Dify+RAG合同生成条款级工作流案例详解

本文详细介绍了如何利用Dify和RAG技术，构建一个条款级精准仿写的智能合同生成系统，告别传统模板化风险，实现高质量NDA（保密协议）的动态生成。

1. 为什么选择NDA作为切入点

保密协议（NDA）是企业在商业合作、技术交流、员工招聘等几乎所有重要活动前，必须签署的基础法律文件。其使用频率高、普适性强，这使得自动化生成的ROI（投资回报率）非常高。

NDA的结构非常经典且模块化，通常包括：定义条款、保密义务、除外条款、保密期限、信息返还与销毁、违约责任、适用法律与争议解决。从落地可行性上看，它天然适合采用“LLM解析+Code精确填充”的做法。

需要说明的是，虽然结构标准，但条款的具体措辞根据业务场景不同仍有很大差别。一份定义不清、权责不明、期限不当的NDA，可能导致核心信息泄露，使公司陷入被动。这正是RAG技术在这个应用场景中发挥用武之地的关键所在。

小提示： 例如，当LLM生成“保密信息”定义条款时，会从历史合同知识库中，召回多个不同版本的条款。比如，召回“投资尽调场景下的宽泛定义条款”或“技术外包场景下的具体定义条款”，供LLM参考，从而生成最贴合当前业务场景的条款内容。

2. 为什么要动态生成合同

在正式开始介绍前，需要澄清一个根本问题：如果公司已有完善的合同模板库，平时只需修改甲乙方、金额、日期，为什么还需要构建一个复杂的工作流？

2.1 业务场景的特殊要求

一份“通用NDA模板”在面对“A轮融资尽调”和“技术API对接”这两种截然不同的场景时，内部条款（如保密信息定义、知识产权归属）的最优写法完全不同。简单替换主体信息，会埋下巨大的法律风险。

后文介绍的案例，能够根据用户输入的“合作目的”，自动从知识库中调用最贴合当前场景的历史范例。例如，既能为融资场景生成一份定义宽泛、严格保护我方的条款；又能为技术合作场景生成一份权责对等、包含“残存信息”的条款。这种基于场景的深度定制能力，是静态模板无法比拟的。

2.2 知识库的更新问题

公司传统的模板库通常更新缓慢，依赖少数资深法务定期手工维护。但现实情况是，随着公司业务线不断丰富，会在原有模板基础上，衍生出多个针对不同合作方定制签署的版本。这些衍生版本都经过双方确认，且有特定适用场景。

常见问题： 知识库如何做到持续更新？
答案： 基于条款级知识库的构建思路，每当公司完成一份高质量的新合同后，可以将其预处理后加入知识库中。这意味着LLM生成特定条款的能力也在持续学习和进化，它能自动吸纳最新的、经过业务检验的条款写法，并应用到未来的合同生成中。

3. 系统架构梳理

在回答完上述问题后，下面开始正式介绍案例的实现过程。为了方便快速理解，先快速浏览整体的架构思路。

3.1 第一阶段：离线知识库预处理

格式统一： 首先，把原始的Word版合同（.docx）批量转换为易于处理的Markdown（.md）格式。

注意： 这三份NDA合同包含了投资尽职调查、核心岗位员工、软件外包开发三个使用场景，是实际项目中进行必要脱敏后的参考版本。实际复现时，可直接使用自己手头的合同，文档格式为docx即可。

智能拆分与富化： 接着，对Markdown文本进行深度处理，将其自动拆分为独立的条款。同时，为每个条款标注好元数据，如“保密义务”、“知识产权”等，形成结构化的数据。

数据匿名化： 最后，为确保数据安全与合规，对所有条款进行匿名化处理，将公司、人名等敏感信息替换为通用占位符。

3.2 第二阶段：Dify工作流生成

需求输入： 用户在界面输入新合同的关键要素，如甲乙方信息、合作目的、有效期限等。

智能检索与草拟： 系统根据需求从知识库中精确检索出最相关的条款范例，并交由LLM进行内容生成，确保条款既专业又贴合本次业务目标需求。这个过程会并行处理合同的各个部分。

自动组装与交付： 所有条款生成完毕后，会自动将它们组装成一份格式完整的Markdown合同，并最终转换为标准的Word（.docx）文档进行输出。

4. 本地预处理说明

了解整体处理思路后，从最基础也是最重要的知识库预处理开始介绍。这个演示项目中，整个处理流程分为三个主要步骤，由三个独立的脚本按顺序执行：

├── 三份NDA参考合同/          # 存放原始的 .docx 合同文件
├── 三份NDA参考合同_md/      # [自动生成] 存放转换后的 .md 文件
├── dify_knowledge_base/        # [自动生成] 存放结构化处理后的知识库文件
├── dify_knowledge_base_anonymized/ # [自动生成] 存放最终匿名化后的文件
├── convert_contracts.py      # 脚本1：DOCX -> MD
├── split_contracts.py        # 脚本2：MD -> Dify格式
└── anonymize_contracts.py    # 脚本3：Dify格式 -> 匿名化

4.1 格式转换

将Word文档（.docx）转换为Markdown（.md）格式，便于后续的文本处理。这部分也可以转换为txt或html格式。

4.2 结构化处理

简单说，就是“按条款拆分”、“为每个条款添加元数据头部”、“用---分割符连接”这三步：

按“条款”进行物理拆分： 脚本会读取整个Markdown合同文件的内容，然后使用正则表达式来查找所有条款的标题。查找模式：它会寻找符合“### 第X条...”或“## 第四条 ...” 这种格式的行（即Markdown的三级或二级标题，内容为条款编号）。

然后以每个条款标题作为起点，把整个文档切割成一个列表。列表中的每一项就是一个完整的条款文本块，从标题一直到下一个条款标题之前的所有内容。文档开头不带“第X条”的部分，则被视为“前言”。这样，一份合同就被拆分成了类似下面的片段：

片段1: [合同的引言、各方信息...]
片段2: [### 第一条 定义 的全部内容...]
片段3: [### 第二条 保密义务 的全部内容...]

为每个片段添加元数据： 拆分完成后，脚本会为每一个片段生成一个包含三项核心元数据的“头部信息”：

• meta_doc_id: 文档ID。这是一个唯一的标识符，用于追踪这个条款源自哪一份原始合同。例如，investment_nda_001代表它来自第一份“投资尽调NDA”合同。
• meta_contract_type: 合同类型。直接从文件名获取，用于表明该条款所属的合同类型，如“投资尽职调查NDA”。
• meta_clause_type: 条款类型。脚本会分析条款的标题（如“### 第二条 保密义务”），通过关键词（如“保密”、“知识产权”、“违约责任”）来判断并赋予一个标准化的类型。如果条款是合同开头的部分，则类型为“前言”。

组合与格式化： 脚本将上一步生成的“元数据头部”和“条款原文”组合在一起，形成一个完整的知识区块。一个区块的最终格式大致如下：

meta_doc_id: investment_nda_001
meta_contract_type: 投资尽职调查NDA
meta_clause_type: 保密义务
### 第二条 保密义务

1. 双方承认并同意，任何一方（“披露方”）向另一方（“接收方”）披露的任何与“星尘”AI模型相关的商业、技术或财务信息...
...（条款正文）...

使用分割符连接所有区块： 脚本将所有处理好的知识区块放入一个最终的.txt文件中，并使用一个非常明确的分割符将它们隔开。---（三个短横线，单独占一行）这个分割符是特意为Dify这类知识库系统设计的。当Dify读取这个文件时，它会根据---分割符自动将文件内容切分成多个独立的知识片段，并正确解析每个片段头部的元数据。

4.3 数据匿名化

扫描并替换处理后的文本中的敏感信息，如公司名称、人名、地址、身份证号等。跳过这一步，不会从技术上导致后续的模块填充失败（代码依然可以替换占位符），但它会严重影响LLM生成条款内容的质量和可靠性。

无匿名化的风险是，当LLM看到的参考内容是：“...若远见资本违反本协议，奇点未来有权...”。当让它为“星尘探索”生成新条款时，LLM有相当大的概率会发生“事实串扰”，在生成的新条款中错误地写入“远见资本”或“奇点未来”的名字，而不是在当前任务中指定的新主体。

小提示： 抛开合规性问题，匿名化本质上是教LLM学习条款的“模式”（Pattern）而非“实例”（Instance）。它能更好地理解一个“保密义务”条款的通用结构，而不是仅仅记住某个特定版本。这使得它在面对全新的、多样化的需求时，表现得更加稳健和灵活。

5. 并行处理实现

5.1 为什么要条款级处理

让LLM专注于生成一个200字的独立条款，远比生成5000字的长文要容易得多，也更容易通过Prompt进行精确控制。当我们为生成“违约责任”条款而专门召回3-5个历史合同中的“违约责任”范例时，提供给LLM的上下文100%都是高相关信息。LLM可以集中全部“注意力”来学习这些范例的专业措辞、逻辑结构和风险考量，从而生成质量极高的条款内容。

另外，从模块化与可维护性的角度来说，分条款生成，也意味着整个合同被拆解成了独立的、可插拔的模块。如果测试中发现例如“知识产权”条款的生成效果不佳，则只需要去优化那一个特定的“知识产权生成”分支，而无需触动整个工作流。这大大降低了维护成本。

5.2 知识库检索词的动态实现

Dify的知识库检索节点本身不支持复杂的Jinja2模板语法，它需要一个固定的、纯文本的查询输入。因此，在“知识库检索”节点前插入一个“模板（Template）”节点，是实现动态查询（Dynamic Query）的标准且最佳的实践。

常见问题： 为什么使用并行分支而不是循环节点？
答案： Loop节点适用于对一个列表中的每个同类项执行完全相同的操作，而案例演示的方案任务是“异构”的，每个条款生成的逻辑和参考重点都不同。所以采用并行分支，最后由一个Code节点统一合并是更合理的做法。

6. 两个测试用例

这部分提供两个测试用例，并针对两个场景中的一些侧重点进行针对性的结果校验。

6.1 融资尽调场景

这个场景模拟创业公司向风险投资机构披露核心机密，要求最高级别的信息保护。

“定义”条款的广度： 生成的“第一条 定义”应该非常宽泛，将所有可能披露的信息（技术、商业、财务、运营）都囊括在内，以提供最全面的保护。

“保密义务”条款的严格性： 生成的“第二条 保密义务”应该非常严格，明确限制乙方（红杉资本）只能为投资评估这唯一目的使用信息，并且需要对其团队成员的违约行为承担连带责任。

关键条款的缺失： 一份对甲方有利的融资NDA，通常不应包含“残存信息（Residuals）”条款。检查最终生成的合同中是否没有这一对投资机构有利的条款。

6.2 软件开发合作场景

这个场景模拟两家技术公司进行合作开发，信息双向流动，权利义务相对平等。

知识产权条款的专业性： 这是此场景的核心。生成的“第三条 知识产权”应该非常专业，明确约定最终开发成果的知识产权归属于甲方（奇点未来），但可能会包含关于乙方“背景技术”权利保留的条款。

关键条款的出现： 与用例一相反，技术合作NDA中通常会包含“残存信息（Residuals）”条款，以平衡双方开发者在合作中无意获取的通用技能。检查最终生成的合同中是否恰当地包含了这一条款。

争议解决方式的差异： 检查最终生成的“第六条”是否正确地将争议解决方法设定为“仲裁”（与用例一的“诉讼”形成对比），这在商业合作中非常常见。

通过以上步骤，你可以构建一个强大的智能合同生成系统，实现条款级精准仿写，告别模板化风险，为企业的法律合规工作提供有力支持。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Dify+RAG合同生成条款级工作流案例详解要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题