花半天对两份合同差异后，我找到了更省力的方案

上个礼拜法务同事丢给我一个需求两份几十页的采购合同逐字比对差异圈出所有修改点。听起来不难对吧但真正做起来第一遍人工读完就花了大半天翻了二十多次才发现对方在违约金条款里偷偷加了两句话。第二天甲方突然又发来“微调版”附言只有四个字“稍微优化了下表述”法务同事脸都绿了——这意味着从头再来之前圈的所有变更又要重新核实。我当时的想法比较朴素写一个脚本用类似 Git diff 的方式比对合同文本。但试了试才发现这条路子深不见底。PDF 解析得先过一遍合同里有水印比如“Confidential”“仅供内部使用”之类的不相关内容直接比对会把水印的变动也算成差异极其误导必须在差异分析前把这些噪声过滤掉。还有格式差异问题同样一段话对方只是改了一下换行或者空格数量在传统 diff 看来就是一次修改但实际上内容一模一样这种假差异太多会严重干扰判断。折腾了一整天还在和水印过滤死磕法务同事已经来催第三遍了。后来在 GitHub 上翻 RAG 相关项目的时候注意到一个热度挺高的开源平台社区讨论很活跃看了一下它的模板市场意外发现有个“合同对比助手”的工作流模板。模板的核心逻辑是PDF 上传 → 文本提取内置水印关键词过滤 → 文本对齐基于 LCS 或 Myers diff 算法 → 识别新增、删除、修改三种差异类型并记录位置信息 → 生成 HTML 可视化报告。最打动我的是水印过滤的细节设计。模板内置了“Confidential”“Draft”“内部使用”等关键词过滤机制提交两份文件后那些烦人的水印压根不会出现在对比结果中这正好击中了之前让我头疼半天的痛点。真正跑起来之后测试了一组样本。旧版合同和对方发来的“微调版”扫描件一起丢进去几秒钟生成了一份 HTML 报告。头部区域清楚显示统计卡片新增 3 处、删除 5 处、修改 12 处左右两栏布局展示原文和修改后的文本删除是红色波浪线标出新增用浅绿背景高亮。我随便抽了五处报告标记的差异回去查原 PDF有四处完全匹配包括数字、标点符号的细粒度修改还有一处是空格数量变化导致的格式差异也被合理标记为修改而不是丢失信息。水印过滤也验证通过报告里完全没有出现原文中的 Confidential 和仅供内部使用字样。用下来也碰到了一些短板。当前版本只支持 PDFWord 文件要先手动转一道不够顺手。表格内容目前按纯文本流处理结构化的表格对比还是容易出问题如果合同里表格比较多建议先人工复核一遍。另外 HTML 报告虽然能直接在浏览器看但导出 Excel 的功能还没有做批量对比归档的时候有点不方便。最让我意外的是法务同事第一次看到这个工作流时拖拽了几个节点就懂了大概逻辑。后来提需求的时候直接指着画布说“这里我想再加一个字段去对比签署日期”懂业务的非开发同事能参与进来讨论实现方案沟通效率确实提高不少。而且数据全部跑在自己服务器上合同文档不外传安全合规方面也彻底放心了。当然可视化工作流不是要取代你手写代码。手写解析和比对的灵活性无可替代尤其是当需求定制化程度特别高的时候。但这个方案在我这个场景里确实解决了最基本的问题把 30 分钟一轮的人工比对压缩到几秒钟并且准确率比人工高得多。目前还有几个没解决的问题想和社区的朋友交流一下模板里内置的水印关键词是固定的如果合同里出现其他自定义水印需要手动修改正则表达式——有没有办法做成动态配置的还有表格对比这块你们有没有什么好的方案可以感知表格结构而不是当纯文本处理欢迎评论区交流