一句话定位
在已有的单合同审查能力之上，新增跨合同维度的关联风险识别——帮企业发现”单看每份合同都没问题，但合在一起有问题”的隐蔽风险。
背景与痛点
制造业企业每年处理数千份采购合同，为管控风险建立了分级审批制度：金额越大，审批层级越高。目前市面上的合同 AI 产品，包括 KWeaver 在内，审查能力都集中在单合同维度——条款校验、资信核验、版本比对。
但有一类风险很隐蔽：单看每份合同都合规，合在一起才暴露问题。
最典型的场景是合同拆分逃审。假设企业规定 10 万以上需总经理审批，经办人把 30 万的采购拆成 3 份 9.8 万的合同分别提交，每份都由部门经理审批通过。传统系统完全发现不了——它只看当前这一份合同，不知道同一个供应商之前还签过别的。
我对比了用友 BIP、科大讯飞、幂律智能等竞品，发现跨合同关联分析这个方向目前是市场空白。而 KWeaver 已经有知识图谱引擎（BKN）和数据虚拟化引擎（VEGA），做跨合同分析是顺势而为。
我的思考
这个产品的核心决策有三个，每个都涉及取舍：
第一，做旁路监控，不做审批拦截。 如果把风险扫描嵌入审批流程，一旦误判就会阻断正常业务。我选择异步执行——合同正常审批，扫描结果几分钟后产出，高风险时推送预警给审计人员。这样既不影响业务效率，又保留了人工判断的空间。
第二，定义清楚 AI 和人的边界。 我设计了三层协作模式：
| 层级 | 执行者 | 职责 |
|---|---|---|
| 发现 | AI（NLP + 知识图谱） | 从海量合同中找出疑似关联的合同组 |
| 判定 | 规则引擎 + AI 异常检测 | 对关联组运行风险规则，计算风险等级 |
| 确认 | 人工（审计/法务） | 最终判断是否为真实风险 |
一句话：AI 负责大海捞针，规则负责定性定量，人来拍板。 AI 不替代人做最终决策，这在合规场景中是底线。
第三，V1.0 只做一种风险类型。 跨合同风险有拆分逃审、变更累积、围标、关联交易等多种类型。我选择 V1.0 只做拆分逃审——它最高频、检测逻辑最清晰、客户最容易感知价值。先用一个场景跑通全链路，再扩展其他类型。
AI 产品设计
AI 不是万能的，关键是判断哪些环节该用 AI、用什么能力。
隐式关联发现是整个产品的核心能力。我设计了多维度加权评分机制：供应商一致（+30）、品类语义相似（+25）、时间窗口（+20）、金额阈值接近（+20）、经办人一致（+15）、项目一致（+10）。其中品类匹配用 NLP 语义相似度计算，而不是关键词精确匹配——这样”精密轴承组件”和”轴承配套零件”才能被识别为同类采购。
风险规则扫描采用规则引擎 + AI 异常检测双轨制。规则引擎处理已知模式（金额是否超阈值），AI 异常检测捕捉规则覆盖不到的新模式（比如某供应商签约频率突然异常升高）。
风险报告生成用 NLG 自动将结构化检测结果转写为人话。审计人员看到的不是”规则 1 命中，置信度 0.87”，而是”供应商恒达机械在 55 天内签署 3 份合同，单份均低于 10 万元审批线，合计 29.2 万元，疑似拆分逃避总经理审批”。
反馈闭环让系统越用越准。审计人员每次确认风险或标记误报，都作为训练信号反馈给评分模型，持续调优维度权重和规则阈值。同时支持白名单机制，避免对已知合理场景（如办公用品按月采购）重复告警。
方案落地
我设计了三个核心页面：
风险预警列表页——审计人员的工作台首页，顶部是风险统计概览，下方是可筛选排序的预警卡片列表。每张卡片一眼可见风险等级、涉及合同数、金额合计、供应商和经办人。
风险详情页——左侧是关联图谱可视化（合同-供应商-人员的网络关系图，风险节点红色高亮），右侧上方是证据链面板（逐条展示命中规则和判定依据），右侧下方是关联合同对比表。顶部有 AI 生成的风险摘要，一段话说清楚发生了什么。
风控管理看板——面向审计总监的趋势分析页面，核心指标包括预警总数趋势、确认风险占比、误报率变化（体现 AI 自优化效果）、高风险供应商排名。
复盘
这个项目让我对 AI 产品设计有了更深的认识：
AI 的价值不在于取代人，而在于改变信息获取的方式。 审计人员以前要人工比对上千份合同才能发现拆分行为，现在 AI 把疑似关联的合同筛出来摆在面前，人只需要做判断。这才是 AI 在 B 端最务实的落地方式。
产品边界的定义比功能设计更重要。 这个产品最难的部分不是设计页面，而是想清楚”什么不做”——不做审批拦截、不替代人做决策、V1.0 只做一种风险类型。每一条边界背后都是对业务场景和技术能力的判断。
如果重来，我会在 PRD 阶段就做用户访谈。 这次是基于行业研究和竞品分析来定义需求，如果能直接和审计人员聊他们的日常工作流，对痛点的理解会更扎实，产品设计的优先级判断也会更准。
