从 RAG 失败到 91% 准确率：Uber 法务红线 Agent 的四次架构演进

Uber 每年谈判数千份合同，法务审核是交易、供应商入驻、产品上线的关键瓶颈。团队的核心洞察是：这份看似高度专业的工作中，藏着大量结构性模式；相似条款反复出现、红线修改可复用、法律立场长期稳定。这与代码审查、客服回复等已被 AI 成功渗透的领域同构，只是领域知识壁垒更高。

项目成功的外部标志是 Uber 法务部凭此获得 2026 年 ALM Legalweek “年度最具创新力法务部”奖项。内部分享的两个量化结果：平均合同审核时间下降 20%+，AI 生成决策准确率 91%。

三条产品哲学贯穿始终，后面所有技术选型都能回溯到它们：
1. 在律师工作的地方交付（Microsoft Word 插件，而非新工具），降低采纳成本；
2. 增强而非替代律师判断，AI 只给建议（accept / reject / modify + 理由注释），决策权在人；
3. 用真实反馈持续迭代，这直接催生了第二版的核心架构。

博客地址：https://www.uber.com/us/en/blog/building-ubers-redlining-agent/

四次迭代：一次教科书级的“从 RAG 到 Agent”演进路径

第 1 版：朴素 RAG - 失败
把谈判 playbook 灌入 RAG 管道。三个典型失败模式：
· 语义检索失准：用来做嵌入的“关键句”与实际需要检索的内容不一致（query 与 document 的粒度错位）；
· 语气失控：生成的注释要么过度防御、要么过度让步，法律文书的语气本身就是立场；
· 无法泛化：没见过的谈判场景直接失效。

这一版的教训是：playbook 里的静态知识与律师实际谈判中的动态偏好之间存在巨大鸿沟。文档不等于决策数据。

第 2 版：反馈闭环 - 转折点
放弃“从文档学”，改为“从决策学”。系统捕获每一次真实谈判的完整轨迹：对方原始措辞 → 律师的红线 → 期望动作 → 律师写的注释 → 最终修改文本。这些粒度极细的对齐数据让系统能把“对方意图”直接映射到“本方律师偏好的应对语言”。

运行时流程：相似度检索 + 元数据过滤 → 取约 20 个候选 → LLM 二次精筛 → 生成决策与注释。

两个精巧的工程细节：
· 指数衰减加权（半衰期 365 天）：优先采信近一年的决策，天然对抗策略漂移（counterparty 立场和内部政策会演变）；
· 正负样本均衡的 few-shot：agree/disagree 案例成对呈现，让模型学到判别边界而非单边模仿。

关键结论：无需任何手动微调，检索 + 上下文学习即可持续进化。

第 3 版：语气分层 - 组织层面的突破
单独加一个 LLM 调用做语气调制。技术上有趣的是 "proactive and pessimistic" 一次性反思：预先假设生成的注释有质量问题，让模型一次性自检修正；效果等同于反思循环，但只花一次调用的 token 和延迟。

更大的突破在组织层面：三段式 prompt（目标、偏好风格、开场白示例）的所有权直接交给了律师。Uber 的结论很客观：塑造输出格式的 prompt 应由领域专家管理，而不是工程师替律师定义“什么叫专业语气”。

第 4 版：Agentic 修改草拟
对 MODIFY 决策引入 agentic workflow：参考历史反馈和规则库起草反提案文本，杜绝幻觉条款。至此，系统从“建议者”升级为“起草者”。

规则库（Rules Database）：确定性兜底
由律师维护：选中常被修改的模板条款，附上规则（Uber 立场、可退让的底线、示例回复）。检索到的修改句做语义匹配，高置信度命中直接注入上下文，并有最终 LLM 校验步骤对齐立场。

它的价值在于：第一天就能给出高置信度结果（不像反馈库需要冷启动积累），并保证跨业务线立场一致。