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 PDF，Word 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！