长文档摘要的价值不在省时间,而在把分散要点收敛成可决策的清单,同时保留原文出处供复核。对涉密合同与卷宗,私有化部署是硬约束,客户资料不得出域。
总体思路:分块、抽取、回链
第一步 按标题与段落切分,控制单块长度适配模型上下文,保留段落编号;
第二步 用固定模板 prompt 抽取当事人、金额、期限、违约与争议解决等字段;
第三步 输出时附带来源段落编号,支持一键跳转原文,做到每条摘要可溯源。
分块与抽取代码
用 LangChain 的递归字符切分器把文档切成带元数据的片段,再批量调用本地 Ollama 模型:
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_ollama import OllamaLLM
splitter = RecursiveCharacterTextSplitter(
chunk_size=1200, chunk_overlap=150,
separators=['\n#', '\n##', '\n', '。', ''],
)
chunks = splitter.split_text(contract_text)
llm = OllamaLLM(model='qwen2.5:14b')
template = '''你是资深法务助理。请从下文抽取关键条款,严格按 JSON 输出:
{{'parties': [], 'amount': '', 'term': '', 'breach': '', 'dispute': ''}}。
只输出 JSON,不要解释。原文:
{text}'''
for i, c in enumerate(chunks):
out = llm.invoke(template.format(text=c))
print(f'块 {i} 抽取结果:', out)
说明:JSON 模板用双花括号转义,避免与 Python 字符串格式化冲突;本地模型建议选用支持中文与长上下文的开源权重。涉密文本全程在隔离环境运行。
质量校验:让模型自己复核
抽取结果可二次送入模型,要求它逐项回指原文段落;凡无法回链的字段标记为待人工确认,既降低幻觉,也便于律师快速定位。配套把段落编号写入知识库,后续检索直接命中出处。
参考来源
LangChain 文本切分器文档 - LangChain 官方文档
Ollama 本地模型运行文档 - Ollama 官方文档