AI 审合同，能信到什么程度

搜「AI 合同审查」的人，多半已经试过某个工具，并且隐约觉得不对劲：它给的建议好像不太对，但要说出哪里不对又得自己重读一遍。这个专题只做一件事——把律师和做这行的人公开说过的抱怨摆出来，再给出「能自己跑、合同不出内网」的开源路径，以及哪些事仍然必须人来定。

相关搜索：AI 合同审查 · 合同审查 AI 工具 · 律师 用 AI 审合同 · 本地部署 合同审查 · 开源 合同审查 · 合同条款 风险 识别

用户到底在抱怨什么

复核 AI 的时间，比自己审还长

律所自己试过一圈之后的结论很直接：翻译和搜索类工具确实省时间，但起草与审查还远没到开箱即用。对准确性要求高的法律工作来说，律师要花更多时间复核 AI 的产出，等于一份合同审了两遍——这不是效率工具，是额外的复核债。

在法律咨询、合同条款的起草及审查等方面，当前的 AI 工具远远达不到「开箱即用」的标准……如果律师需要花费更多的时间复核 AI 生成的结果，那是得不偿失的。 —— 天元律师事务所：AI 工具使用体验与行业观察（2024-07）

编案例、错引法条，是写进指引里的已知风险

这不是网友吐槽，是上海市律协 2026 年 7 月的操作指引里明写的一条：AI 可能编造案例、错误援引法条、忽略例外情形，所以输出必须人工复核验证。现实中确实如此——天元律所在实测文章里贴过一张 AI 回复截图，引用的法条编号是错的（正确应为《民事诉讼法》第 130 条）。审查意见里出现错误的法律依据，比「这一条没提」更危险：它让读者以为这里已经核过了。

律师应充分认识到AI生成的内容可能存在事实、法律依据的错误，以及编造案例、错误援引法条、忽略例外情形等问题。对AI生成的内容，须进行人工复核、验证。 —— 上海市律师协会：律师企业法律顾问服务AI应用操作指引（2026）（试行）

标准合同好用，定制合同一碰就散

做这类工具的人自己讲得比销售诚实：高量、低风险的合同（SLA、SaaS 条款）效果好，定制合同就明显变差；而律师真正想要的，其实是「在自己历史合同库里做自然语言检索」——找一个条款以前是怎么写的、当时怎么谈的。

contract review works very well for high volume low risk contract types… it's less good for custom contracts —— Hacker News：一位合同审查工具从业者的回答（2024-02）

合同上云之前，脱敏是第一道工序

上海律协的指引把这件事写成了前置条件：涉及商业秘密、个人信息、争议证据的材料，输入 AI 之前必须先脱敏；未经授权或安全评估，不应把敏感文件上传到公共 AI 平台。国外从业者的说法更直白：把合同传给 ChatGPT 不构成保密，因为这类文件不在企业「零数据保留」协议的覆盖范围内。这跟「会不会泄露」的概率无关，而是数据流已经走出可控边界——对着保密义务，这一步没法解释。

未经依法授权或安全评估，不应向公共AI平台上传涉及国家秘密、商业秘密、个人隐私或其他敏感信息的文件。 —— 上海市律师协会：律师企业法律顾问服务AI应用操作指引（2026）（试行）

它没有「你在替谁看合同」这个概念

一位律师讲了个荒诞的下午：客户买了 AI 审查软件，在会上提出它的修改建议，结果每一条建议都是对客户更不利的。解释完为什么不能改，通话时间更长、账单更高。同一帖里那句追问更值钱：只拿判决书训练出来的模型，凭什么判断哪一条对哪一方有利？条款风险永远是「站在谁的角度看」——这个前提不喂进去，模型只能给通用建议。

Every single recommendation was worse for the client, and after explaining the reasons, the call lasted longer than it normally would have, so the bill to the client was higher. —— Hacker News：Tell HN - AI legal contract review is already screwing up（2023-06）

宣传说全 AI，复核其实是外包给真人

有用户说试过几家 AI 文档审查，只要追问具体条款就开始含糊。回复直接点破：部分厂商的「最终复核」是外包给真人律师做的，买的不是模型，是人力。这也解释了为什么这类工具的报价下不来——它的人力成本藏在你以为的算力账单里。选工具时值得直接问一句：你卖的是模型，还是模型加一屋子人？

they 'outsource' the AI contract document review 'final check' to real lawyers… so, it's actually a person, not really a wholy-AI based solution —— Hacker News 评论（2024-02）

能解决这些痛点的开源项目

• Ollama（本地离线）— 把模型跑在自己机器上，合同正文一个字都不出内网。审查用的模型不必最大，14B 级别的中文模型做「找条款 / 抽取要素」通常够用。 痛点标签：本地离线、数据不出内网、不按量计费、部署简单。注意：上下文默认偏短，几十页的合同读不全；要靠切片检索，别指望一次塞进去。
• MinerU（本地离线）— 合同多是扫描件或带表格的 PDF。先把版式、表格、印章区解析成结构化文本，后面所有判断才有依据——解析错了，再强的模型也审不出东西。 痛点标签：中文文档、检索/识别准、本地离线、不限条数。注意：解析是重活，几十页扫描件要等；印章、手写批注仍然会丢。
• RAGFlow（自托管）— 把「历史合同 + 条款模板 + 内部审查口径」做成可检索的库。审查时先召回同类条款的既往写法，再让模型对比——这比让模型凭空判断靠谱得多。 痛点标签：中文文档、检索/识别准、数据不出内网、团队共享。注意：解析与检索链路长，切分参数决定召回质量；要人先调一轮。
• Dify（自托管）— 把审查流程固定成工作流：解析 → 抽取主体/金额/期限/违约责任 → 对照检查清单 → 输出「可直接改」与「需人确认」两类结论。 痛点标签：部署简单、团队共享、不限条数。注意：工作流本身不含法律判断，检查清单要你们自己写——这份清单才是真正的资产。
• vLLM（自托管）— 法务团队多人同时审、一天几十份时，单机 Ollama 会排队。vLLM 提供 OpenAI 兼容接口，把一张卡的吞吐吃满。 痛点标签：团队共享、数据不出内网、部署简单。注意：要一张像样的显卡（24G 起步），显存规划没算好直接 OOM。
• LiteLLM（自托管）— 同一份合同，同时丢给本地模型和两个云端模型各审一遍，比较三家意见的差异——差异大的条款，就是最该人看的地方。统一成 OpenAI 接口后切换成本几乎为零。 痛点标签：团队共享、数据不出内网。注意：只做路由与计费统计，不解决合规本身；接云端就是对内网原则的妥协，要单独评估。

常见问题

开源方案能替代合同审查软件吗？

不能替代「审慎判断」，能替代的是「找条款、比对条款、抽取要素」这类检索活。现实的分工是：机器把 20 页缩到 3 处需要看的地方，人来决定改不改、怎么改。任何声称自动出终稿的方案，都值得你先拿自己踩过坑的历史合同测一遍。

本地跑要多强的机器？

做抽取与检索，14B 级别的中文模型量化后在 16G 显存的卡上就能跑；只做「找条款」这类任务，8G 也够。真正的瓶颈不是模型，是解析：几十页扫描件要等，批量更慢。

中文合同，开源模型够用吗？

抽取条款要素、比对既往写法：够用。法律推理和法条时效：不够——模型的法条知识有截止日期，司法解释还在更新。所以本地方案里必须自己维护一份法条库，让检索先于判断。

AI 给出的审查意见，律师要担责吗？

责任在人。AI 是工具，签字盖章的人负责，这一点不因为用了 AI 而改变。所以比「模型多大」更重要的是留痕：谁在什么时候采纳或否决了哪条建议——真出事时，这比模型参数有用。

怎么判断它有没有漏条款？

拿 20 份你自己知道哪里有问题、或事后出过事的历史合同做回归测试：一份一份跑，漏一条就记一条。这是唯一靠谱的验收方式——销售演示用的合同，都是挑过的。

最后更新 2026-11-06。内容基于公开讨论与项目公开文档整理，不构成采购建议；价格与配额随时可能变，下单前请自行核对。