一个周末从 SPEC 到上线：如何用 AiiOnly Token Plan 快速构建 AI 合同避坑工具

0 阅读

需求驱动：为什么普通人需要“跨条款”合同分析

传统合同审查存在一个结构性盲区：条款孤立解读。无论是通用大模型还是人工初审，往往逐条审视文本，却难以捕捉隐藏在不同章节之间的逻辑矛盾。例如，一份租房合同可能在第三条承诺“租期内租金不变”，却在第十八条保留“甲方有权根据市场情况调整租金”的单方权利——单独看每一条都看似合理，合在一起却构成实质性违约风险。

文章配图

这种“条款间冲突”正是普通用户最容易踩的坑。而现有解决方案存在明显断层：律师服务成本过高，不适合小额合同；通用聊天机器人缺乏上下文整合能力，且存在编造法条的严重风险。因此，一个可行的产品方向浮现出来：将整份合同一次性输入具备超长上下文能力的大模型，强制其进行全局关联推理，并对每项结论标注置信度，同时联网验证法律依据的真实性。

这一设想对底层模型提出了复合要求：必须支持百万级 token 上下文、具备稳定工具调用能力、能处理 PDF/图片等多模态输入，且推理过程需可解释、可验证。更重要的是，作为个人 side project，整个技术栈必须轻量、低成本、低运维负担。

平台选型：为何 AiiOnly 成为关键支点

面对上述需求，开发者面临典型的“模型碎片化”困境：写代码需要强工程模型，合同分析依赖长上下文推理，法条核验又需联网检索能力。若分别对接不同厂商 API，不仅管理复杂，成本也难以控制。

分析7.gif

AiiOnly 的出现解决了这一痛点。其核心优势在于三点：

  1. 统一接入层：通过 OpenAI 或 Anthropic 兼容协议，一个 API Key 即可调用包括 GLM-5.2、DeepSeek-V4、Kimi-K2 等在内的主流大模型，无需为每个模型单独申请密钥或适配接口。
  2. Token Plan 订阅制：Standard 档位以 ¥79/月的价格打包 632 万 Credits，覆盖开发与运行全周期。额度内模型自由切换、无高峰期限流，且用尽自动暂停，彻底规避超额费用风险。
  3. 生态协同：配套的 VeryClaw 客户端支持自然语言指令驱动开发，AiiOnly 客户端则便于非编码场景下的模型调用，形成“开发-调试-部署”闭环。

yhrjWQcy.png

这种“一揽子”解决方案极大降低了个人开发者的试错门槛。开发者无需在初期就锁定单一模型，而是可根据任务特性动态选择最优引擎——例如用 DeepSeek 编写 SSE 解析逻辑，用 GLM-5.2 执行合同分析，所有调用均从同一 Credits 池扣除。

导出3.gif

开发范式：从深度访谈到自动生成 SPEC

项目启动阶段最关键的决策是先明确需求，再生成代码。作者采用“苏格拉底式提问法”，让 AI 扮演产品架构师，对其初始模糊需求进行二十多轮追问，覆盖以下维度：

  • 功能边界：单合同分析是否包含 OCR？多合同交叉比对的文档数量上限？
  • 可靠性机制：如何防止模型编造《劳动合同法》第 XX 条？置信度如何量化？
  • 数据安全：合同原文是否上传服务器？API Key 是否暴露于前端？
  • 边缘处理：PDF 中文乱码、非合同文件误传、JSON 解析失败等异常如何兜底？

这些问题迫使开发者提前思考潜在风险，而非等到代码报错才被动修复。当所有疑问澄清后，AI 自动生成一份结构化 SPEC.md，包含：

  • 五大核心能力定义（单合同关联、多合同交叉、法条核验、谈判话术、对话追问）
  • 非功能需求（SSE 超时设置、Credits 成本估算、并发策略）
  • 数据流架构图与模块依赖关系
  • 验收标准（如“高风险条款必须附带可操作的修改建议”）

这份文档成为后续开发的唯一依据，确保模型生成的代码始终对齐产品目标。

技术实现：轻量架构下的关键设计

前后端分离与安全边界

系统采用极简技术栈：前端 Vite + React 18 + Tailwind，后端仅一个 Express 进程。关键设计原则包括：

  • 前端零密钥：所有请求经后端代理转发，API Key 仅存在于服务端环境变量，杜绝泄露风险。
  • 本地解析优先：PDF 文件通过 pdf.js 在浏览器内转换为纯文本，原始文件永不离开用户设备。
  • Nginx 调优：配置 proxy_buffering off 和 proxy_read_timeout 600s，确保长时 SSE 流不被中断。

image.png

五大 AI 能力的统一管道

image.png

尽管前端有五个独立功能入口（分析、交叉、核验、话术、对话），但后端均通过同一套 OpenAI 兼容协议调用 GLM-5.2。这种设计带来两大好处：

image.png

  1. 体验一致性：用户不会感知到不同功能背后的模型差异，响应速度与交互逻辑保持统一。
  2. 迁移零成本：若未来需更换模型（如升级至 GLM-6），仅需修改 model 参数，无需重构任何业务逻辑。

image.png

反幻觉三层防御体系

jF1l5QJA.png

法律场景对准确性要求极高，系统构建了递进式防错机制：

Gg21vM6W.png

  1. 本地预扫：上传瞬间触发 30+ 条正则规则（如“单方修改权”“竞业无补偿”），即时标记可疑条款，不消耗任何 token。
  2. 置信度自评：System Prompt 强制模型为每条风险标注 confidence（high/mid/low），对信息不足的条款主动加入“跳过清单”并说明原因。
  3. 联网核验：报告生成后，自动调用 Tavily/Bing 检索每条引用的法条，返回四档结论（已核验/部分存疑/未能核实/与原文不符）并附来源链接。

migTuMb7.png

这套机制确保系统宁可“说不知道”，也不“编造答案”，从根本上规避法律误导风险。

image.png

核心挑战：长上下文与流式结构化的平衡

image.png

1M 上下文的真实价值

image.png

许多平台宣称支持长上下文，但实际可能通过切块处理。本项目通过两种方式验证其有效性：

image.png

  • 透传 usage 数据：前端可查看 input_tokens 数量，确认整份合同（实测达 12 万字）被完整载入。
  • 跨条款关联结果：模型成功指出相隔数十页的条款矛盾，证明上下文窗口确实容纳了全文。

image.png

SSE 流式累加器的实现难点

image.png

function calling 要求模型输出严格符合 JSON Schema，但在流式场景下，tool_use 的 input 字段以分片形式返回。若简单拼接字符串，极易因格式错误导致解析失败。

4f4RZPUj.png

解决方案是构建智能累加器：

0lKchAxv.png

  • 按 index 聚合 content block，确保片段顺序正确
  • 流结束时对残留片段进行容错解析（如补全缺失括号）
  • 前端增加二次校验：非法枚举值降级为 mid，超长标题截断至 50 字

image.png

这一机制保障了即使模型输出略有偏差，前端仍能渲染出有效报告。

image.png

用户体验：从场景切入到行动闭环

预扫描.gif

首页设计：降低认知门槛

image.png

摒弃传统功能列表，首页直接按用户身份组织：

联网核验法条.gif

  • 应届生专区：聚合租房、三方协议、兼职合同三大高频场景
  • 多合同交叉分析：突出 1M 上下文能力，解决 offer 与劳动合同不一致等痛点
  • 轻量工具入口：如“行业黑话翻译器”，将“弹性工作制”转译为“可能需随时加班”

交叉分析.gif

报告呈现：透明化 AI 决策过程

风险报告页采用三重可视化：

  1. 原文高亮：红/黄/绿三色标识风险等级，左侧色条线型（实线/虚线/点线）反映模型把握度
  2. 卡片详情：包含人话解释、法律依据、行业对比、具体修改建议（如“建议删除第 X 条”）
  3. 模型自白：展示引用片段数、法条数、置信度分布、主动跳过条数，增强可信度

行动转化：从发现问题到解决问题

工具不止于风险提示，更提供可执行方案：

  • 谈判话术生成：选择对象（HR/房东）、语气（礼貌/坚定）、形式（邮件/微信），一键生成可直接发送的协商文本
  • 移动端优化：微信话术自动切分为短句，避免大段文字影响阅读体验
  • 多格式导出：支持 PDF 与 TXT，确保报告可离线留存

生成谈判话术.gif

总结：个人开发者的 AI 应用新范式

该项目验证了一种高效可行的 AI 应用开发路径：

  1. 需求先行：通过 AI 辅助深度访谈，将模糊想法转化为可执行 SPEC，避免方向性返工。
  2. 平台赋能：利用 AiiOnly 等聚合平台的一站式能力，解决模型碎片化与成本不可控问题。
  3. 安全兜底：通过本地解析、密钥隔离、反幻觉机制，构建用户可信赖的产品基底。
  4. 体验闭环：从风险识别到行动建议，提供端到端解决方案，而非仅停留在信息展示。

对于拥有创意但受限于资源的个人开发者而言，这种“轻架构+强模型+严需求”的组合，或许正是将想法快速转化为真实价值的关键钥匙。