shield_lock
JinDaGe
← Back to skills
extension
Category: Development & EngineeringAPI key requirement unconfirmed

本地合同审阅套件

本地合同审阅套件。8 个可互相编排的 Skill 完成「读进来 → 抽条款 → 扫风险 → 比模板 → 引法条 → 给替换条款 → 出报告」全流程，运行在 Intel Core Ultra 上， 敏感合同文本不出机；仅在需要通用法律知识时由 legal-rag 发起去标识化云端补充。 当用户提到审合同、合同风险、违约条款、保密期限、模板对比、合同脱敏、redline、 条款替换、NDA/劳动合同/采购合同/租赁/数据处理协议审查时使用。

personAuthor: NeolnfrahubModelScope
downloadDownload package

LocalLegal Suite · 本地合同审阅套件

面向企业法务 / 采购 / HR 的本地合同审阅 Agent Skills。8 个可互相编排的 Skill 全流程运行在 Intel Core Ultra AI PC 上，敏感文本不出机；只在需要通用法律知识时 通过 legal.rag 发起去标识化云端补充。

status skills rules platform runtime license

项目简介

企业每天都在签合同。真正的痛点不是模板套用，而是审阅：法务人手不够，业务 急着签，一份 30 页的采购合同压下来，三天见不到反馈。而云端 AI 服务面前横着一堵 墙——合同本身就是商业机密，甲方名字都不允许上云。

LocalLegal Suite 把八个专家动作拆成八个 Skill，装进 Core Ultra 的本地推理里，让 Agent（QwenWork / WorkBuddy / TraeWork / 豆包办公）一句话完成 读进来 → 抽条款 → 扫风险 → 比模板 → 引法条 → 给替换条款 → 出报告。

不止于"标红"。redline.suggest 为每一条风险产出可以直接粘贴进反稿的替换条款 并附法条依据——法务要的不是"违约金无上限有风险"，是那句能写进合同的话。

没有模型也能跑。 确定性规则层（33 条风险规则 + 20 条修订模板 + 正则结构切分） 独立工作，风险矩阵、模板偏离、修订建议一条都不少。这也是 125 个测试能在没有 AI PC 的机器上全绿的原因。

核心功能

| Skill | 职责 | 运行位置 | LLM | | --- | --- | --- | --- | | doc.ingest | PDF / DOCX / TXT / 扫描件 → 规范化文本 | 本地 CPU（OCR 走 GPU/NPU） | – | | clause.extract | 抽当事方 / 金额 / 期限 / 条款分类 | 本地 iGPU | Qwen INT4 + 正则兜底 | | risk.scan | 规则库 + LLM 双通道，出 0-100 风险分 | 本地 iGPU | 规则为主，LLM 补充 | | template.diff | 与企业标准模板逐条比对，判更严 / 更松 | 本地 iGPU | Qwen INT4 | | pii.redact | 身份证 / 手机 / 银行卡 / 机构名 / 姓名脱敏 | 本地 CPU | 纯正则 | | legal.rag | 法条检索，本地 corpus ↔ 可选云端 | 本地 CPU / 云 | – | | redline.suggest | 每条风险产出可粘贴的替换条款 | 本地 iGPU | 模板优先，LLM 兜底 | | report.gen | 编排以上全部，出 Markdown / HTML / DOCX | 本地 CPU | – |

调用关系

八个 Skill 通过共享 Registry 相互调用，report.gen 是唯一入口：

 用户 / Agent ──"帮我审这份采购合同，跟标准模板对比一下"
      │
      ▼
 ┌─────────────┐
 │ report.gen  │  编排层：一句指令 → 七次 skill 调用
 └──┬──────────┘
    │
    ├──▶ doc.ingest ─────────── PDF/DOCX/OCR → 文本
    │        ▲
    ├──▶ clause.extract ────────┘（缺文本时自己回调 doc.ingest）
    │        ▲
    ├──▶ risk.scan ─────────────┤（缺条款时回调 clause.extract）
    ├──▶ template.diff ─────────┘
    │
    ├──▶ redline.suggest ──▶ legal.rag ──▶ pii.redact
    │      给出替换条款        法条依据      出站前强制脱敏
    │                            │              （最后一道闸口）
    ├──▶ legal.rag ──────────────┘
    │
    └──▶ pii.redact ──── 报告内的 PII 清单（只报计数，不回填原值）

不是硬编码流水线：risk.scan 只给文本也能跑（自己回调 clause.extract）， clause.extract 只给路径也能跑（自己回调 doc.ingest）。Agent 侧可以从任意 一个 Skill 切入。

五类合同实测

python stress.py 在 examples/ 五份样本上的真实输出（stub 模式，纯规则层）：

| 样本 | 风险分 | 高危条数 | 结论 | | --- | --- | --- | --- | | sample_procurement | 92 | 5 | reject | | sample_nda | 69 | 2 | negotiate | | sample_labor | 76 | 3 | reject | | sample_lease | 92 | 5 | reject | | sample_dpa | 81 | 4 | reject |

风险分采用软饱和 100×(1-e^(-total/60))，永不达到 100——审阅工具不该宣称自己 什么都发现了。横向比较看分数，纵向比较看高危条数。

安装与启动

1. 安装依赖

python -m pip install -r requirements.txt

# 硬件加速可选（Core Ultra 上强烈推荐）
python -m pip install openvino openvino-genai openvino-tokenizers optimum-intel nncf

也可以一步到位，脚本会装依赖、跑测试并打印设备摘要：

python install.py                      # 依赖 + 测试（不含模型）
python install.py --with-openvino      # 追加 OpenVINO 栈
python install.py --with-model         # 追加模型导出与量化
python install.py --all                # 全部
python install.py --all --model qwen3-1.7b   # 指定档位

2. 导出模型（一次性，可跳过）

先看有哪些档位，按机器算力挑：

python -m models.quantize --list

| 档位 | 量化 | 约占用 | 活跃参数 | 适用 | | --- | --- | --- | --- | --- | | qwen3-30b-a3b | INT4 | ~16GB | 3B | MoE，内存 ≥32GB 时首选：速度接近 3B，质量接近大模型 | | qwen3-8b | INT4 | ~4.8GB | 8B | MoE 装不下时的主力档 | | qwen2.5-7b | INT4 | ~4.2GB | 7B | 无 thinking 模式，输出更省 token | | qwen3-4b | INT4 | ~2.5GB | 4B | 默认档，算力紧张时的推荐选择 | | qwen2.5-3b | INT4 | ~1.9GB | 3B | 低配机器兜底 | | qwen3-1.7b | INT8 | ~1.8GB | 1.7B | 最小可用档（再压会明显掉点） |

python -m models.quantize --profile qwen3-4b

换档位只改一个环境变量，不用改代码：

export LOCALLEGAL_MODEL=qwen3-30b-a3b
python locallegal.py models          # 看当前档位和导出状态

用未收录的模型也不需要改代码：

LOCALLEGAL_MODEL=my-model \
LOCALLEGAL_MODEL_ID=org/my-model \
LOCALLEGAL_LLM_DIR=~/models/my-model-int4-ov \
python locallegal.py review --contract contract.pdf

档位表里的占用是按参数量估算的规划值，导出后 models.quantize 会打印实际大小， 引用数字时以实际值为准。

3. 验证运行状态

python locallegal.py devices

{
  "runtime": {"requested": "AUTO", "resolved": "GPU", "available": ["CPU", "GPU", "NPU"]},
  "llm": {"profile": "qwen3-4b", "bits": 4, "device": "GPU", "stub": false}
}

两半都要看：runtime.resolved 证明算在 iGPU/NPU 上，llm.stub 证明真有模型在答 而不是规则兜底。stub 模式下 CLI 会额外打印一行提醒和导出命令。

使用示例

一键审阅（最常用）

python locallegal.py review \
    --contract examples/sample_procurement.txt \
    --template examples/template_procurement.txt \
    --out out/report.md

风险分: 92/100
报告已写入: out/report.md

输出目录不存在时会自动创建。--format 支持 markdown / html / docx。

其他 CLI 入口

python locallegal.py skills     # 列出 8 个 Skill 及其参数 schema
python locallegal.py models     # 档位表 + 哪些已导出
python locallegal.py devices    # 运行设备与当前模型
python bench.py --repeat 3      # 各阶段延迟与 LLM 吞吐实测

在 Python 里单独调用某个 Skill

from skills.registry import load_all, call

load_all()

text = call("doc.ingest", path="contract.pdf")["text"]
clauses = call("clause.extract", text=text)["clauses"]
risks = call("risk.scan", clauses=clauses)
redlines = call("redline.suggest", risks=risks["risks"], cite=False)["redlines"]

for r in redlines:
    print(r["clause"], "→", r["after"])

挂载到 Agent 平台

每个 Skill 一份 manifests/*.yaml，兼容 QwenWork / WorkBuddy / TraeWork / 豆包办公。 描述遵循 OpenAI function-calling schema，Agent 侧可以直接把 function 字段喂给 tool-use 通道。集合 manifest 见 suite.yaml，平台接入细节见 docs/agent_platforms/。

目录结构

locallegal-suite/
├── SKILL.md                 # 本文件：项目说明与使用指南
├── locallegal.py            # CLI 入口（review / skills / models / devices）
├── install.py               # 一键安装 + 冒烟测试
├── bench.py                 # 延迟与吞吐实测
├── gen_cases.py             # 生成压测语料 → cases/
├── stress.py                # 全链路压测 + 假阴性检测
├── suite.yaml               # 套件级 manifest
├── manifests/               # 每个 Skill 的 skill.yaml（8 份）
├── skills/                  # 8 个 Skill 实现
│   ├── registry.py          # 相互调用的关键点
│   ├── doc_ingest.py
│   ├── clause_extract.py
│   ├── risk_scan.py
│   ├── template_diff.py
│   ├── pii_redact.py        # 出站脱敏闸口
│   ├── legal_rag.py
│   ├── redline.py           # 可粘贴的替换条款
│   └── report_gen.py
├── models/
│   ├── ov_runtime.py        # OpenVINO 设备选择 / 降级
│   ├── profiles.py          # 模型档位表（换模型只改这里或环境变量）
│   ├── llm.py               # 本地推理 + JSON 容错 + stub 回退
│   └── quantize.py          # NNCF 权重量化脚本
├── rules/                   # 全部可由法务直接编辑，无需改代码
│   ├── risk_rules.yaml      # 33 条风险规则（商事 / 劳动 / 租赁 / 数据）
│   ├── redline_templates.yaml  # 20 条修订模板
│   └── legal_corpus.json    # 离线 mini-corpus（31 条）
├── examples/                # 采购 / NDA / 劳动 / 租赁 / DPA 五类样本 + 标准模板
├── cases/                   # 13 份压测语料（由 gen_cases.py 生成）
├── tests/                   # 125 个 pytest 用例
├── docs/                    # ModelScope 文章、混合智能说明、平台接入
├── demo/                    # 路演 PPT 大纲、生成脚本、录屏脚本
└── out/                     # 报告输出目录（运行时自动创建）

混合智能与隐私

  • 默认全本地：所有涉及原始合同文本的 Skill（doc.ingest、clause.extract、 risk.scan、template.diff、pii.redact、redline.suggest、report.gen） 在 Core Ultra 上完成，无网络出口。

  • 可选云端：legal.rag 支持通过 LOCALLEGAL_RAG_ENDPOINT 指向企业内网 / 云端 法条服务。出站前强制经过 pii.redact——甲方名、姓名、手机号、身份证、 地址一律脱敏，云端只能看到"违约金 无上限"这样的抽象法律短语。

  • 弱网降级：endpoint 连不上时 legal.rag 回落内置 mini-corpus，报告照常产出 （tests/test_hybrid_degradation.py 用一个必然连接失败的地址实测这条路径）。

  • 可审计：设 LOCALLEGAL_RAG_AUDIT=1 后，每一次检索决策（含未出站的） 都写入本地 JSONL，合规团队可核查究竟什么离开过这台机器：

    LOCALLEGAL_RAG_AUDIT=1 python locallegal.py review --contract contract.pdf
cat ~/.cache/locallegal/rag_audit.jsonl
# {"ts":"...","egress":false,"query":"违约 无上限","backend":"local-offline","results":3}

    也可以直接传路径：LOCALLEGAL_RAG_AUDIT=/var/log/locallegal/audit.jsonl。

运行设备

| 阶段 | 默认设备 | 备注 | | --- | --- | --- | | PDF / DOCX 文本层抽取 | CPU | 纯 I/O，OpenVINO 不介入 | | 扫描件 OCR | GPU / NPU | PaddleOCR + OpenVINO 后端 | | 条款抽取 · 风险 · 模板 diff · 修订 | GPU（iGPU 优先） | 当前档位的本地模型，OpenVINO GenAI | | 法条 RAG | CPU 或云端 | 敏感度分级后决定 |

测试

python -m pytest tests/ -q
# 125 passed

| 测试文件 | 证明什么 | | --- | --- | | test_registry.py | Skill 注册与互相调用 | | test_doc_ingest.py | 多格式摄入、编码回退 | | test_clause_and_risk.py | 条款分类与规则命中 | | test_multi_domain.py | 五域各自的毒条款都被抓到 | | test_pii_redact.py | PII 脱敏与 keep 名单 | | test_template_diff.py | 模板偏离的确定性兜底（无模型也能出结果） | | test_hybrid_degradation.py | 弱网降级、出站强制脱敏、审计留痕 | | test_e2e_report.py | 端到端报告结构 | | test_json_robustness.py | 小模型 JSON 输出容错 | | test_small_model_efficiency.py | 小模型下的 token 效率 | | test_regressions.py | 十个真实缺陷的回归锁（见下） |

压测：

python gen_cases.py && python stress.py

test_regressions.py 里每条断言都对应一个先用真实输入复现、再修掉的缺陷：

| 缺陷 | 现象 | | --- | --- | | 身份证号紧贴中文标签不脱敏 | 身份证320102199003071234 原样出站（\b 在汉字后失效） | | 末条无尾随换行被静默漏抽 | 报告里少一个条款且不报错 | | 风险分硬封顶 | 五份样本三份 100/100，失去区分度 | | stub 模式标注成"本地LLM" | 没有模型却说机器起草了条款 | | 编号格式强耦合"第X条" | 用 1. 编号的毒合同得 0 分、结论"可签署"（改成"第一条"即 87 分 reject） | | 无法分类的条款被丢弃 | "最终解释权"这类没有 clause_type 的条款整条消失 | | 真实霸王条款大面积漏检 | 概不退款 / 人身损害免责 / 单方变更全都没规则 | | 姓名角色标签不全 | 乙方（员工）：李晓明 漏脱敏 | | 中文数字缺"零" | 第一百零一条 整条丢失 | | 单行文本切不开 | PDF 文本层挤成一行时所有条款并成一块 |

测试默认在 stub-LLM 模式下跑（无模型也可 CI）；真实模型到位后同一套测试仍成立 （断言的是结构契约，不是措辞）。

已知限制

以下五条是设计取舍或需要较大改动才能解决，使用前请知悉：

  1. 不支持外文合同。规则库、分类器、法条语料全是中文。目前会标"结构未识别， 需人工审阅"兜住，但没有真正支持。
  2. _classify 关键词计数优先于类型优先级。"第三条 租金与押金"因"租金"出现 多次被归为租金，押金专属规则挂不上——风险仍会抓到，只是归类不够准。
  3. 法条检索是字面关键词重叠，会错配（"付款"风险关联到《个人信息保护法》 第 51 条）。引用报告里"参考法律依据"前自己核一遍。
  4. 全角数字漏检。１００％ 这类全角百分比匹配不到预付比例规则。
  5. 重复条款去重后不提示。100 条重复条款与 1 条同分（去重本身是对的，但文档 异常没有告警）。

报告若出现"⚠️ 结构未识别，需人工审阅"，表示没有审到，不等于审过了没问题， 请勿依据该结论签署。

许可

Apache-2.0