合同这活，干过的都懂：一份框架协议五六十页，里面藏着的付款条件、违约责任、保密条款，每一条都可能让公司多花几十万。法务和商务的日常，很大一部分是抱着 PDF 一页页啃，看到眼酸还得担心——上一份合同里踩过的坑，这一份会不会又踩一次。
于是很多人把合同丢给 AI：「帮我审一下这份合同有没有问题」。结果往往失望：聊天式 AI 能给你一段「看着挺全」的总结，但你说不清它漏没漏，它也给不出「这句话在第几页第几条」——没有出处、没有规则依据的审阅意见，你敢直接拿去签吗？
AI Agent 审合同的正确打开方式不是这样。本文讲一套能落地的做法：把审合同从「丢给 AI 问一嘴」变成「一条 Agent 流水线」，拆文档、抽条款、对照规则扫风险、标证据、出报告，人只负责最后拍板。
为什么聊天式 AI 审合同不靠谱：三个致命短板
先把期望值校准。直接粘贴一份合同让大模型「找问题」，有三个短板：漏检不可见——模型给你 8 条意见，你不知道第 9 条是被它漏了还是本来就不存在，没有「检查清单」对照，漏了就是漏了；意见无出处——它说「第 3.2 条对乙方不利」，你不翻到原文核对，就不敢信；规则不一致——今天审 A 合同按这套标准，明天审 B 合同又换了标准，公司的红线条款全凭模型心情。
这三个短板，正好对应 Agent 能补的三件事：把审阅标准固化成规则库、把每一条意见绑上原文证据、把漏检变成可检查的流程。
第一步：把「审阅标准」从人脑里搬出来，固化成规则库
审合同的老法师厉害在哪？不是看得快，是心里有一套清单：付款节点不能早于验收、违约金比例不能超过多少、保密期限不能长于几年、知识产权归属必须写清楚……这些红线散落在法务的经验里、公司的模板里、过往踩坑的教训里。
让 Agent 审合同之前，第一步是把这套标准变成它读得懂的规则库：一条规则 = 一个风险点 + 触发条件 + 判定标准 + 严重级别。比如「付款条款：验收前支付比例不得超过合同总额 30%，违反则标记高风险并给出修改建议」。规则库怎么组织、怎么保证不遗漏，思路和站里讲的 知识库巡检 一脉相承——先有结构化的知识资产，才有靠谱的自动化。规则不需要一次写全，先写最常见的 20-30 条，跑几份合同，把漏掉的风险点补进去，规则库会越用越厚。
第二步：让 Agent 按流程拆文档、抽条款，而不是「通读一遍给感想」
规则库就位后，Agent 的活就变成按部就班的流水线：拆解——把几十页合同按章节结构拆开（首部、标的、价款、交付验收、违约责任、保密、争议解决……），保证没有章节被跳过；抽取——从每个章节里抽出结构化字段：付款节点、金额、期限、责任主体、管辖地，抽完先让你核对一遍字段全不全；对照——拿抽出来的条款逐条过规则库，命中规则的记下来，标出风险级别。
注意这里的顺序很关键：先抽取再判断，而不是让模型直接「看全文找问题」。抽取是机械活，容易做对；判断需要规则支撑，容易跑偏。两步分开，哪一步出错都看得见。Agent 读取 PDF、扫描件这类文件的具体姿势，可以参考站里 OpenClaw 怎么读取文件 那篇，中文扫描合同记得走 OCR，别让模型对着图片瞎猜。
第三步：每条意见必须带证据，不许「我觉得有问题」
这是审合同 Agent 和聊天式 AI 最本质的区别：每条风险意见都要绑定原文证据——第几章第几条、原文怎么写的、为什么触发规则。没有页码和原文引用的意见，一律不算数。
做法上，让 Agent 输出意见时强制带上「条款位置 + 原文摘录 + 命中规则 + 风险级别 + 修改建议」五个字段，缺一个就重跑。这其实就是 AI Agent 证据包 的思路：Agent 给的任何结论，都得有能回溯的原始依据，而不是最后那段漂亮的总结。有了证据包，法务复核时不用重新通读全文，直接跳到你标记的页码核对就行，效率翻倍。
第四步：出审阅报告，高风险项必须留给人拍板
流程跑完，Agent 输出一份结构化的审阅报告：风险总览（高风险几条、中风险几条）、按严重度排序的问题清单、每条问题的原文定位和修改建议、以及它认为「没问题的部分」依据是哪些规则。报告按模板出，格式固定，方便归档和跨合同对比。
但有一条底线要守住：高风险条款的最终判断必须是人。Agent 负责把风险摆到台面上、把原文证据备好，但「这条能不能接受、要不要谈判」是商业决策，不该让模型替你拍板。站里讲 AI Agent 质量门禁 时强调过：越是影响大的输出，越要在出口设闸。审合同就是典型——高风险项直接转人工复核队列，Agent 只做第一道筛查。
第五步：人工复核要有抽检，防止 Agent 悄悄放水
规则库再全，模型也会偶发漏检或误报。别假设「Agent 说没问题就是没问题」，要给流程加一道抽检：每批合同随机抽 10%-20%，让另一个 Agent 实例（或人工）用不同角度重审一遍，对比两份结果。抽检发现的漏检，反哺规则库——漏了什么规则就补什么规则，下次就不再漏。
这套「抽检 + 反馈」的机制，和站里 AI Agent 人工复核抽检 讲的是同一件事：自动化的可靠性不是一次配好的，是靠一轮轮抽检喂出来的。同时要正视模型的幻觉问题——它可能把不存在的条款说得煞有介事，防幻觉的手段（约束输出、强制引用、证据核对）在 AI Agent 幻觉怎么治 里有完整清单，审合同场景下每一条都用得上。
权限与数据安全：审合同先管住嘴
合同是最敏感的商业文件之一。让 Agent 碰合同之前，权限边界必须先想清楚：只给它读指定目录的权限，不连外部云盘全量授权；审阅过程不把原文外发给任何第三方服务；如果需要调用外部模型，确认数据不外传或走私有化部署；审阅记录留日志，谁在什么时候审了哪份合同、Agent 把内容发到过哪里，都可追溯。这套收口动作的具体做法，见 AI Agent 权限管理——合同数据出事，比审漏一条条款严重得多。
适用人群与边界：哪些合同适合，哪些别硬上
这套流程最适合：量大、模板化、规则清晰的合同——采购框架协议、销售合同、保密协议、渠道协议这类条款结构稳定的，Agent 能审得又快又稳；公司有自己的合同模板库和红线清单的，规则库一次沉淀、长期复用。
不适合的也别硬上：高度定制、全靠商务谈判磨出来的复杂交易（并购、投融资这类），条款博弈空间大，规则库覆盖不住，Agent 只能当资料整理员；还有合同里大量手写批注、非标附件的场景，抽取准确率会明显下降。记住定位：Agent 是「第一道审核员」，帮你把 80% 的常规风险在几分钟内筛出来，把人的精力留给那 20% 真正需要判断的条款。
总结
AI Agent 审合同，一句话流程：规则库先行 → 拆文档抽条款 → 对照规则扫风险 → 证据绑定出报告 → 人工拍板加抽检。和聊天式 AI 的本质区别就三条：审阅标准是你定的不是它临时想的；每条意见都有页码和原文；漏没漏东西是可检查的而不是黑盒。把这条流水线搭起来，合同审阅就从「抱着 PDF 啃一下午」，变成「Agent 几分钟筛完、你把精力花在真正需要判断的条款上」——省下的不只是时间，还有那些本该被红线条款拦住、却因为人眼疲劳溜过去的坑。
