一、为什么合同要素抽取适合交给大模型
做企业法律顾问时,最耗时的不是谈判,而是把一份份合同里的关键信息摘出来,整理成台账:合同期限、付款节点、违约责任、管辖法院、自动续约条款……几十份合同堆在一起,人工逐份翻找,既慢又容易漏。
这两年用大模型做文本抽取的成熟度已经不低。阿里云百炼提供了现成的模型接口,把抽取这件事交给它,人可以只做最后的复核。这篇把从准备到落地的完整流程走一遍,重点是那些真正决定效果、又容易被忽略的细节。
先说清楚边界:模型负责把原文中的要素找出来,判断这些要素是否对你有利、是否需要修改,仍然由人来做。工具代替的是翻找和誊抄,不是专业判断。
二、整体流程长什么样
一套能用的抽取流程,拆开是五步:
- 准备合同文本,做清洗和分段
- 设计一份结构化的输出格式
- 写提示词,把抽取规则讲清楚
- 调用百炼接口批量处理
- 把结果落成台账,人工复核
下面逐步说。
三、第一步:文本清洗比想象中重要
很多人以为模型效果不好是模型不行,其实问题常出在输入上。合同 PDF 转文字后,经常带着页眉页脚、乱码、错乱的分栏,直接喂给模型,抽取结果自然乱。
几个实用的处理动作:
- 去掉页眉页脚和页码,这些文字会干扰模型对条款边界的判断。
- 保留条款编号,像"第 5.2 条"这样的编号是定位要素的重要锚点。
- 长合同按章节切分,一次处理一个部分,比整篇塞进去更稳。
- 表格类内容单独处理,转换成"字段:值"的行形式。
清洗这一步花的时间,往往比后面调提示词更有价值。
四、第二步:先定义好你要什么
在写提示词之前,先把想要的字段列清楚。以一份普通商务合同为例,常见的抽取字段有:
- 合同名称、合同编号
- 甲方、乙方全称
- 签订日期、生效日期、到期日期
- 合同金额与币种
- 付款方式与付款节点
- 违约责任与违约金标准
- 争议解决方式与管辖法院
- 是否有自动续约条款
字段定义要明确到什么程度?举个例子,"付款节点"如果只写这个字段名,模型可能返回"验收后付款",也可能返回一整段原文。要在定义里说清:只提取触发条件和时间点,用简短词组表达,不要照抄整句。
把字段和格式要求写成一个清单,后面提示词直接引用,改起来也方便。
五、第三步:提示词怎么写才稳
提示词是整套流程的核心。一份能用的提示词,通常包含四个部分。
角色与任务:开场先说清让模型做什么。例如"你是一名合同管理助理,负责从合同文本中提取指定要素,输出结构化结果"。
输出格式:明确要求以 JSON 形式返回,字段名固定,缺失的字段用空值表示,不要编造。这一点很关键——如果不强调,模型遇到原文没有的字段,可能会自行补一个看起来合理的值,这在法律场景里是需要避免的。
抽取规则:逐条说明每个字段怎么取。例如金额要保留原文数字和币种;日期统一成"年-月-日";当事人只取全称,不取简称。
原文:最后放合同正文,用明确的分隔符和前文隔开。
写完之后,拿三五份不同类型的合同试跑,看哪些字段经常出错,再针对性补规则。提示词是改出来的,很少有一次就完美的。
六、第四步:调用接口批量处理
百炼的接口调用不复杂。把清洗后的文本和提示词拼好,作为消息发给模型,拿到返回的 JSON,解析后存起来。
批量处理时注意三点:
- 控制并发。一次发太多请求容易被限流,按批次来,失败的重试。
- 保留原文和返回结果的对应关系,方便后面追溯。哪一条抽取错了,要能立刻找到它在原文的位置。
- 设置合理的超时和重试,网络抖动是常态,不能因为一次失败就中断整批。
处理结果建议先存成中间文件,不要直接写进最终台账。中间文件保留原始返回,人工复核时可以直接对照。
七、第五步:人工复核不可省
这是整套流程里最不能省的一环。模型抽取的结果,准确率再高也不是百分之百,而合同要素一旦出错,代价可能很大。
复核时重点看几类字段:
- 金额和日期,这类数字错误影响最直接。
- 原文没有却填了值的字段,这是模型编造的典型表现。
- 否定和例外条款,比如"不适用违约金""管辖法院另行约定",容易被模型忽略。
- 长句里的多个要素,模型可能只抓到其中一个。
复核发现的规律性问题,回头补进提示词,下一批的质量就会提升。用得越久,提示词越贴合你手上的合同类型。
八、几个常见的坑
模型把示例当成了规则。提示词里如果放了示例,要明确标注这是示例,否则模型会把示例里的内容套用到新合同上。
遇到扫描件就失效。图片型 PDF 需要先做文字识别,识别质量直接决定后续效果,这一步不能跳过。
条款跨页导致信息断裂。合同跨页时,一个条款可能上半页在上一节、下半页在下一节,清洗时要留意拼接,否则抽出来的内容不完整。
把抽取当成了审查。抽取只回答"合同里写了什么",不回答"这样写好不好"。后者仍然需要人来判断,这也是工具不能替代的部分。
九、小结
用百炼做合同要素抽取,技术门槛不高,真正费心思的是三件事:把输入文本洗干净,把输出格式和规则写清楚,把人工复核坚持住。这三件事做到位,抽取结果就能直接用起来,合同台账从按天算变成按分钟算。
工具的价值,是把人从重复劳动里解放出来,去做真正需要专业判断的部分。把抽取交给模型,把判断留给人,这个分工想清楚了,落地就不会跑偏。