tabular-document-review

⚠️ 实验性 — 此技能仅用于教育和提供信息，不构成法律建议。用户需对使用行为承担全部责任。采取任何行动前，请咨询合格的法律专业人士。

表格化文档审查技能

概述

用于从多份法律文档中提取结构化数据，并生成带有引文的对比矩阵的生产级工具包。支持用户自定义提取列、最多由 10 个 Agent 并行处理、置信度评分，以及以 Markdown 表格或结构化 JSON 格式输出。专为需要批量审查合同、比较保密协议、分析雇佣协议和审查租约的法律团队打造。

目录

• 工具
• 参考指南
• 工作流
• 提取场景
• 故障排除
• 成功标准
• 范围与限制
• 反模式
• 工具参考

先澄清

审查前，请确认以下信息。若有任何一项未知或含糊不清，请提问——不要自行假设：

• 提取列 — 明确每个单元格具体存放什么；含糊的“日期”可能对应数十个日期，而有说明的“生效日期”则不会
• 文档集的位置和格式 — 这决定了如何发现文档，以及分配多少个并行 Agent（ceil(N/10)，最多 10 个）
• 文档类型 — 合同、保密协议、雇佣协议、租约——据此选择预定义的列集和各列的提取指南

停止规则：只询问对输出影响最大的 2–3 项。如果用户说“直接起草”，则继续处理，并在矩阵顶部列出你的假设。

工具

1. 文档发现（scripts/document_discovery.py）

扫描目录中的法律文档，并生成清单。

python scripts/document_discovery.py /path/to/contracts

python scripts/document_discovery.py /path/to/ndas --types pdf,docx --json

python scripts/document_discovery.py /path/to/leases --types pdf,docx,txt,md --min-size 1024

2. 提取结果汇总工具（scripts/extraction_aggregator.py）

将多个提取结果 JSON 汇总为统一的对比矩阵。

python scripts/extraction_aggregator.py \
  --results extraction_1.json extraction_2.json extraction_3.json

python scripts/extraction_aggregator.py \
  --results-dir ./extraction_results/ --json

python scripts/extraction_aggregator.py \
  --results-dir ./extraction_results/ \
  --format markdown \
  --output review_matrix.md

python scripts/extraction_aggregator.py \
  --results extraction_1.json extraction_2.json \
  --columns "Parties,Effective Date,Term,Governing Law"

参考指南

参考资料	用途
references/extraction_methodology.md	文档提取最佳实践、JSON 架构、Agent 提示词
references/common_extraction_columns.md	合同、保密协议、雇佣协议、租约的预定义列集

工作流

5 步文档审查流程

步骤	操作	工具	输出
1. 收集需求	确定文档文件夹、输出文件名和要提取的列	手动	列表、文件路径
2. 发现文档	扫描目录，查找目标文档	document_discovery.py	文档清单 JSON
3. 处理文档	按列提取值及引文（由多个 Agent 并行处理）	AI Agent（外部）	每份文档各自的提取 JSON
4. 汇总结果	将提取 JSON 汇总为统一矩阵	extraction_aggregator.py	汇总矩阵
5. 生成输出	导出为 Markdown 表格或结构化 JSON	extraction_aggregator.py	最终交付物

并行处理策略

Agent 数量	每个 Agent 处理的文档数	适用情况
1	全部	1–5 份文档
2–3	ceil(N/agents)	6–15 份文档
4–6	ceil(N/agents)	16–40 份文档
7–10	ceil(N/agents)	41–100 份文档
10（最多）	ceil(N/10)	100 份以上文档

Agent 提示词模板

每个 Agent 收到的提示词结构如下：

You are reviewing {count} legal documents. For each document, extract the
following columns:

{column_definitions}

For each value extracted:
1. Provide the exact value found
2. Include the page number (PDF) or section/paragraph (DOCX/MD)
3. Rate your confidence: HIGH (exact match), MEDIUM (inferred), LOW (uncertain)
4. If not found, record "NOT FOUND" with confidence LOW

Output as JSON per the extraction schema.

置信度评分

等级	颜色代码	定义
高	绿色	找到确切值，且有明确引文
中	黄色	根据上下文推断出值；存在多种可能的解释
低	红色 / 未找到	值不确定或未在文档中找到

输出格式

工作表 1：文档审查

文档	当事方	生效日期	期限	管辖法律	...
contract_a.pdf	Acme / Beta [p.1]	2026-01-15 [p.2]	3 年 [p.3]	Delaware [p.12]	...
contract_b.pdf	Gamma / Delta [p.1]	NOT FOUND	2 年 [p.4]	New York [p.10]	...

工作表 2：摘要

指标	值
已处理文档数	25
已提取列数	8
平均置信度	87%
未找到比例	12%

提取场景

合同审查

列	提取内容
当事方	所有签约方的完整法定名称
生效日期	合同生效日期或签署日期
期限	协议的有效期限
续约	自动续约条款和通知期限
管辖法律	管辖协议的司法管辖区
责任上限	最高责任金额或计算公式
赔偿	赔偿义务及范围
IP 所有权	知识产权所有权条款
终止权	终止触发条件和通知要求
数据保护	数据保护或隐私义务

NDA 审查

列	提取内容
当事方	披露方和接收方
类型	双向或单向
定义范围	“机密信息”的定义方式
例外	保密义务的常见例外
期限	保密义务的有效期限
存续期	终止后的存续期限
返还/销毁	终止时的义务
救济措施	违约时可采取的救济措施

故障排除

问题	原因	解决方案
Discovery 未找到任何文档	路径或文件类型错误	确认路径存在；检查 --types 是否与实际文件扩展名匹配
提取 JSON 的架构错误	Agent 提示词不完整	使用 extraction_methodology.md 中的提取架构
Aggregator 显示冲突	同一单元格存在多个值	检查源文档；Aggregator 会标记冲突，供人工审查
“NOT FOUND” 比例偏高	列定义对文档类型过于具体	使用 common_extraction_columns.md 中的列定义；放宽定义
置信度全部为 LOW	Agent 无法定位值	检查列定义是否足够具体；确认文档可读
Aggregator 在处理大量数据集时崩溃	一次加载的结果文件过多	分批处理，每批 50 个结果；使用 --columns 限制输出宽度
Markdown 表格错位	值过长或包含特殊字符	使用 --format json 进行机器处理；截断过长的值
缺少引用	Agent 未包含页码/章节引用	在 Agent 提示词中强调引用要求；检查提取架构

成功标准

• 提取覆盖率：所有文档中，已填充的定义列占比达到 90% 以上
• 置信度分布：置信度评为 HIGH 的提取结果达到 70% 以上
• 引用准确性：每个提取值都包含可验证的页码/章节引用
• 处理速度：使用并行 Agent 在 30 分钟内处理 50 份以上文档
• 矩阵完整性：最终矩阵包含所有文档和所有列，且没有孤立行

范围与限制

此技能涵盖：

• 对 PDF、DOCX、TXT 和 MD 格式的文档进行盘点和发现
• 将并行 Agent 处理的提取结果汇总到统一矩阵中
• 为合同、NDA、雇佣协议和租约预定义列集
• 对提取的值进行置信度评分和冲突检测
• Markdown 和 JSON 输出格式

此技能不涵盖：

• 实际的文档解析或文本提取（需要外部库或 AI Agent）
• 对扫描文档进行 OCR 处理
• Excel/XLSX 输出生成（使用 JSON 输出并在外部转换）
• 对提取的值进行自动法律分析或风险评估
• 比较不同版本的文档或进行修订标记

反模式

反模式	失败原因	更好的做法
列定义含糊	“日期”可能匹配合同中的几十个日期	使用具体定义：例如“生效日期”，并说明查找位置
跳过文档发现	文档数量未知会导致 Agent 分配错误	始终先进行发现；使用清单规划流水线
忽略 LOW 置信度结果	将缺失或不确定的数据当作事实	手动检查所有 LOW 置信度单元格；在最终报告中标记
让 1 个 Agent 处理 100 多份文档	速度慢、上下文窗口溢出、质量下降	使用并行处理：每个 Agent 处理 ceil(N/10) 份文档，最多 10 个 Agent
不要求提供引文	无法对照来源验证提取的值	要求每项提取结果都附带页码/章节引文；拒绝未附引文的值

工具参考

scripts/document_discovery.py

扫描目录中的法律文档并生成清单。

usage: document_discovery.py [-h] [--json]
                              [--types TYPES]
                              [--min-size MIN_SIZE]
                              [--max-size MAX_SIZE]
                              directory

positional arguments:
  directory             Path to directory containing documents

options:
  -h, --help            Show help message and exit
  --json                Output in JSON format
  --types TYPES         Comma-separated file extensions to include
                        (default: pdf,docx,doc,txt,md,rtf)
  --min-size MIN_SIZE   Minimum file size in bytes (default: 0)
  --max-size MAX_SIZE   Maximum file size in bytes (default: no limit)

scripts/extraction_aggregator.py

将提取结果汇总到统一对比矩阵中。

usage: extraction_aggregator.py [-h] [--json]
                                 [--results RESULTS [RESULTS ...]]
                                 [--results-dir RESULTS_DIR]
                                 [--format {markdown,json}]
                                 [--columns COLUMNS]
                                 [--output OUTPUT]

options:
  -h, --help            Show help message and exit
  --json                Output in JSON format (alias for --format json)
  --results             One or more extraction result JSON files
  --results-dir         Directory containing extraction result JSON files
  --format              Output format: markdown table or JSON (default: markdown)
  --columns             Comma-separated column names to include (default: all)
  --output              Write output to file instead of stdout