AI 合同审查规则怎么配：把法务的审查经验固化成可执行规则

AI 合同审查的上限，由规则库决定

两家企业用同一套 AI 合同审查产品，审出来的结果可能差别很大。差别不在模型，在规则库。模型负责理解合同文本，规则库负责告诉模型该找什么、找到后怎么定性。规则库配得细的企业，AI 能标出违约金比例异常、管辖法院约定冲突、付款节点缺失这些具体问题；规则库空的企业，AI 只能给出泛泛的风险提示。

规则库的本质是把法务的审查经验结构化。经验丰富的法务审合同时，脑子里有一套检查清单：违约金比例超过多少要提示、付款条款必须包含什么节点、哪些行业需要强制加合规条款。这些清单没写下来时只存在于个人经验里，写进规则库后变成企业资产，任何人用 AI 审查都能获得同样的判断基线。

规则从哪来：三个来源覆盖大部分场景

第一个来源是历史审查记录。把过去一年法务审过的合同和修改意见拉出来，统计高频问题点：哪些条款被反复修改、哪些风险被反复标注，这些问题点就是规则的原型。一份销售合同被法务十次里有八次标注违约金比例问题，这条就该固化成规则。

第二个来源是合同模板自身。企业模板里写明的禁用条款（不接受背对背条款、不接受无限责任）、必含条款（争议解决方式、付款节点、保密义务），反过来就是审查规则。模板要求什么，AI 就检查合同里有没有什么。

第三个来源是行业法规。行业强制要求会随法规更新变化，比如数据合规、个人信息保护、招投标时限，把法规条文拆成可检查的规则点，AI 审查时就能顺带做合规体检。

规则的分层结构：禁用语、必含项、合规红线分开管

规则库不能是一张平铺的清单，要分层。第一层是禁用语规则：合同里出现特定表述就标红，比如无限连带责任、单方任意解除权、背对背付款，这类规则触发条件明确，误报率低。第二层是必含项规则：检查关键条款是否缺失，比如争议解决条款、违约金计算方式、通知送达条款，缺失即提示补充。第三层是合规红线规则：按行业和法规设的高优先级检查，命中直接升级为高风险，比如数据出境条款、个人信息处理授权、行业准入资质承诺。

每一条规则要包含四个要素：触发条件、风险等级、审查意见、修改建议。触发条件决定什么时候命中，风险等级决定提示的醒目程度，审查意见说明问题性质，修改建议给业务方可直接参考的改法。规则写得越具体，AI 输出越可执行。

阈值与优先级：减少误报的关键设置

规则库常见的问题是误报太多，法务每天被无效提示淹没，慢慢就不看 AI 结果了。控制误报要靠阈值和优先级。比例类规则要设阈值而不是见值就报：违约金超过合同金额的某个比例才提示，而不是只要写了违约金就报。金额类规则结合合同类型判断：小额合同和大额合同的审查标准本就不该一样。

优先级决定提示的排序和呈现。高风险规则命中要置顶并标红，中风险黄色提示，低风险作为参考意见折叠。法务打开审查报告先看高风险区，没有被误报淹没，才会信任 AI 的输出。

规则上线前先用历史合同回测

规则配完不能直接投产，先回测。取最近 100 份已经由法务人工审过的合同，让 AI 按新规则重新审查，逐条比对 AI 标注和人工标注。比对结果分四类：AI 和法务都标了的正确命中；AI 标了法务没标的误报；AI 没标法务标了的漏报；两边都没标的正常。误报率高的规则要收紧触发条件，漏报率高的规则要检查是没覆盖还是写法太严。

回测样本要覆盖不同合同类型。采购合同、销售合同、服务合同各取一部分，因为同一套规则在不同合同类型上的表现可能差异很大。一条规则在采购合同上误报率低，在服务合同上可能因为表述差异误报飙升。

规则库的维护：审查结果反哺规则迭代

规则库不是一次配完就固定。每次人工审查都是规则优化的素材：法务驳回 AI 的高风险提示，说明规则过宽；法务手动补标 AI 没发现的问题，说明规则有缺口。把这两类反馈定期回收，每季度做一次规则迭代，AI 审查的准确率会随使用时间持续上升。

规则库的权限管理也要跟上。谁能新增规则、谁能修改阈值、谁审核规则变更，要设明确权限，避免业务方为了通过审查随意放松规则。规则变更留痕，每次调整记录操作人和原因，审计时能说清规则为什么这么定。

落地顺序：先建高频规则，再回测，再逐步扩展

第一步从历史审查记录里找最高频的十个问题点配成规则；第二步用 100 份历史合同回测，把误报率压到可接受范围；第三步上线跑一个月，收集法务反馈做第一轮迭代；第四步再扩展规则到低频但高风险的类型。规则库从十到百条逐步长大，AI 审查的价值也随之从辅助参考变成审查基线。

e签宝智能合同平台的审查规则库支持企业按自身合同类型配置规则并持续迭代，法务经验沉淀得越深，AI 审查的可用性越高。

规则库是 AI 合同审查真正拉开差距的地方。模型大家都一样，规则库拼的是企业对自己合同风险的梳理深度。把法务的经验写进规则，企业才真正拥有了自己的审查能力。