解决什么问题：机构数据不能出内网，又想用上 AI 的合同审查能力。这是一家银行的真实做法，我把架构拆开讲。适合有数据安全硬约束的律所、法务部门和机构参考。
先交代约束条件
交流会上，一位来自银行的参会者分享了他们的实践。约束很硬：OA 电脑是全封闭的局域网，合同数据不能拿出来训练，本地的大模型平台又比较弱。
这个约束条件，不少律所和机构听着耳熟。客户资料不能出域，但又眼馋大模型的能力。他们趟出了一条路，值得讲。
他们的前身：一个 95% 准确率但更新不起的系统
先说他们早年的一次投入，这个教训比后面的方案更有警示性。
大模型出来之前，他们找垂类技术公司做过一套托管合同审查系统，小模型路线。效果好到什么程度？在他们的合同审查量里，准确率稳定在 95% 以上。问题是投入到了近百万量级，而且后来的更新极难——规则一变，改动成本高得吓人。
小模型时代的确定性是真的，迭代成本也是真的。换成大模型吧，又有新的不放心：大模型是猜的，可能前三次都很对，第四次就不对。那种知道 5% 错在哪里的日子，回不去了。
双轨架构：把提炼和执行拆开
他们业务部门的最终方案，拆成两半。
一半在墙外，提炼规则。在外部的电脑上，用强模型做规则提炼。关键在语料的选择——用的是公募基金托管合同，这类合同本来就是公开披露的，没有数据安全问题。强模型把这些透明合同吃透，提炼出审查规则。
一半在墙内，双轨执行。提炼好的规则包拉回内网。执行层是两条轨并行：一条是传统的规则库关键字检索，确定性强但僵硬；一条是本地模型的语义理解，灵活但有不确定性。两条轨互相校验。
我听完的总结是一句话：好模型做计划，差一点的模型做执行。
规则的提炼需要最强的模型，那是一次性的智力活；规则提炼出来以后，执行环节本地小模型就够用，那是重复性的体力活。强模型的活做完就撤，执行环节的确定性交给规则库，灵活性交给语义理解。
这套架构可借鉴的三点
第一，语料的公开性是前提。他们能用这个方案，是因为公募基金托管合同本身要公示。换到你的场景，先问：我的领域有没有公开语料可以拿来提炼规则？裁判文书、指导性案例、公开范本，都是候选。
第二，流动的是规则，不是数据。出域的只是规则包，真实合同从头到尾没离开过内网。这是整个架构的安全支点。
第三，双轨互为校验。关键字轨知道“错在哪”，语义轨知道“什么意思”。单用哪一轨都有短板，并排跑才稳。
坑和局限
这个方案不是零门槛。规则提炼的质量，取决于公开语料和你真实业务的贴近程度——托管合同恰好高度标准化，换到千差万别的业务场景，规则的代表性要打个问号。本地小模型的性能要有心理预期，它干执行够了，干不了规划。另外，规则包本身也要持续更新，老系统“更新不起”的教训就在前面。
最后：墙没破，能力进来了
数据安全和大模型能力，不是一个二选一的题。
把“用 AI”拆成“提炼”和“执行”两段，让强模型在公开语料上做它最擅长的一次性智力活，让本地小模型在封闭环境里做重复执行。数据一步没出门，能力已经到岗。
作者简介： 陈石律师，浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，宁波市律师协会副秘书长、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办“首宗百亿地王”“长春第一高楼”“台州第一高楼”等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。四明山法师 AI 夜校（legalAGI.cn）发起人。