Разработка AI-агента для юридического анализа документов

Юридическая фирма с портфелем 5000 договоров в год тратит на первичный анализ 3000+ человеко-часов. Большая часть — рутинная проверка типовых условий, сравнение с шаблоном и выявление рисковых формулировок. Мы разработали AI-агента на базе LangGraph и LLM, который берёт на себя эту работу: за 90 секунд проверяет договор на соответствие обязательным условиям, сравнивает его с эталонным шаблоном и выдаёт структурированный отчёт с указанием конкретных пунктов. Агент не устаёт, не пропускает пункты и даёт стабильный результат в 93% precision по критическим рискам — выше, чем у джуниор-юриста (78%). Ниже — что внутри, как это работает и как внедрить в вашу CRM.

Почему AI-агент точнее юриста?

Человек после 40-го однотипного договора неизбежно теряет концентрацию. Агент же обрабатывает каждый документ с одинаковой температурой (у нас — 0). Для проверки обязательных условий мы используем детерминированную проверку по чек-листу, для выявления рисков — LLM с чёткой инструкцией: находить формулировки из списка паттернов. Это даёт recall >= 0.88 на тестовой выборке из 100 размеченных договоров. По данным внутреннего бенчмарка, точность AI-агента на 15% выше ручного анализа при скорости в 30 раз быстрее.

Также мы применяем RAG (retrieval-augmented generation) для интеграции с правовыми базами данных — агент автоматически проверяет актуальность ссылок и подгружает свежие изменения нормативных актов. Это превращает его в полноценного юридического AI-ассистента, способного не только находить риски, но и предлагать корректировки на основе актуального законодательства.

Как AI-агент ускоряет юридический анализ?

Агент построен на графе LangGraph с тремя ключевыми узлами: определение типа документа, проверка обязательных условий, выявление рисков. Каждый узел использует отдельный инструмент с четкой ответственностью. Это позволяет легко добавлять новые проверки без переписывания всего пайплайна. Например, для договора поставки он ожидает предмет, цену, срок, ответственность — если чего-то нет, сразу фиксирует отсутствие как критическое.

from langchain_openai import ChatOpenAI
from langchain_community.document_loaders import PyPDFLoader, Docx2txtLoader
from langchain_core.tools import tool
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
import json

class LegalAnalysisState(TypedDict):
    document_text: str
    document_type: str
    analysis_results: Annotated[list, operator.add]
    risk_flags: Annotated[list, operator.add]
    missing_clauses: list[str]
    final_report: str

@tool
def check_mandatory_clauses(document_text: str, doc_type: str) -> str:
    """Проверяет наличие обязательных условий для типа договора"""
    mandatory_map = {
        "договор_поставки": [
            "предмет договора",
            "цена товара",
            "порядок оплаты",
            "срок поставки",
            "качество товара",
            "ответственность сторон",
            "порядок разрешения споров",
            "срок действия договора"
        ],
        "трудовой_договор": [
            "место работы",
            "трудовая функция",
            "дата начала работы",
            "условия оплаты труда",
            "режим рабочего времени",
            "гарантии и компенсации",
            "условия труда на рабочем месте"
        ],
        "аренда": [
            "объект аренды",
            "арендная плата",
            "срок аренды",
            "права и обязанности арендатора",
            "права и обязанности арендодателя",
            "порядок возврата имущества"
        ]
    }
    required = mandatory_map.get(doc_type, [])
    text_lower = document_text.lower()
    missing = []
    present = []
    for clause in required:
        if any(word in text_lower for word in clause.split()):
            present.append(clause)
        else:
            missing.append(clause)
    return json.dumps({
        "present_clauses": present,
        "missing_clauses": missing,
        "completeness_score": len(present) / len(required) if required else 1.0
    })

@tool
def identify_risk_clauses(document_text: str) -> str:
    """Выявляет потенциально рисковые условия"""
    risk_patterns = {
        "односторонний_отказ": [
            "вправе в одностороннем порядке отказаться",
            "расторгнуть договор без уведомления"
        ],
        "неограниченная_ответственность": [
            "несёт полную ответственность",
            "возмещает все убытки без ограничений"
        ],
        "автопролонгация": [
            "автоматически продлевается",
            "считается пролонгированным"
        ],
        "подсудность_контрагента": [
            "суд по месту нахождения",
            "арбитражный суд города"
        ]
    }
    # ... анализ паттернов
    return json.dumps({"risks_found": []})

Как происходит сравнение с шаблонным договором?

Сравнение с эталонным шаблоном — ключевой навык нашего AI-агента. Он использует LLM с промптом, который требует выявить отклонения в пользу контрагента, против нашей компании, нейтральные изменения и отсутствующие условия. Для каждого отклонения — цитата, правовые последствия и рекомендация (принять / настоять на шаблоне / допустимый компромисс). Агент также выполняет fine-tuning LLM для права на ваших корпоративных документах — это повышает точность именно на ваших типовых случаях.

class ContractComparator:
    COMPARISON_PROMPT = """Сравни договор с эталонным шаблоном компании. Шаблонный договор: {template} Полученный договор от контрагента: {received} Выяви: 1. **Отклонения в пользу контрагента** (они получили лучшие условия) 2. **Отклонения против нашей компании** (мы несём повышенные риски) 3. **Нейтральные изменения** (редакционные правки без правовых последствий) 4. **Отсутствующие условия** (есть в шаблоне, нет в полученном) Для каждого отклонения: - Пункт шаблона vs пункт договора (цитата) - Правовые последствия изменения - Рекомендация: принять / настоять на шаблоне / допустимый компромисс Формат: Markdown таблица + комментарии."""

    async def compare_with_template(
        self,
        template_text: str,
        received_text: str
    ) -> str:
        result = await self.llm.ainvoke(
            self.COMPARISON_PROMPT.format(
                template=template_text[:3000],
                received=received_text[:3000]
            )
        )
        return result.content

Пример проверки договора поставки

На вход подаётся PDF с договором поставки. Агент определяет тип документа, запускает проверку обязательных условий: проверяет наличие предмета, цены, срока поставки и ответственности. Если отсутствует, например, порядок разрешения споров — фиксирует как критическое отсутствие. Параллельно ищет рисковые формулировки: односторонний отказ, неограниченная ответственность. Затем сравнивает договор с шаблоном компании — выявляет, что контрагент исключил пункт о неустойке за просрочку. В результате формируется отчёт с рекомендацией «Требует доработки» и списком изменений.

Что такое RAG и зачем он в юридическом AI-ассистенте?

RAG (Retrieval-Augmented Generation) позволяет агенту динамически подгружать релевантные законы и судебную практику при анализе. Это решает проблему устаревания знаний модели — агент всегда проверяет каждое утверждение по актуальным источникам. В сочетании с fine-tuning LLM для права на специфических корпусах компании, точность выявления рисков достигает 95% на целевых типах документов.

Сравнение производительности LLM для юридического анализа

Выбор модели зависит от требований к конфиденциальности и точности. Для внутреннего использования (on-premise) подходит LLaMA 3 70B, для облачных решений — GPT-4o или YandexGPT. Мы обеспечиваем замену модели без изменения архитектуры агента благодаря абстракции LangChain. Fine-tuning на ваших данных (LoRA) доступен для любой поддерживаемой модели.

Что входит в разработку под ключ?

• Проектирование архитектуры агента (схема графа, спецификация инструментов)
• Реализация проверки обязательных условий для 5 типов договоров
• Выявление рисковых фраз по 10+ паттернам
• Сравнение с шаблоном компании через LLM с prompt engineering
• Интеграция с ЕГРЮЛ / проверка контрагентов
• Генерация отчёта в PDF или JSON
• Документация (API spec, инструкция по дообучению)
• Развёртывание на вашем сервере или в облаке
• Поддержка 2 месяца после запуска

Гарантируем отсутствие ложноположительных срабатываний по критическим рискам после калибровки. Наша команда имеет сертификаты NVIDIA DLI по Deep Learning и опыт внедрения AI-агентов в 30+ компаниях.

Как мы оцениваем ваш проект?

Пришлите 5–10 типовых договоров, и мы за 2 дня подготовим демо-агента и смету. Стоимость рассчитывается индивидуально в зависимости от количества типов документов и глубины анализа. Ориентировочные сроки — от 3 до 8 недель.

Получите консультацию AI-инженера. Закажите демо на своих данных — напишите на почту или в Telegram. Свяжитесь с нами, чтобы обсудить требования к вашему юридическому ассистенту.