Contract Cleaner

Contract Cleaner

将混乱的合同文本变成干净、规范、符合法律语言体系的 Markdown。

CRITICAL：完整流程必须全部执行

本工具的清洗流程包含 Python 步骤和 AI 步骤，必须按顺序全部执行，不能只跑 Python 命令就结束。缺少任何一步都会导致输出未经清洗。

完整流程：

1. Python preprocess   → 生成会话目录 + 编号规范化输入文件
2. AI 编号规范化       → 读取 numbering.md，只改编号不改内容，写入 02 文件
3. Python preprocess-continue → 加载 02 文件，分块
4. AI 五遍清洗         → 逐块执行：义务句式 → 结构重组 → 格式清理 → 质量验证 → 最终润色
5. Python finalize     → 拼接 + 自检 + 导出 docx

禁止跳过步骤 2 和步骤 4。步骤 2 是编号规范化的核心，步骤 4 包含义务句式、结构重组、格式清理、质量验证、最终润色共 5 个 pass，跳过任何 pass 都会导致输出质量不达标。

---

执行流程

第 1 步：预处理

python scripts/auto_cleaner.py --stage preprocess -i <合同文件>

此命令会完成文档转换、格式清洗、规则引擎，输出到 清洗会话_<合同名>_<时间戳>/ 目录。

关键输出文件：

• _原始轻量.md — 原合同轻量清理版（仅清理 docx 转换噪音，用于 pandiff 对比基线）
• 00_规则引擎输出.md — 规则引擎处理后的文本
• 01_编号规范化输入.md — 待编号规范化的文本

第 2 步：AI 编号规范化（CRITICAL，不可跳过）

此步骤由你（Agent）直接执行，不需要调用任何外部 API。

1. 读取 references/prompts/numbering.md 获取编号规范化规则
2. 读取会话目录中的 01_编号规范化输入.md
3. 按规则处理文本，统一编号为标准层级：
   • 一级：第一条、第二条……（加粗）
   • 二级：1.1、1.2……
   • 三级：（1）、（2）……
4. 只改编号，不改任何文字内容
5. 将结果写入会话目录中的 02_编号规范化输出.md

💡 _原始轻量.md 在 preprocess 阶段已自动生成，不需要你处理。finalize 阶段会优先用它作为 pandiff 的"原合同"对比基线。

第 3 步：预处理继续

python scripts/auto_cleaner.py --stage preprocess-continue --session <会话目录名>

此命令会加载 02_编号规范化输出.md，执行分块，输出 chunks 目录和 manifest.json。

第 4 步：AI 五遍清洗（CRITICAL，不可跳过）

此步骤由你（Agent）直接执行，不需要调用任何外部 API。

读取 manifest.json，对 needs_ai: true 的每个 chunk，按顺序执行 5 个 pass：

Pass 1 — 义务句式：

1. 读取 references/prompts/obligation.md
2. 读取 chunk 文件内容
3. 按 obligation.md 的要求处理文本（为义务性条款添加"应当"等）
4. 将结果写回原 chunk 文件

Pass 2 — 结构重组：

1. 读取 references/prompts/structure.md
2. 读取 chunk 文件内容
3. 按 structure.md 的要求处理文本（删除非标小标题、确认层级等）
4. 将结果写回原 chunk 文件

Pass 3 — 格式清理：

1. 读取 references/prompts/format.md
2. 读取 chunk 文件内容
3. 按 format.md 的要求处理文本（清理残留标记、统一格式等）
4. 将结果写回原 chunk 文件

Pass 4 — 质量验证（不可跳过）：

1. 读取 references/prompts/verification.md
2. 读取 chunk 文件内容
3. 按 verification.md 的语义检查清单逐条检查
4. 如果发现问题，根据 suggestions 直接修正后写回；如果无问题，原样写回
5. 禁止只输出 JSON 而不修改文件——发现问题必须直接修正，无问题则原样保留

Pass 5 — 最终润色（不可跳过）：

1. 读取 references/prompts/polish.md
2. 读取 chunk 文件内容
3. 按 polish.md 的润色规则修正语法错误、句法错误、低级错误和怪异表达
4. 将结果写回原 chunk 文件
5. 禁止跳过——即使看起来"没问题"也要执行，润色规则会捕获人眼易漏的低级错误

规则：

• needs_ai: false 的 chunk（首部、签署区）保持原样，不处理
• 如果某个 chunk 内容简短，可以一次合并处理多个 pass，但每个 pass 的结果都要体现
• 每个 pass 处理完立即写回文件

第 5 步：收尾

python scripts/auto_cleaner.py --stage finalize --session <会话目录名>

此命令会拼接所有 chunk、自检验证、导出文件。输出到输入文件同目录：

• 合同名-原合同（预处理后）.md — 原合同轻量清理后的 Markdown
• 合同名-新合同（预处理后）.md — AI 清洗后的 Markdown
• 合同名-清洁版.docx — 清洗后的美观 Word 文档
• 合同名-对比版.docx — 新旧对比修订痕迹版（pandiff 生成）

---

清洗规范

第 1 步已执行的确定性规则（AI 不需要重复处理）

规则	示例
术语替换	缴纳→支付、罚款→违约金、权力→权利
金额格式	¥123,456→人民币123456.00元
日期格式	2026-2-23→2026年2月23日
全角→半角	有多条
近义术语标记	终止/解除同时出现→【近义术语待统一】
首部/签署区保护	不进入条款编号体系

第 2 步已执行的编号规范化（AI 不需要重复处理）

规则	示例
条款编号标准化	"一、""1.""（一）"→ 第X条
二级编号统一	子项统一为 X.X 格式
三级编号统一	子子项统一为（X）格式
层级递进修复	一级→三级跳级修复为自然段落

详细规范见 references/global_text_processing.md。

---

文件结构

contract-cleaner/
├── SKILL.md
├── scripts/
│   ├── auto_cleaner.py            # 主入口（支持 --stage preprocess/preprocess-continue/finalize）
│   ├── rule_engine.py             # 规则引擎
│   ├── industrial_cleaner.py      # AI 清洗引擎（自动模式用）
│   ├── format_cleaner.py          # 格式清洗
│   ├── document_converter.py      # 文档转换
│   ├── self_verifier.py           # 自检验证
│   └── docx_exporter.py           # Word 导出
└── references/
    ├── global_text_processing.md  # 完整清洗规范
    ├── troubleshooting.md          # 故障排查
    └── prompts/                    # AI 清洗 prompt
        ├── numbering.md            # 第2步：编号规范化（只改编号不改内容）
        ├── obligation.md           # Pass 1：义务句式
        ├── structure.md            # Pass 2：结构重组
        ├── format.md               # Pass 3：格式清理
        ├── verification.md         # Pass 4：质量验证（不可跳过）
        └── polish.md               # Pass 5：最终润色（不可跳过）

---

自动模式（有 API Key 的高级用户）

如已配置 API Key，可一条命令跑完：

python scripts/auto_cleaner.py -i 合同.docx

效果等价于手动执行上述全部 5 步，但 AI 清洗由 Python 脚本直接调用 API 完成。

首次配置：

python scripts/auto_cleaner.py --config

或设置环境变量：

export ANTHROPIC_API_KEY=sk-ant-...

---

常见问题

现象	原因	解决方案
输出与输入几乎相同	跳过了第2步或第4步的 AI 清洗	确保完整执行全部5步
没有"第一条"编号	跳过了第2步编号规范化	执行编号规范化后重新 preprocess-continue
manifest.json 不存在	未运行第1步或第3步	先执行 preprocess，再执行编号规范化+preprocess-continue
chunk 数量太多	长合同条款多	正常现象，每个 needs_ai=true 的 chunk 都需要单独清洗
docx 未生成	pandoc 未安装	执行 brew install pandoc，不影响 MD 输出