Harvey 用3500份文件和4500万词元考法律智能体

3500多份文件，约4500万词元，数十个预设风险点——这是Harvey给法律智能体搭的“数据室”。7月17日，这家法律科技公司发布Legal Agent Bench的并购尽调扩展：系统要在接近真实交易的环境里，从分散的合同、公司文件、诉讼材料和知识产权记录中识别风险，并形成供交易团队使用的尽调意见。上述规模和测试设计来自厂商披露，代表性还要结合公开方法、样本设置和第三方复测来判断。

考题从单点变成全流程

传统法律 AI 基准通常给出明确问题和范围有限的材料，考察的是知识、文本理解与推理。并购尽调面对的是另一回事：文件集合更大、关联更复杂，漏看一份材料就可能让风险判断整个偏掉。

控制权变更条款可能藏在关键客户合同及其附件里；软件许可风险可能要结合技术说明、内部备忘录、知识产权文件和后续修订才判断得了。系统就算准确找到了某一条款，只要没识别出相关定义、附件或更新版本，结论照样不完整。

这类任务还在挑战通用智能体惯用的检索策略——靠关键词缩小范围、选择性阅读确实快，但证明不了重要文件都已被审查过。交易团队除了问“发现了哪些问题”，还想知道：文件扫描范围有多大？哪些解析失败了？每个风险点的原文出处在哪？材料相互矛盾时怎么处理？

文档结构决定检索质量

近期围绕智能体法律应用的讨论，已经把数据准备和文档结构列为影响结果的关键因素。合同里的定义、附件、修订文件和交叉引用如果在解析或切分时失去关联，模型引用的段落就算真实存在，也可能缺少作出法律判断所需的完整语境。

法律检索还要考虑文件效力、适用法域和生效时间。文本相似度高的材料未必更权威；旧版本文件可能因为内容更完整或关键词更密集，反而被优先检出；数据室里的命名、版本记录和权限设置不规范，甚至会让部分材料压根没进检索范围。

斯坦福大学等机构此前对商用法律检索工具的实证研究显示，检索增强生成能降低幻觉发生率，但消不掉错误。放到大规模尽调场景里，风险不再只是单个答案失实，还包括跨文件关系丢失、修订版本误用、关键文件漏检和引用链条不完整。

采购方该核验什么

对律所和企业法务部门来说，任务型基准提供了一个比文字质量更实在的评估框架。测试时至少要核验四个环节：

• 文件覆盖：任务完成后能不能导出文件清单、解析状态和未读取原因，并标明没法处理的文件类型。
• 来源追溯：每项风险能不能链到原文，同时呈现相关定义、附件、补充协议和修订关系。
• 判断边界：系统有没有把事实提取、风险分级和律师意见分开，别把模型判断说成确定结论。
• 人工复核：律师的修改、确认和退回能不能留痕，高风险或低置信度事项有没有进入人工审查流程。

这些指标也牵涉责任分配：系统没解析某些文件，或者因为权限、格式、版本问题漏了材料，项目团队要及时收到提示；模型对同一事项给出互相冲突的判断，也要留好依据和处理记录。缺了这些信息，使用者既评估不了结果的完整性，也很难在交易完成后追溯审查过程。

厂商基准终究只是初步证据——数据室的构成、预设问题、评分标准都会影响成绩，不同法域、行业和交易结构下的风险分布也各不相同。采购方还得用本机构的材料做受控测试，并核查数据安全、访问权限、日志保存和人工复核机制。产品能不能说清文件处理范围、判断依据和复核责任，才是它能不能进并购尽调现场的分水岭。

相关报道

• Harvey：Extending Legal Agent Bench to M&A Due Diligence
• Clixlogix：Why Agentic Legal AI Needs Document Structure Before Better Models
• Stanford等：Assessing the Reliability of Leading AI Legal Research Tools