第二步条款定位是在拆分后的条款序列中锁定与风险相关的目标条款，为后续风险标注和报告生成做准备。A 是第一步的事，C 是最后一步的事。

Q8. 关于分级预警策略，下列说法正确的有哪些？

多选题 · hard

  • A.高风险合同条款绝不签署
  • B.预警阈值需根据场景调整← 正确答案
  • C.风险等级决定处置优先级← 正确答案
  • D.分级越细越精确好用

答案：BC。预警阈值应结合业务场景调节；风险等级用于确定处置优先级。A 过于绝对——高风险条款可以谈判修改；D 分级过细反而增加决策负担，三色分级在工程中往往最实用。

Q9. F1 = 2PR/(P+R)，当 P=0.8、R=0.5 时，F1 值约为多少？

单选题 · extreme

  • A.0.60
  • B.0.65
  • C.0.62← 正确答案
  • D.0.55

答案：C。F1 = 2 × 0.8 × 0.5 ÷ (0.8 + 0.5) = 0.8 ÷ 1.3 ≈ 0.615，四舍五入约为 0.62。就像体检设备查得准但查不全时，综合分会被较低的一项拖累——F1 永远不会超过精确率和召回率的较小值。

Q10. AI 合同审查系统输出的“体检报告”一般指什么？

单选题 · easy

  • A.合同完整原文照抄
  • B.风险条款及分级预警← 正确答案
  • C.合同双方背景调查
  • D.合同加密签名水印

答案：B。体检报告式输出是结构化风险清单，列出问题条款、风险类型、等级与处置建议，供业务人员和法务参考。它像体检报告而不是病历原件——不是把原始数据抄一遍，而是告诉你哪里亮红灯、该挂哪个科。