合同审查：风险识别

可视化演示

以扫描动画模拟NER对合同的逐行审查，扫描光束扫过文本并从条款中识别出金额、期限与违约责任等风险点，直观呈现风险识别过程。

风险识别概述

走进医院，医生不会上来就开刀，而是先开一张检查单：量血压、抽血、拍片，最后把所有指标汇成体检报告。合同审查同理。拿到合同时，法务的第一反应不该是逐条精读，而是先确定“要查什么、用多大力气查”。这个“开检查单”的环节，就是风险识别——它是合同审查流程的入口，决定了后续人力往哪里投放。

传统做法里，开检查单靠法务的经验直觉：扫一眼合同类别，翻翻关键页，心里估个风险预期。但经验难以规模化——一个法务一年最多精读几百份合同，而中型企业一年的采购、销售、外包合同往往上千份。AI 化之后，风险识别变成一条自动化流水线：先拆分条款结构，再用 NER 抽取关键实体，接着用规则匹配圈定风险点，最后按风险值排序。这条流水线，就是我们的“AI 体检中心”。

流水线里每个环节解决不同问题：NER 负责“看得懂”，把自然语言变成字段；规则匹配负责“查得准”，定向筛查高风险句式；风险分级与优先级排序负责“排得急”，把可疑条款按严重程度排队。输入一份 Word 合同，输出一张“待审清单”。

所以，风险识别在合同审查里的地位，就像体检中心的“初筛台”——它不做最终诊断，而是高效找出“哪里需要进一步检查”。有了初筛台，法务从“逐页读完才知道哪里有问题”，变成“先看报告再决定精读哪几页”——这正是 AI 给法律行业的第一个实在红利。

NER实体抽取

医生看片子，先分清哪里是肺、哪里是肝，然后才能判断哪个器官有阴影。AI 读合同也一样：在谈风险之前，它得先搞清楚“甲方是谁、金额是多少、交货日期是哪天”。这份“器官定位”的本事，就是命名实体识别（NER，Named Entity Recognition）——它是 NLP 里最基础也最实用的任务之一：从非结构化文本中找出人名、组织名、时间、金额等实体并打上类型标签。

把句子“乙方应于 2026 年 6 月 1 日前支付货款 500 万元”丢给 NER 模型，它会这样标注：乙方→组织，2026 年 6 月 1 日→时间，500 万元→金额。这些实体正是后续风险判断的“原料”。实现上，主流做法是把 NER 建模成序列标注问题：模型对每个字预测一个标签，常用体系叫 BIO——B 表示实体开始，I 表示实体内部，O 表示不属于任何实体。例如“乙方”被标成 B-ORG、I-ORG。

具体到合同场景，NER 的难点不少：中文没有天然空格，'违约金'可能被切错；法律文本的长定语从句动辄三四十字；专有名词如“北京甲乙丙丁科技有限公司”需要跨多个字完整识别。业界通常用通用预训练模型加一批标注好的合同语料做微调。中文 NLP 工具如 [哈工大 LTP](0) 与 [jieba 分词](1) 提供了开箱即用的基础能力。模型输出层常用 softmax：给每个候选标签算一个概率，取最高者作为最终标注。

回到体检的比喻：NER 就是给体检设备装上“器官识别算法”，让机器分得清肝和肺。这一步做得稀烂，后面所有化验都会指错位置——所以做合同风险识别，第一个要打磨的，就是这台“认器官”的机器。

规则匹配引擎

认出了器官，医生还得抽血化验——用特定试剂检测指标是否超标。合同里的“试剂盒”，就是规则匹配引擎：它不靠模型猜，而是靠事先沉淀的经验规则，精确打击已知的风险句式。凡是合同里出现“违约金”“赔偿损失”“逾期交付”，试剂就会变色。这套引擎有三种常见弹药。

第一种是正则表达式，比如 \d+(\.\d+)?% 匹配百分比、20\d{2}-\d{2}-\d{2} 匹配日期，用于抓违约金比例这类强格式信息。第二种是关键词词典，把“保密”“商业秘密”“不得披露”归入保密义务类，把“著作权”“专利”“商标”归入知识产权类。第三种是上下文规则，比如观察“知识产权归___所有”这种句式——谓语动词与后置成分的固定搭配，可以直接判断权属归属方。

规则匹配的最大优势是可解释：每一条命中都能说清“因为包含关键词 X，所以标红”，这对法律场景至关重要——律师必须能向客户解释标红的理由。它的局限是覆盖不全：对方律师把“逾期交付”改写成“未按约定时间完成交付”，纯词典就抓瞎了。因此工业界普遍采用“规则 + NER”双引擎：NER 负责灵活识别表达，规则负责锁定关键证据，两者互相兜底。可用加权命中分公式表达单条条款的风险得分。

体检科里，试剂盒是用无数病例反推出的经验沉淀。规则匹配之于合同风险识别，同样是法务部多年审稿经验的数字化：老律师嘴上念的“看到违约金超 5% 要小心”，落到系统里就是一条带权重的规则。它是这台 AI 体检中心里最“传统”、却最可靠的化验设备。

三大高危领域

体检中心必有必查科目，合同体检也有：第一科是违约责任——如同心电负荷测试，测的是合同崩了以后经济上有多痛；第二科是知识产权归属——如同脑神经检查，软件、专利、商标等无形资产归谁，决定企业核心资产的去留；第三科是保密义务——如同皮肤屏障检测，商业秘密一旦泄漏，就像皮肤破了口子，再也挡不住外部感染。

违约责任条款重点看三类信息：违约金比例（司法实践常参考实际损失的 30% 上限）、逾期宽限期、赔偿范围是否包含间接损失。知识产权条款则要盯住权属约定（“开发成果归甲方所有”还是“仅授予使用权”）、许可范围是否含转授权、员工在职期间新增知识产权的归属。保密义务条款则要审保密范围是否合理、保密期限是否明确、是否存在例外情形（如为履行合同不得不向第三方披露）。

为什么这三项被列为“高危”？因为它们直接对应风险值计算的两个维度：严重程度与发生概率。违约责任一旦触发，赔偿金额直接侵蚀利润；知识产权归属一旦模糊，企业可能失去核心资产；保密义务一旦缺失，商业秘密泄漏的损失往往不可逆。自动化系统中，每个领域被抽象为一个风险分项，再代入统一的评分公式——期望风险值等于“损失规模”乘以“发生概率”。

体检报告上，心电负荷、脑神经、皮肤屏障三栏只要出现异常，医生一定第一时间叫病人复诊。合同审查中，违约、知产、保密三大领域一旦命中风险规则，系统同样要第一时间标红——它们是风险识别里优先级最高的“必查科目”。

风险分级体系

体检报告出来，不是所有异常都吓人：血脂偏高是黄色提醒，肿瘤标志物异常才是红色警报。合同体检同样需要一套分诊机制，否则一百条“可疑条款”会让法务无所适从。风险分级体系，就是给每条风险定“病情等级”。

分级最常看三个维度：严重程度（损失规模）、发生概率（实际触发可能性）、可控制度（条款是否给了补救措施）。最简单的做法是两两相乘加阈值切分：风险值大于 0.7 判红色高危，0.4 到 0.7 判黄色中危，低于 0.4 判绿色低危。红黄绿三色，让法务一眼就能分配注意力——这正是“体检分诊台”的数字化。

更精细的做法是分领域加权。一份合同往往同时命中多个高危领域：既约定了高额违约金，又把知识产权归属写得含糊。此时不能简单取最大值，而应给三个领域分别设权重再求加权和。权重怎么定？要看行业：软件外包合同，知识产权权重最高；货物买卖合同，违约责任权重最高。设定权重的过程，本身就是对业务风险的再认识。

分诊台的红黄绿标签，本质上是把医生几十年的临床直觉量化成三档阈值。合同风险分级同理：它不改变风险本身，但改变了人对风险的注意力分配——让法务的精力优先流向最可能造成真金白银损失的条款。

审查优先级

急诊室永远不按挂号顺序叫号，而是按病情轻重：先抢救心脏骤停的，再处理骨折的，最后才轮到擦破皮的。合同审查的优先级排序就是这套“叫号逻辑”——风险识别输出红黄绿之后，还需要回答最后一个问题：这么多可疑条款，先审哪一条？

优先级排序的直接依据，是“风险总值 ÷ 审阅成本”的比值。风险值高、读起来又短的条款——比如“违约金为本合同金额的 50%”——排在最前；风险值中等但条款极长、涉及多页交叉引用的，排在其后；绿色条款排到队尾，甚至可以不再人工审阅。审阅成本可以用预计阅读时间、条款嵌套复杂度、涉及附件数量近似估计。

落到工作流上，AI 输出的审查清单通常包含三列：条款位置（第几条、第几页）、风险等级（红黄绿）、建议动作（必须谈判修改/建议关注/可接受）。批量审查场景下，系统还能按合同模板自动归组——同一供应商的几十份同类合同，标红逻辑一致，律师只需审一份，其余批量套用。人机协同的分工是：AI 做初筛和排序，律师做终审和谈判策略。

再先进的设备，最终决定病人命运的是“谁能被及时送进手术室”。优先级排序就是那个送病人上手术台的排序器。AI 不替律师下结论，但它能保证：签字截止日前半小时，律师至少已经看完了最该看的那几条。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""合同风险识别器：关键词规则 + 风险分级示例"""import re  HIGH_RISK_RULES = {    "违约责任": ["违约金", "赔偿损失", "逾期"],    "知识产权": ["知识产权", "著作权", "专利", "商标"],    "保密义务": ["保密", "商业秘密", "不得披露"],} LOW_RISK_RULES = {    "通知联络": ["联系人", "地址", "电话"],    "生效条款": ["生效", "签字", "盖章"],}  def extract_risks(text):    clauses = [line.strip() for line in text.splitlines() if line.strip()]    risks = []    for idx, clause in enumerate(clauses, 1):        score = 0.0        hit_kinds = []        for kind, keywords in HIGH_RISK_RULES.items():            for kw in keywords:                if kw in clause:                    score += 0.45                    hit_kinds.append(kind)                    break        for kind, keywords in LOW_RISK_RULES.items():            if any(kw in clause for kw in keywords):                score -= 0.15        for kw in ["%", "万元", "人民币"]:            if kw in clause:                score += 0.24                break        score = max(0.0, min(1.0, score))        if score > 0.3:            risks.append({                "line": idx,                "text": clause[:30],                "score": round(score, 2),                "kinds": hit_kinds,            })    risks.sort(key=lambda r: r["score"], reverse=True)    return risks  def to_level(score):    if score >= 0.6:        return "高危"    if score >= 0.4:        return "中危"    return "低危"  def main():    contract = """甲乙双方签订采购合同。    甲方逾期交货的，应按合同金额的5%支付违约金。    乙方开发的软件著作权归甲方所有。    双方对商业秘密承担永久保密义务。    合同于双方签字盖章之日起生效。    通知地址：北京市海淀区中关村大街1号。"""    results = extract_risks(contract)    print("合同风险识别报告")    print("=" * 40)    for r in results:        print("[{}] 第{}条 {}".format(to_level(r["score"]), r["line"], r["text"]))        print("    风险分: {} 命中: {}".format(            r["score"],            "/".join(r["kinds"]) if r["kinds"] else "金额条款"))  if __name__ == "__main__":    main()

1. HIGH_RISK_RULES = {定义“必查科目”词典，对应正文中违约、知产、保密三大高危领域。
2. for kw in keywords:逐个命中关键词，命中数决定风险分叠加。
3. score += 0.45每个高危关键词加 0.45 分，模拟权重公式 Σw·1{命中}。
4. for kw in ["%", "万元", "人民币"]:用正则之外的简单包含匹配捕捉金额条款特征。
5. score = max(0.0, min(1.0, score))将风险分裁剪到 0–1 区间，便于统一分级。
6. risks.sort(key=lambda r: r["score"], reverse=True)按风险分倒序排列，实现“先急后缓”的优先级排序。
7. def to_level(score):把数值分映射为红黄绿三档，对应风险分级体系。

常见误区

面试题