一、法律文书是模板加变体的叠加

一份借款合同，正文九成是模板。当事人、金额、期限、利率、违约金——这几个槽位填进去，合同就成了。 所以直觉上，抽取应该很简单：找到槽位，取出来。 问题在于每个槽位都有无穷多种合法写法。 金额可以写「300000 元」，可以写「叁拾万元整」， 也可以写「人民币三十万元正」（这个「正」字还经常被写成「整」）。 期限可以写「自 2026 年 3 月 1 日起至 2027 年 2 月 28 日止」， 也可以写「借款期十二个月」，或者干脆「明年二月底还清」。 这三种写法在法律上完全等价，在字符串上毫无共同点。 这就是法律文本处理的根本难点——不是语言难懂，是同一个意思的写法太多。 这一节的 Demo 造三套模板，各 100 份合同， 用纯正则（含大写数字转换）去抽五个字段，看 F1 怎么塌。 整个过程没有模型，就是为了看清「哪些能枚举、哪些不能」。

二、封闭符号抽得动，开放语义抽不动

三、加一条规则救一类，救不了下一类

补上「年息 X 厘 YZ」这条领域规则之后，利率从 0% 回到 100%。 但日期还是 0%——「明年二月底」没有任何字符串规律可循。 更要紧的是：这条新规则只认「X 厘 YZ」这一种写法。Demo 再换 60 份合同， 利息写成「月息千分之三」「按 LPR 加点 50 个基点」「按银行同期贷款利率计息」—— 同一套扩展规则，抽中 0 份，利率字段 F1 ＝ 0%。 这三句话在法律上都是有效的利率约定，而且都很常见。 「月息千分之三」是另一套单位（千分比、按月）；「LPR 加点」要外部数据才能算出具体数值； 「银行同期贷款利率」甚至不是确定值，是一个引用。 所以法律文本抽取的工程量，不在「写一个抽取器」，在「把民间的每一种写法都枚举出来」。 而这是一个开放集合——每加一条规则，就暴露出一批还没覆盖的写法。 这就是为什么这个领域的 AI 落地，最后都变成了「规则兜底 + 人工复核」。 不是技术不行，是问题的形态决定了没有「一次做完」这个选项。

四、落地：三层，按可靠性排

① 第一层：正则 + 字典。覆盖所有封闭符号——数字、日期格式、大写金额、 固定的条款编号（「第 X 条」）。这一层的准确率可以做到接近 100%，而且结果完全可解释。 ② 第二层：模型抽开放语义。「明年二月底」「按银行同期贷款利率」这类，只能靠语义理解。 但模型输出必须带置信度，而且必须给出来源片段——律师不会接受一个「凭空出现」的数字。 ③ 第三层：人工复核界面。 不是「机器人抽、人来改」，是「机器标出它不确定的地方，人来确认」。 这两者的区别在于工作量分配——前者要人全看一遍，后者只让人看不确信的部分。 一个很实用的验收口径：把「机器抽错的」和「机器没抽到的」分开统计。 前者能在复核界面里被发现，后者是真漏。 所以宁可让机器报一个空值，也不要让它猜一个看起来合理的错值——因为空值会被 flag，错值不会。 最后一句：法律文本处理的目标不是「全自动」，是「让人只看该看的部分」。 按这个目标设计，三层结构比一个大模型实用得多。

五、动手 Demo：法律文本抽取：写成「年息四厘三五」，利率字段的 F1 就掉到 0%

造三套模板各 100 份合成借款合同：规范书面（数字带小数、日期用年月日）、 半口语（句式换了但日期仍是年月日）、纯口语（大写金额、相对日期、「年息四厘三五」）。 用正则抽金额、起止日、年利率、违约金四个字段，逐字段算 F1； 再给纯口语补一条「年息 X 厘 YZ」规则重算；最后换 60 份新表述，看这条规则能覆盖多少。

RE_AMT = re.compile(u"人民币\\s*([\\d,]+(?:\\.\\d+)?)\\s*元")
RE_AMT_CN = re.compile(u"人民币([零壹贰叁肆伍陆柒捌玖拾佰仟万]+)元")
RE_DATE = re.compile(u"(\\d{4})年(\\d{1,2})月(\\d{1,2})日")
RE_RATE = re.compile(u"年利率\\s*(?:为)?\\s*([\\d.]+)\\s*%")
RE_RATE_CN = re.compile(u"年息([零一二三四五六七八九])厘([零一二三四五六七八九]{2})")
RE_PEN = re.compile(u"万分之([零一二三四五六七八九十\\d]+)")

out[u"年利率"] = SM[a] + (SM[b[0]] * 10 + SM[b[1]]) / 100.0
# 四厘三五 -> 4 + 35 / 100 = 4.35

实跑输出：

--------------------------------------------------------------------
法律文本抽取：写成「年息四厘三五」，利率字段的 F1 就掉到 0%
--------------------------------------------------------------------
  样本                     每类 100 份合成借款合同
  抽取方式                 正则 + 大写数字转换（无模型）
  比对口径                 金额差小于 0.5 元、利率差小于 0.01 个点算对

  字段     规范书面   半口语   纯口语   口语+规则
  ----------------------------------------------
  金额         100%     100%     100%        100%
  起始日       100%     100%       0%          0%
  到期日       100%     100%       0%          0%
  年利率       100%     100%       0%        100%
  违约金       100%     100%     100%        100%

  **前两列全满分。**
  规范书面和半口语写法的日期都是「年月日」，金额都带「人民币」和「元」——**正则一套规则就通吃。**
  **这就是模板化文书的真相：格式固定的时候，根本不需要大模型。**
  **第三列塌了一半：日期和利率都是 0%，金额和违约金却是 100%。**
  差别在哪？**「叁拾万」和「万分之五」是封闭的符号系统**——数字就那么几个字，枚举得完。
  **「明年二月底」是开放的语义**——这四个字里一个数字都没有，正则再强也抽不出来。
  **「年息四厘三五」也一样：那个 % 号根本不存在**，机器得先知道「厘」是百分点的十分之一。
  补上这一条领域规则，**利率从 0% 回到 100%。**
  **但日期还是 0%**——「明年二月底」没有任何字符串规律可循。
  更要紧的是：**这条新规则只认「X厘YZ」这一种写法。**
  再换 60 份合同，利息写成「月息千分之三」「按 LPR 加点 50 个基点」「按银行同期贷款利率计息」——
  **同一套扩展规则，抽中 0 份，利率字段 F1 = 0%。**
  **所以法律文本抽取的工程量，不在「写一个抽取器」，在「把民间的每一种写法都枚举出来」。**
  **这个枚举没有尽头——这也是这个领域最后都落到「规则兜底 + 人工复核」的原因。**
  要说明：合同是我**按三套模板合成的**，不是真实合同。
  **真实合同里还有表格、附件、手写补充、跨页引用。**
  **但「同一语义多种写法导致抽取失败」这件事，与数据真假无关。**

这张表最反直觉的地方是：纯口语写法的金额和违约金，竟然还是 100%。 因为「叁拾万」「万分之五」虽然看着不像数字，但它们是有限集合——做一个映射表就解决了。 而「明年二月底」不是有限集合。 它甚至不是「格式不同」，是「信息不在字符串里」——要知道今年是哪一年、二月底是 28 还是 29， 才能算出具体日期。 这一条可以当成判据用： 如果字段值能从字符串本身算出来（哪怕要转换），规则就能搞定； 如果字段值需要外部信息或常识，就必须上语义模型。 60 份新表述那份跑出来是 0，这个结果不意外， 但它说明的事很要紧：每加一条规则，覆盖的是一类写法，而不是一个字段。 「利率字段覆盖率 100%」这句话，在换了文书类型之后会立刻变成 0。 要说明：合同是我按三套模板合成的，不是真实合同。 真实合同里还有表格、附件、手写补充、跨页引用、甚至「见附件三」这种指向。 但「同一语义多种写法导致抽取失败」这件事，与数据真假无关。

30 秒实验

1. 给纯口语那套也加上「明年 X 月底」的规则（按当前年份推算），看日期列。 起始日还是抽不到（纯口语里根本没写起始日），到期日能救回一部分。
2. 把额度词「人民币」去掉再抽一次，看金额那一列。 会掉下来——很多规则都靠着这个锚点定位，锚点没了整条链就断。
3. 把三套模板混在一起训练一个字符级分类器，看能不能统一。 在模板内能过拟合到很高，换一套模板立刻掉——这就是纯口语那一列的意义。

常见误区

1. 「有正则就够了」。规范书面确实 100%，但纯口语的日期和利率直接归零。
2. 「加规则就能逐步覆盖」。加了「厘」这一条救回利率，换 60 份新表述又是 0 份。
3. 「金额大写最难抽」。「叁拾万」是 100% 抽中的，因为它是封闭集合；真正难的是「明年二月底」。

抽出了要素，下一个问题是「怎么找到相似的案子」。 这里的坑不在文字识别，在「像」这个词本身——字面像的，未必法律上像。

• ☐ （本节完，下一节 11.3.2 法律研究赋能）

相关笔记

• 法律研究赋能
• 企业管理合规
• 数据安全与隐私保护
• 🧠 AI训练师手册2 · 索引