引言

在法律投资领域，分析投资交易协议是一项繁琐而专业的工作。传统方式下，律师需要逐页阅读冗长的法律文档，提取关键条款，这不仅耗时，还容易出错。本文将分享我如何利用AI技术开发一套法律文档智能分析系统，实现对投资协议的自动化分析和条款提取。

系统概述

该系统能够自动分析投资协议文档，提取包括投资概述、董事会席位、回购权、优先清算权等16种关键条款，并生成结构化的分析报告。系统采用了前后端分离架构，结合大语言模型API，实现了高效、准确的法律文档分析。

技术栈

• 前端：Streamlit（Python的Web应用框架）
• 后端：Python + AI API
• 模型：GPT-4.1-mini
• 文档处理：python-docx
• 数据结构：JSON

开发过程

1. 需求分析与规划

首先明确了系统的核心需求：

• 支持.docx格式的文档上传和解析
• 能够提取16种关键投资条款
• 生成结构化的分析报告
• 支持智能问答功能

2. 文档处理模块

使用python-docx库实现了文档的读取和解析：

def load_document(self, file_path: str) -> bool:
    """加载Word文档

    Args:
        file_path: 文档路径

    Returns:
        bool: 是否成功加载
    """
    try:
        if not os.path.exists(file_path):
            print(f"❌ 文件不存在: {file_path}")
            return False

        if not file_path.lower().endswith('.docx'):
            print("❌ 只支持.docx格式的文档")
            return False

        self.document = Document(file_path)

        # 提取文档文本
        paragraphs = []
        for paragraph in self.document.paragraphs:
            if paragraph.text.strip():
                paragraphs.append(paragraph.text.strip())

        self.document_text = '\n'.join(paragraphs)

        if not self.document_text.strip():
            print("❌ 文档内容为空")
            return False

        print(f"✅ 文档加载成功: {len(self.document_text)} 个字符")
        return True

    except Exception as e:
        print(f"❌ 文档加载失败: {str(e)}")
        return False

3. AI接口集成

系统核心是与AI模型的集成。我用的openAI的API，通过精心设计的提示词（Prompt）实现了高质量的条款提取。

4. 条款提取的核心算法

条款提取是系统的核心功能。我为每种条款类型设计了专门的提示词模板，确保AI能够准确理解和提取关键信息：

def extract_single_clause(self, clause_type: str, template: str = "") -> List[Dict]:
    """提取单个条款类型

    Args:
        clause_type: 要提取的条款类型
        template: 总结模板

    Returns:
        List[Dict]: 单个条款类型的提取结果
    """
    # 根据条款类型构建专门的提示词
    if clause_type == "董事会席位":
        prompt = self._get_board_seats_prompt()
    elif clause_type == "投资概述":
        prompt = self._get_investment_overview_prompt()
    # ... 其他条款类型

    # 调用API获取结果
    response = self._call_meituan_api(messages, max_tokens=3000)

    # 解析JSON响应
    if response:
        try:
            json_match = re.search(r'\{.*\}', response, re.DOTALL)
            if json_match:
                json_str = json_match.group()
                parsed_result = json.loads(json_str)
                return parsed_result.get('clauses', [])
        except:
            # 处理解析失败的情况
            pass

    return []

5. 特殊条款处理

在开发过程中，我发现某些条款（如回购权）需要特殊处理。所以改进了很多次来实现专门的处理逻辑，确保这些复杂条款能够被正确提取和结构化：

# 回购权特殊处理
if clause_type == "回购权":
    # 先提取条款内容
    # 再强制生成结构化总结
    structured_summary = self._generate_repurchase_summary(content)
    return [{
        "section_number": section_number,
        "content": content,
        "summary": structured_summary
    }]

6. 用户界面开发

因为用户会是像我一样的律师/法务，还是需要一个前端页面，因此使用Streamlit框架，开发了一个简洁而功能强大的用户界面：

def main():
    st.title("📄 法律文档智能分析系统")

    # 文件上传
    uploaded_file = st.file_uploader("选择Word文档 (.docx)", type=['docx'])

    if uploaded_file:
        # 处理上传文件
        with tempfile.NamedTemporaryFile(delete=False, suffix='.docx') as tmp_file:
            tmp_file.write(uploaded_file.getvalue())
            tmp_file_path = tmp_file.name

        # 加载文档
        analyzer.load_document(tmp_file_path)

        # 条款类型选择
        selected_clauses = st.multiselect(
            "选择要提取的条款类型",
            CLAUSE_TYPES,
            default=CLAUSE_TYPES[:8]
        )

        # 提取按钮
        if st.button("开始提取条款"):
            results = analyzer.extract_key_clauses(selected_clauses)

            # 显示结果
            display_results(results)

优化历程

V1.0 基础版本

• 实现了基本的文档上传和条款提取功能
• 支持8种核心条款类型
• 简单的文本输出格式

V2.0 功能增强

• 扩展到16种条款类型
• 添加了智能问答功能
• 改进了UI设计和用户体验

V2.1 用户体验优化

• 添加实时进度显示
• 修复标签页宽度问题
• 优化条款编号提取逻辑

V2.2 专业化提取优化

• 优化董事会席位、回购权等关键条款的提取逻辑
• 增加条款间的交叉提示功能
• 改进报告格式和字体大小

V2.3 内容格式优化

• 实现回购权的示范性结构化总结
• 添加英文术语的中文标注
• 优化投资概述的精确提取
• 显示原文条款和条款编号

遇到的挑战与解决方案

1. AI响应格式不一致

挑战：AI返回的JSON格式不一致，有时缺少关键字段。

解决方案：实现了多层次的解析和验证逻辑，确保即使AI返回的格式不完全符合预期，系统也能正确处理。

# 验证解析结果的有效性
if clauses and isinstance(clauses, list) and len(clauses) > 0:
    first_clause = clauses[0]
    if isinstance(first_clause, dict) and first_clause.get('content'):
        # 如果没有summary但有content，强制生成
        if not first_clause.get('summary'):
            structured_summary = self._generate_structured_summary(content)
            first_clause['summary'] = structured_summary

2. 特殊条款的结构化提取

挑战：某些条款（如回购权）需要特定的结构化格式，但AI不总是能按要求生成。

解决方案：实现了两步提取流程 - 先提取原始内容，再使用专门的方法强制生成结构化总结。

3. 性能优化

挑战：处理大型文档时系统响应缓慢。

解决方案：

• 实现了异步处理
• 添加进度显示
• 优化API调用参数

系统效果展示

系统能够准确提取各类条款，并生成结构化的分析报告：

回购权条款示例

1. 回购事件：(i) 未于交割后7年内完成合格IPO或整体出售；(ii) 重大违反交易文件；(iii) 创始人未经同意终止劳动关系；(iv) 侵犯第三方知识产权；(v) 公司或创始人回购任何股权。

2. 回购价格：100%投资款+8%年单利+已宣布未分配股息。

3. 回购义务人：开曼公司（第一顺位）、创始人（第二顺位）；创始人赔偿责任以其股权处置金额为限。

4. 回购顺位：A++投资方 > A投资方 > Pre-A轮投资方 > 天使轮投资方。

5. 回购通知期限：投资人发出书面通知后，公司需在10个工作日内通知其他投资人，其他投资人有30天时间决定是否参与回购。

6. 其他：资金不足时按轮次顺序分配回购资金。

智能问答功能

系统还支持智能问答，用户可以直接询问关于协议的具体问题：

问题：回购权的触发事件和回购价格如何确定？

回答：

回购权（回购回购权）的触发事件和回购价格的确定详见投资协议中的第8.5条"Redemption Rights"部分。具体内容如下：

1. 触发事件（Trigger Events）：
   (i) 若自系列A轮交割日起七(7)年内未完成合格首次公开发行（Qualified IPO）或交易出售（Trade Sale）；
   (ii) 任何集团公司或创始人方严重违反适用法律或在交易文件及系列Pre-A融资条款中的陈述、保证、承诺，且该违约导致合格首次公开发行产生重大不利影响或导致集团公司整体无法正常经营；
   (iii) 未经多数优先股持有人同意，创始人代表或多数创始人的雇佣或服务关系被终止，且该终止非因排除事件，并对集团公司整体运营产生重大不利影响；
   (iv) 任何集团公司侵犯第三方知识产权或核心知识产权存在纠纷，对集团公司产生重大不利影响。

2. 回购价格（Redemption Amount）：
   每股优先股的回购价格为：
   - 100%适用优先股发行价格（Applicable Preferred Share Issue Price）；
   - 加上自适用优先股发行日起至完全支付回购价格之日止，按简单年利率8%计算的利息；
   - 加上该优先股已宣布但未支付的全部股息；
   - 减去已支付的全部回购价格之已已支付的所有股息或分配。

相关条款编号: 8.5

未来展望

系统还有很多可以改进的地方：

1. 更多文档格式：支持PDF、图片等更多格式的文档
2. 深度学习优化：使用专门训练的法律领域模型提高准确率

结论

通过这个项目，成功将AI技术应用到法律文档分析领域，大幅提高了工作效率和准确性。从最初的概念到现在的成熟版本，经历了26次迭代优化。