Резюмирование юридических документов
В этом руководстве рассказывается, как использовать продвинутые возможности Claude по обработке естественного языка для эффективной суммаризации юридических документов, извлечения ключевой информации и ускорения юридических исследований. С Claude вы можете оптимизировать проверку договоров, подготовку к судебным разбирательствам и работу с нормативными требованиями, экономя время и обеспечивая точность ваших юридических процессов.
Посетите рецепт по суммаризации в Claude Cookbook, чтобы увидеть пример реализации суммаризации юридических документов с помощью Claude.
Перед началом работы с Claude
Решите, стоит ли использовать Claude для резюмирования юридических документов
Вот несколько ключевых признаков того, что вам следует использовать «large language model» (большую языковую модель), или LLM, такую как Claude, для резюмирования юридических документов:
Определите, какие сведения должно извлекать резюмирование
Для любого документа не существует единственно правильного резюме. Без чётких указаний Claude может быть сложно определить, какие сведения включить. Для достижения оптимальных результатов определите конкретную информацию, которую вы хотите включить в резюме.
Например, при резюмировании договора субаренды вы можете захотеть извлечь следующие ключевые моменты:
details_to_extract = [
"Parties involved (sublessor, sublessee, and original lessor)",
"Property details (address, description, and permitted use)",
"Term and rent (start date, end date, monthly rent, and security deposit)",
"Responsibilities (utilities, maintenance, and repairs)",
"Consent and notices (landlord's consent, and notice requirements)",
"Special provisions (furniture, parking, and subletting restrictions)",
]Установите критерии успеха
Оценка качества резюме — общеизвестно сложная задача. В отличие от многих других задач обработки естественного языка, оценка резюме часто не имеет чётких объективных метрик. Этот процесс может быть крайне субъективным: разные читатели ценят разные аспекты резюме. Вот критерии, которые вы можете учесть при оценке того, насколько хорошо Claude выполняет суммаризацию юридических документов.
Дополнительную информацию см. в руководстве по установлению критериев успеха.
Как резюмировать юридические документы с помощью Claude
Выберите подходящую модель Claude
Точность модели чрезвычайно важна при суммаризации юридических документов. Claude Opus 5.5 — отличный выбор для подобных сценариев использования, где требуется высокая точность. Если размер и количество ваших документов настолько велики, что затраты начинают вызывать беспокойство, вы также можете попробовать использовать модель меньшего размера, например Claude Haiku 5.5.
Чтобы помочь оценить эти затраты, ниже приведено сравнение стоимости резюмирования 1 000 договоров субаренды с использованием моделей Opus и Haiku:
-
Размер контента
- Количество договоров: 1 000
- Символов на договор: 300 000
- Всего символов: 300 млн
-
Оценочное количество токенов
- Входные токены: 108 млн, около 108 000 на договор (примерно 1 токен на 2,8 символа — такое соотношение обе модели показали на образце договора из этого руководства)
- Выходные токены на одно резюме, включая токены размышлений, которые тарифицируются как выходные: около 6 200 для Claude Opus 5.5 и 3 100 для Claude Haiku 5.5
- Всего выходных токенов: 6,2 млн для Claude Opus 5.5 и 3,1 млн для Claude Haiku 5.5
-
Оценочная стоимость Claude Opus 5.5
- Стоимость входных токенов: 108 MTok * $4,00/MTok = $432,00 USD
- Стоимость выходных токенов: 6,2 MTok * $20,00/MTok = $124,00 USD
- Общая стоимость: $432,00 + $124,00 = $556,00 USD
-
Оценочная стоимость Claude Haiku 5.5 по ценам для подсказок длиной более 100 000 токенов
- Стоимость входных токенов: 108 MTok * $0,50/MTok = $54,00 USD
- Стоимость выходных токенов: 3,1 MTok * $2,50/MTok = $7,75 USD
- Общая стоимость: $54,00 + $7,75 = $61,75 USD
Преобразуйте документы в формат, который Claude может обработать
Прежде чем начать суммаризацию документов, необходимо подготовить данные. Это включает извлечение текста из PDF, его очистку и проверку того, что он готов к обработке Claude.
Вот демонстрация этого процесса на примере PDF-файла:
from io import BytesIO
import re
import pypdf
import requests
def get_llm_text(pdf_file):
reader = pypdf.PdfReader(pdf_file)
text = "\n".join([page.extract_text() for page in reader.pages])
# Удаляем номера страниц
text = re.sub(r"\n\s*\d+\s*\n", "\n", text)
# Удаляем лишние пробелы
text = re.sub(r"\s+", " ", text)
return text
# Формируем полный URL из репозитория GitHub
url = "https://raw.githubusercontent.com/anthropics/claude-cookbooks/main/capabilities/summarization/data/Sample Sublease Agreement.pdf"
url = url.replace(" ", "%20")
# Загружаем PDF-файл в память
response = requests.get(url)
# Загружаем PDF из памяти
pdf_file = BytesIO(response.content)
document_text = get_llm_text(pdf_file)
print(document_text[:50000])В этом примере сначала загружается PDF-файл с образцом договора субаренды, используемым в рецепте по суммаризации из Claude Cookbook. Этот договор взят из общедоступного договора субаренды с сайта sec.gov.
В примере используется библиотека pypdf для извлечения содержимого PDF-файла и преобразования его в текст. Затем текстовые данные очищаются путём удаления номеров страниц и лишних пробелов.
Создайте сильную подсказку
Claude может адаптироваться к различным стилям резюмирования. Вы можете изменять детали «prompt» (подсказки), чтобы направить Claude быть более или менее многословным, включать больше или меньше технической терминологии либо предоставлять резюме рассматриваемого контекста более высокого или более низкого уровня.
Вот пример того, как создать подсказку, которая гарантирует, что создаваемые резюме следуют единообразной структуре при анализе договоров субаренды:
# Инициализируем клиент Anthropic
client = anthropic.Anthropic()
def summarize_document(
text, details_to_extract, model="claude-opus-5-5", max_tokens=16000
):
# Форматируем извлекаемые сведения для размещения в контексте подсказки
details_to_extract_str = "\n".join(details_to_extract)
# Просим модель кратко изложить договор субаренды
prompt = f"""Summarize the following sublease agreement. Focus on these key aspects:
{details_to_extract_str}
Provide the summary in bullet points nested within the XML header for each section. For example:
<parties involved>
- Sublessor: [Name]
// Add more details as needed
</parties involved>
If any information is not explicitly stated in the document, note it as "Not specified". Do not preamble.
Sublease agreement text:
{text}
"""
response = client.messages.create(
model=model,
max_tokens=max_tokens,
system="You are a legal analyst specializing in real estate law, known for highly accurate and detailed summaries of sublease agreements.",
messages=[
{"role": "user", "content": prompt},
],
)
return next(block.text for block in response.content if block.type == "text")
sublease_summary = summarize_document(document_text, details_to_extract)
print(sublease_summary)Этот код реализует функцию summarize_document(), которая использует Claude для резюмирования содержимого договора субаренды. Функция принимает на вход текстовую строку и список сведений для извлечения. В этом примере код вызывает функцию с переменными document_text и details_to_extract, которые были определены в предыдущих фрагментах кода.
Внутри функции для Claude формируется подсказка, включающая документ для резюмирования, сведения для извлечения и конкретные инструкции по резюмированию документа. Подсказка предписывает Claude ответить резюме по каждому извлекаемому сведению, вложенным в XML-заголовки.
Поскольку код выводит каждый раздел резюме внутри тегов, каждый раздел можно извлечь на этапе постобработки. Такой подход позволяет создавать структурированные резюме, которые можно адаптировать под ваш сценарий использования, чтобы каждое резюме следовало одному и тому же шаблону.
Оцените вашу подсказку
Чтобы подсказка была готова к продакшену, она обычно требует тестирования и оптимизации. Чтобы определить готовность вашего решения, оцените качество резюме с помощью систематического процесса, сочетающего количественные и качественные методы. Создание надёжной эмпирической оценки на основе определённых вами критериев успеха позволяет оптимизировать ваши подсказки. Вот некоторые метрики, которые вы можете включить в эмпирическую оценку:
Разверните вашу подсказку
Вот несколько дополнительных соображений, которые следует учитывать при развёртывании вашего решения в промышленной среде.
-
Исключите ответственность: Осознайте юридические последствия ошибок в резюме, которые могут привести к юридической ответственности вашей организации или клиентов. Предоставьте оговорки или юридические уведомления, разъясняющие, что резюме созданы ИИ и должны быть проверены юристами.
-
Обрабатывайте различные типы документов: В этом руководстве рассматривается извлечение текста из PDF. В реальных условиях документы могут поступать в различных форматах (например, PDF, документы Word и текстовые файлы). Убедитесь, что ваш конвейер извлечения данных может преобразовывать все форматы файлов, которые вы ожидаете получать.
-
Распараллеливайте вызовы API к Claude: Для длинных документов с большим количеством токенов Claude может потребоваться до минуты на создание резюме. Для больших коллекций документов вы можете отправлять вызовы API к Claude параллельно, чтобы резюме были готовы в разумные сроки. Обратитесь к ограничениям скорости Anthropic, чтобы определить максимальное количество вызовов API, которые можно выполнять параллельно.
Повышение производительности
В сложных сценариях может быть полезно рассмотреть дополнительные стратегии повышения производительности помимо стандартных методов инженерии подсказок. Вот некоторые продвинутые стратегии:
Выполняйте мета-резюмирование для резюмирования длинных документов
Резюмирование юридических документов часто предполагает работу с длинными документами или множеством связанных документов одновременно, так что вы превышаете «context window» (контекстное окно) Claude. Для этого сценария использования можно применить метод разбиения на фрагменты, известный как мета-резюмирование. Эта техника предполагает разбиение документов на более мелкие, удобные для обработки фрагменты и последующую обработку каждого фрагмента отдельно. Затем вы можете объединить резюме каждого фрагмента, чтобы создать мета-резюме всего документа.
Вот пример того, как выполнить мета-резюмирование:
def chunk_text(text, chunk_size=20000):
return [text[i : i + chunk_size] for i in range(0, len(text), chunk_size)]
def summarize_long_document(
text, details_to_extract, model="claude-opus-5-5", max_tokens=16000
):
# Форматируем извлекаемые сведения для размещения в контексте подсказки
details_to_extract_str = "\n".join(details_to_extract)
# Перебираем фрагменты и кратко излагаем каждый
chunk_summaries = [
summarize_document(
chunk, details_to_extract, model=model, max_tokens=max_tokens
)
for chunk in chunk_text(text)
]
final_summary_prompt = f"""
You are looking at the chunked summaries of multiple documents that are all related.
Combine the following summaries of the document from different truthful sources into a coherent overall summary:
<chunked_summaries>
{"".join(chunk_summaries)}
</chunked_summaries>
Focus on these key aspects:
{details_to_extract_str}
Provide the summary in bullet points nested within the XML header for each section. For example:
<parties involved>
- Sublessor: [Name]
// Add more details as needed
</parties involved>
If any information is not explicitly stated in the document, note it as "Not specified". Do not preamble.
"""
response = client.messages.create(
model=model,
max_tokens=max_tokens,
system="You are a legal expert that summarizes notes on one document.",
messages=[
{"role": "user", "content": final_summary_prompt},
],
)
return next(block.text for block in response.content if block.type == "text")
long_summary = summarize_long_document(document_text, details_to_extract)
print(long_summary)Функция summarize_long_document() развивает ранее описанную функцию summarize_document(), разбивая документ на более мелкие фрагменты и резюмируя каждый фрагмент по отдельности.
Код достигает этого, применяя функцию summarize_document() к каждому фрагменту длиной 20 000 символов в исходном документе. Затем отдельные резюме объединяются, и из этих резюме фрагментов создаётся итоговое резюме.
Обратите внимание, что функция summarize_long_document() не является строго необходимой для примера PDF-файла, поскольку весь документ помещается в контекстное окно Claude. Однако она становится необходимой для документов, превышающих контекстное окно Claude, или при совместном резюмировании нескольких связанных документов. В любом случае эта техника мета-резюмирования часто позволяет включить в итоговое резюме дополнительные важные детали, которые были упущены при прежнем подходе с одним резюме.
Используйте документы с индексацией по резюме для изучения большой коллекции документов
Поиск по коллекции документов с помощью LLM обычно предполагает использование “retrieval-augmented generation” (генерация с дополнением извлечённой информацией), или RAG. Однако в сценариях с большими документами или когда точное извлечение информации имеет решающее значение, базового подхода RAG может быть недостаточно. Документы, индексированные по резюме, — это продвинутый подход RAG, который обеспечивает более эффективный способ ранжирования документов для извлечения, используя меньше контекста, чем традиционные методы RAG. При этом подходе вы сначала используете Claude для создания краткого резюме каждого документа в вашем корпусе, а затем используете Claude для ранжирования релевантности каждого резюме заданному запросу. Подробнее об этом подходе, включая пример с кодом, см. в разделе о документах, индексированных по резюме, в рецепте по суммаризации.
Дообучите Claude на вашем наборе данных
Ещё одна продвинутая техника для улучшения способности Claude создавать резюме — «fine-tuning» (дообучение). Дообучение предполагает обучение Claude на пользовательском наборе данных, который специально соответствует вашим потребностям в резюмировании юридических документов, обеспечивая адаптацию Claude к вашему сценарию использования. Вот обзор того, как выполнить дообучение:
-
Выявите ошибки: Начните со сбора случаев, когда резюме Claude неудовлетворительны. Это может включать пропуск критически важных юридических деталей, неправильное понимание контекста или использование неподходящей юридической терминологии.
-
Подготовьте набор данных: После выявления этих проблем составьте набор данных из этих проблемных примеров. Этот набор данных должен включать исходные юридические документы вместе с вашими исправленными резюме, чтобы Claude усвоил нужное вам поведение.
-
Выполните дообучение: Дообучение предполагает повторное обучение модели на подготовленном вами наборе данных для корректировки её весов и параметров. Такое повторное обучение помогает Claude лучше адаптироваться к специфическим требованиям вашей правовой области, улучшая его способность резюмировать документы в соответствии с вашими стандартами.
-
Улучшайте итеративно: Тонкая настройка — не одноразовый процесс. По мере того как Claude продолжает создавать резюме, вы можете итеративно добавлять новые примеры, в которых он показал недостаточные результаты, дополнительно совершенствуя его возможности. Со временем этот непрерывный цикл обратной связи приведёт к созданию модели, высоко специализированной для ваших задач суммаризации юридических документов.
Посмотрите полностью реализованный пример с кодом, показывающий, как использовать Claude для резюмирования договоров.
Изучите рецепт по цитированию, чтобы узнать, как обеспечить точность и объяснимость информации.
Эта страница была полезной?