AI Agent 如何审查 NDA:原理与落地

作者:谁偷走了我的奶酪2026.11.16 10:21浏览量:0

简介:本文以 NDA 审查为例,讲清 AI Agent 的观察、推理、行动与反馈循环,给出可对照的检查清单、效果评估口径和构建步骤,并列出失败模式、成本与数据安全要求。读完可判断哪些法律工作适合交给 Agent,上线前需要准备什么。

agent-">一、AI Agent 是什么

AI Agent 是一类能够读取外部信息、围绕目标自行规划步骤,并调用工具完成动作的系统。它以大语言模型为推理核心,外接文档解析、知识库检索、数据库查询等工具。与只回答一个问题的对话工具相比,Agent 可以连续执行多个步骤,并根据中间结果调整下一步。

这类系统适合处理非结构化的知识工作。合同、政策文件和判例通常以自然语言书写,条款之间存在引用和例外关系。Agent 可以逐段理解这些内容,并在需要时回到原文核对。

二、为什么需要 Agent:规则引擎和 RPA 的边界

规则引擎和 RPA 在结构化场景中很可靠。发票字段固定、系统界面稳定时,RPA 可以稳定完成录入。但一旦输入变为长文本,或者判断依赖语义,传统方案的维护成本会快速上升。规则引擎需要把每一种表述都写成规则,业务人员调整一个措辞,开发人员就要改动多条逻辑。

Agent 适合输入模糊、规则难以穷举、需要判断的环节。它无法替代稳定的结构化流程,两者常常组合使用:RPA 负责抓取和录入,Agent 负责理解文本并给出建议。

三、工作循环:观察、推理、行动、反馈

Agent 收到任务后,会进入循环执行。每一轮包括四个环节。

  1. 观察:读取输入材料和上下文。在 NDA 审查中,输入通常包括合同全文(字段 document_text)、公司保密政策手册版本号(字段 policy_version)和审查清单编号(字段 checklist_id)。
  2. 推理:根据检查清单决定本轮要核对的项目。例如先确认是否存在通知条款,再判断禁令救济条款是否可执行。
  3. 行动:调用工具。例如调用 search_policy 检索政策片段,或调用 extract_clauses 提取条款编号。
  4. 反馈:汇总工具结果,生成结构化报告。若某检查项找不到依据,Agent 应把该项标为“未覆盖”,回到观察环节重新检索,并在报告中说明检索过的关键词。

报告的每一项建议包含以下字段:检查项、状态(found、missing 或 unclear)、原文位置、修改建议、是否需要人工复核。

四、NDA 审查检查表

下表是初审时可以逐项核对的内容。清单应由法务团队确认后再固化到系统中。

检查项 审查要点 人工复核点
通知条款 泄露时是否要求及时通知对方,通知时限和方式是否明确 时限是否符合公司政策
禁令救济条款 是否允许申请禁令或其他衡平救济 适用法域是否认可,表述是否可执行
保密期限 保密义务的起止时间,期满后是否有存续条款 与商业秘密的保护期限是否衔接
例外情形 公开信息、独立开发、依法披露等 例外范围是否过宽
返还或销毁 终止后资料的处理方式 与数据留存规定是否一致
管辖法律与争议解决 适用法律和管辖地 是否符合公司标准
违约责任 赔偿范围和责任上限 是否与主合同的责任安排一致

五、效果评估:先定口径,再谈数字

网上常见的“效率提升 80%”“错误率降低 60%”之类数字,多数缺少样本、条件和测量方法,不能直接用于判断。团队应在上线前用历史 NDA 做测试,记录以下指标。

指标 计算方式 说明
覆盖率 有明确结论的检查项数 ÷ 应检查项数 反映 Agent 是否遗漏检查项
漏报率 人工认定有问题、Agent 未标记的项数 ÷ 人工认定有问题的项数 法律场景中最需要关注的指标
误报率 Agent 标记有问题、人工认定无问题的项数 ÷ Agent 标记的项数 影响律师的复核成本
引用准确率 引用的政策片段与原文一致的报告数 ÷ 引用总数 检验是否存在编造依据
端到端耗时 从提交到人工确认完成的时间 应包含人工复核时间

样本数量应根据风险等级确定。起步阶段建议使用数十份真实或脱敏的 NDA,并记录政策手册版本、模型版本和知识库版本。只有完成这类测试,团队才能说明实际的效率变化。

六、如何构建:选型与步骤

框架选型取决于团队的技术环境。LangGraph、AutoGen、Dify 等都是常见选择,也可以自行编排。这些框架迭代较快,接入前应查阅当前版本的文档,并在测试环境中跑通最小示例。

构建可以分为五步。

  1. 定义角色与边界:将 Agent 设定为“NDA 初审助手”,并在系统提示中写明它不出具法律意见。
  2. 固化检查清单:把第四节的内容写成结构化配置文件,纳入版本管理,便于追溯每次审查使用的标准。
  3. 配置工具与权限:只开放政策库检索和指定合同的读取权限,禁止写入合同系统,禁止对外发送。工具参数示例:search_policy(query: string, top_k: int, policy_version: string)。top_k 可以从 5 开始,再根据测试结果调整。
  4. 设定系统提示:要求 Agent 只依据检索到的政策片段作答。找不到依据时输出 missing,并附上查询关键词。
  5. 测试与调优:用样本集对比人工结论,逐项调整文档切分方式、检索参数、提示词和检查清单。

建议采用检索增强生成(RAG),让回答基于政策库,并保留引用位置,便于人工核对。

七、与相关概念的区别

AI Agent 与传统规则引擎:规则引擎依赖 if-else 逻辑,对已知规则执行精确,却无法解读没有见过的表述。Agent 能理解语义,但输出带有概率性,同一输入可能得到略有不同的结果。因此需要固定检查清单,并定期用评测集回归测试。

AI Agent 与普通大模型对话工具:对话工具只生成文本。Agent 能调用接口、读写文件,权限控制的重要性远高于对话工具。

八、失败模式、成本与权限边界

失败模式主要有四类:

  • 幻觉:编造不存在的条款或政策编号。应对方式是强制引用,无引用的结论一律标记为未覆盖。
  • 漏检:长文档分块后,跨段落的条款关联可能丢失。应对方式是按条款编号切分,并保留章节标题作为上下文。
  • 过度自信:语气肯定,但依据薄弱。应对方式是输出置信度和依据位置,低置信度的项目交由人工处理。
  • 工具失败:检索接口超时时,Agent 可能跳过检查项。应对方式是把工具失败显式记录在报告中,不允许静默跳过。

成本与延迟:每次审查要经历多轮模型调用和工具调用,耗时和费用会随文档长度与检查项数量增长。上线前应统计单份合同的平均耗时和费用,确认其与业务节奏匹配。

权限边界:Agent 只应拥有完成任务所需的最小权限。它可以读取指定合同和政策库,但不能接触其他客户的文件,不能直接发送邮件,也不能修改合同版本。

九、使用注意事项

  1. 数据隐私与安全:合同通常包含商业机密。应优先选择私有化部署,或符合合规要求的云服务。输入前对客户名称、金额和联系方式等信息做脱敏。记录完整审计日志,包括提交人、调用的工具和输出结果。核验供应商的数据留存期限,以及数据是否用于模型训练,并把相关条款写入采购合同。
  2. 幻觉控制:建议采用 RAG,把回答限定在政策手册和法规库内,并保留引用位置。在法律高风险场景中,引用溯源应作为报告的必备内容。
  3. 人机协同:Agent 负责初筛并列出疑点,律师负责判断和签署意见。涉及责任上限、管辖和禁令等关键条款的结论,应由专业人员复核后再使用。

十、总结

AI Agent 通过观察、推理、行动和反馈的循环完成知识型任务。在 NDA 审查中,它可以按固定清单逐项核对,并输出带引用的初审报告。效果取决于检查清单质量、政策库完整性、权限设计和人工复核流程,模型能力