LLM助手中枢

将冗长、杂乱、高风险的文档转化为更清晰的推理和更干净的决策。针对商业和法律文档工作流的长上下文推理优化器，通过分层分析、假设检测、结构化压缩与差异化比对四大能力，解决token成本失控、上下文衰减、假设遗漏、版本比对困难四大痛点.

输入格式

付费版专享能力

核心能力

• 分层分析策略：按文档长度自动选择层级组合——L0快速扫描（识别文档类型/结构/敏感性，低成本）→ L1深度分析（映射论证结构/识别假设/检测矛盾，中成本）→ L2聚焦深挖（深入高风险区域/交叉引用/生成修复建议，按需）。文档<5000字执行L0+L1一次完成；文档5000-50000字执行L0→L1→L2分层聚焦；文档超过50000字启用分块处理+三层分析。每层输出独立报告，支持按需跳过层级控制成本.
• 文档分块处理：超长文档（超过50000字）按章节/条款逻辑边界分块，逐块独立执行L0+L1分析，跨块关联识别引用依赖（如"第8条所述SLA标准"引用"附录B定义"），汇总整合后执行全局检查检测跨块矛盾（如第3条与第15条对违约金的描述不一致）。解决一次性填充上下文窗口导致的前文遗忘问题.
• 假设检测框架：将假设分为三类——显式假设（文档明确陈述的前提）、隐式假设（未明说但论证依赖的前提，如"服务可用性99.9%但未定义计算口径"）、缺失假设（需要但文档未涉及的，如"终止后数据迁移复杂度未评估"）。配套7项检查清单：未定义术语/范围边界/决策逻辑/风险转移/结构性混淆/事实推断与建议分离/显式隐式区分。缺失假设标记为最高风险等级.
• 结构化压缩：保留风险信号（以警告标记标注的条目必须保留），压缩背景叙述，合并重复条款，结构化呈现为"核心要点/风险标记/关键假设/建议行动"四段式摘要。输出token相比全文分析节省40-60%，同时不丢失任何风险信息.
• 差异化文档比对：版本识别 → 分块对应（按条款/章节逻辑块匹配）→ 差异识别（标记新增/删除/修改）→ 影响评估（每项变更的商业或法律影响）→ 风险标记（引入新风险的变更以警告标注）→ 汇总报告。仅分析差异部分，相比全文重新分析节省60-80%token.

分层分析策略

针对分层分析策略,自动解析输入参数、调度任务队列、格式化输出,返回结构化响应. 输入: 用户提供分层分析策略相关的配置参数、输入数据和处理选项. 输出: 返回分层分析策略的处理结果。- 验证返回数据的完整性和格式正确性

• 参考分层分析策略的配置文档进行参数调优

文档分块处理

针对文档分块,自动解析输入参数、调度任务队列、格式化输出,返回结构化响应. 输入: 用户提供文档分块处理相关的配置参数、输入数据和处理选项. 输出: 返回文档分块处理的处理结果。- 验证返回数据的完整性和格式正确性

• 参考文档分块处理的配置文档进行参数调优

假设检测框架

针对假设检测框架,自动解析输入参数、调度任务队列、格式化输出,返回结构化响应. 输入: 用户提供假设检测框架相关的配置参数、输入数据和处理选项. 输出: 返回假设检测框架的处理结果。- 验证返回数据的完整性和格式正确性

• 参考假设检测框架的配置文档进行参数调优

使用流程

第一步：解析上下文

提取文档类型（合同/备忘录/提案/政策）、目标受众、支持的决策、主要义务/主张/请求、商业或法律敏感性等级。确认分析意图（审查/压缩/比对/诊断）.

第二步：分层决策（按文档长度）

根据文档长度选择分析策略：

文档 < 5000 字 → L0 + L1（一次完成）
文档 5000-50000 字 → L0 → L1 → L2（分层，聚焦高风险）
文档 > 50000 字 → 分块处理 + L0 → L1 → L2

第三步：执行分层分析

L0快速扫描：识别文档类型与受众 → 提取主要标题与结构 → 标记关键义务/主张/请求 → 评估敏感性. L1深度分析：映射论证结构与逻辑流 → 识别显式与隐式假设 → 检测歧义/矛盾/未定义术语 → 标记风险信号. L2聚焦深挖：深入分析L1标记的高风险区域 → 交叉引用相关条款 → 评估法律或商业影响 → 生成修复建议.

第四步：假设检测（对照7项检查清单）

逐项检查：是否有未定义的关键术语？是否有缺失的范围边界？是否有缺失的决策逻辑？是否有隐藏的风险转移？是否有结构性混淆？事实、推断与建议是否分离？显式与隐式内容是否区分？缺失假设标记为最高风险.

第五步：输出标准格式与差异化比对

输出包含文档评估、核心逻辑、风险薄弱点、结构改进、建议下一步五段式报告。如需版本比对，执行分块对应 → 逐块diff → 影响评估 → 风险标记 → 差异报告.

错误处理

示例

示例1：SaaS供应商合同风险审查

输入： 用户提供一份30页的SaaS供应商合同，要求"审查风险"

执行：

1. L0扫描：识别为SaaS服务采购合同，受众为采购方法务与采购部门，敏感性高
2. L1深度：映射义务结构（供应商提供SaaS服务、采购方按年付费），识别隐式假设（SLA承诺99.9%可用性但未定义计算口径）
3. L2聚焦：深入SLA条款、数据归属条款、终止条款，交叉引用第8条与附录B

输出：

文档评估
目的: SaaS服务采购合同
受众: 采购方法务与采购
决策相关性: 涉及年付$120k，需采购决策
# ...
核心逻辑
* 供应商提供SaaS服务，采购方按年付费$120k
* SLA承诺99.9%可用性
* 数据归属采购方，但供应商有"运营数据"留权
# ...
风险/薄弱点
⚠️ SLA计算口径未定义（隐式假设：不含计划维护时间）
⚠️ "运营数据"范围模糊，可能涵盖采购方业务数据
⚠️ 终止后数据迁移期仅30天（缺失假设：迁移复杂度未评估）
⚠️ 自动续约条款隐藏在第18条，未在摘要中披露
# ...
建议下一步
* 法务复核SLA计算口径与"运营数据"定义
* 谈判延长数据迁移期至90天
* 显式opt-out自动续约条款

示例2：多版本文档差异化比对

输入： 用户提供合同v1和v2，要求"对比差异"

执行：

1. 版本识别：v1原版 vs v2修订版
2. 分块对应：按条款分块，建立v1与v2的条款对应关系
3. 差异识别：逐块比较，标记新增/删除/修改
4. 影响评估与风险标记

输出：

版本比对报告
# ...
新增条款
- 第22条 数据跨境传输: 需采购方书面同意
  影响: 增加合规义务，可能触发GDPR审查
# ...
删除条款
- 第15条 不可抗力免责: 原含"疫情"条款
  影响: 供应商风险增加，疫情场景无法免责
# ...
修改条款
- 第8条 SLA: 99.9% → 99.5%
  影响: 可用性下降0.4%，年停机时间增加约35分钟
- 第12条 终止: 30天通知 → 60天通知
  影响: 退出成本增加，需提前2个月规划迁移
# ...
新增风险
⚠️ 第22条未定义"跨境"范围（欧盟→美国是否触发GDPR）
⚠️ SLA下调未对应服务费降价

示例3：超长政策文件结构化压缩

输入： 用户提供一份80000字的政策文件，要求"结构化压缩"

执行：

1. 分块：按章节分为12块
2. 逐块L0+L1分析
3. 跨块关联：识别章节间引用（如第3章引用第7章的定义）
4. 全局检查：检测跨章矛盾
5. 结构化压缩：保留风险信号，压缩背景叙述

输出：

政策文件压缩摘要
# ...
核心要点（必读）
1. 数据处理需获得用户明示同意（第2章）
2. 跨境传输需额外审批（第7章，引用第2章同意要求）
3. 违规处罚上限为年营收4%（第11章）
# ...
风险标记（⚠️）
- ⚠️ 第3章与第7章对"用户数据"定义不一致
- ⚠️ 第9章处罚条款未区分故意与过失
# ...
关键假设
- "明示同意"定义为主动勾选（显式，第2章第4条）
- 审批周期默认30个工作日（隐式，第7章未明确但附录C暗示）
# ...
建议行动
- 统一"用户数据"定义
- 明确审批周期为法定时限
- 补充故意与过失的处罚区分条款

FAQ

Q1：长文档分析token成本太高怎么办？ A：使用分层分析策略。先执行L0快速扫描（低成本），仅对高风险区域执行L1/L2深度分析。对超长文档（超过50000字）使用分块处理。结构化压缩可减少40-60%输出token，差异化比对仅分析差异可节省60-80%token. Q2：模型对长文档"遗忘"前面的内容怎么办？ A：这是上下文衰减现象。使用文档分块处理，按章节逻辑边界分割，逐块独立分析，最后汇总整合并执行全局检查。避免一次性填充整个上下文窗口. Q3：如何确保不遗漏关键假设？ A：使用假设检测框架。将假设分为显式、隐式、缺失三类。使用7项检查清单逐项验证（未定义术语/范围边界/决策逻辑/风险转移/结构性混淆/事实推断建议分离/显式隐式区分）。缺失假设标记为最高风险. Q4：比对两个版本的文档如何操作？ A：使用差异化文档比对流程：确认比对版本 → 按逻辑块对应 → 逐块比较标记新增/删除/修改 → 评估每项变更影响 → 标记引入新风险的变更 → 生成差异报告。仅分析差异可节省60-80%token. Q5：分析结果能替代法律建议吗？ A：不能。本技能支持推理、结构化和分析，但不替代持牌法律建议、合同执行权限、采购审批或税务合规判断。输出作为分析支持，非正式签署。如需确定性，升级到专业法务. Q6：分块处理后如何发现跨章节的矛盾？ A：分块处理并非简单分割后各自独立。汇总整合阶段必须执行全局检查，识别跨章节引用与依赖关系（如第3条引用附录B的定义），标记互相矛盾的条款。这是分块流程的关键一步，不可省略.

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux

依赖项

API Key 配置

需要配置对应API Key，详见上文环境配置章节

可用性分类

• 分类: MD+EXEC（）

API Key配置方式:

export API_KEY="your_api_key_here"

配置后需重启会话或开启新终端生效。API Key应妥善保管,避免泄露到版本控制系统.

已知限制

1. 不替代持牌法律建议：仅支持推理、结构化与分析，不签署法律、税务或合规决定，不保证受监管事项的正确性。法律确定性判断需升级到专业法务.
2. 法律语言异质性挑战：LLM对法律语言的处理存在局限，对不确定的法律含义需明确标记不确定性，不编造确定性结论.
3. 超长文档仍受上下文窗口限制：分块处理可缓解上下文衰减，但跨块全局推理能力受限，复杂跨章节依赖可能遗漏.
4. 假设检测依赖文档内容：仅能基于文本识别假设，无法获取文档外的行业惯例或背景知识补充缺失假设.
5. 版本比对依赖分块对应准确性：若两版本结构差异巨大（如完全重写），分块对应失败，需人工介入确认对应关系.

输出格式

{
  "success": true,
  "data": {
    "result": "LLM助手中枢处理结果",
    "execution_time": "0.5s",
    "metadata": {
      "version": "1.0",
      "processor": "llm-assistant-hub"
    }
  },
  "execution_log": [
    "解析输入参数",
    "执行核心处理",
    "格式化输出结果"
  ],
  "error": null
}