法律文档总结

用例

本指南介绍如何利用Claude的高级自然语言处理能力来高效总结法律文档，提取关键信息并加快法律研究。通过Claude，您可以简化合同审查、诉讼准备和监管工作，在法律程序中节省时间并确保准确性。

访问我们的总结指南，查看使用Claude进行法律总结的示例实现。

使用Claude前的准备工作

决定是否使用Claude进行法律总结

以下是一些关键指标，表明您应该使用像Claude这样的LLM来总结法律文档：

大规模文档审查如果手动完成会非常耗时且昂贵。Claude可以快速处理和总结大量法律文档，显著减少文档审查的时间和成本。这一功能对于尽职调查、合同分析或诉讼发现等任务特别有价值，因为效率至关重要。
Claude可以高效地从法律文档中提取和分类重要元数据，如相关方、日期、合同条款或具体条款。这种自动提取可以帮助组织信息，使大量文档集更易于搜索、分析和管理。这对于合同管理、合规检查或创建可搜索的法律信息数据库特别有用。
Claude可以生成遵循预定格式的结构化总结，使法律专业人员更容易快速掌握各种文档的要点。这些标准化的总结可以提高可读性，便于文档之间的比较，并提升整体理解，特别是在处理复杂的法律语言或技术术语时。

确定你想要提取的详细信息

对于任何给定文档，都没有唯一正确的总结。如果没有明确的指示，Claude很难确定应该包含哪些细节。为了获得最佳结果，请确定你想要在总结中包含的具体信息。

例如，在总结转租协议时，你可能希望提取以下关键点：

details_to_extract = [
    '相关方（转租人、承租人和原出租人）',
    '物业详情（地址、描述和允许用途）',
    '期限和租金（开始日期、结束日期、月租金和保证金）',
    '责任（水电、维护和维修）',
    '同意和通知（房东同意和通知要求）',
    '特殊条款（家具、停车和转租限制）'
]

建立成功标准

评估总结的质量是一项出了名的具有挑战性的任务。与许多其他自然语言处理任务不同，总结的评估往往缺乏明确的客观指标。这个过程可能高度主观，不同的读者会重视总结的不同方面。以下是评估Claude执行法律总结表现时可以考虑的标准：

标准	描述
准确性	总结应准确表述文档中的事实、法律概念和关键点
正确性	术语和对法规、判例法或规章的引用必须正确并符合法律标准
简洁性	总结应将法律文档浓缩为其要点，而不丢失重要细节
一致性	如果总结多个文档，LLM应对每个总结保持一致的结构和方法
清晰度	文本应清晰易懂。如果受众不是法律专家，总结不应包含可能使受众困惑的法律术语
公正性	总结应公正、公平地呈现法律论点和立场

更多信息请参见我们关于建立成功标准的指南。

选择合适的Claude模型

在总结法律文档时，模型准确性极其重要。Claude 3.5 Sonnet对于需要高准确性的用例来说是极好的选择。如果文档的大小和数量较大以致成本成为考虑因素，你也可以尝试使用较小的模型如Claude 3 Haiku。

为了帮助估算这些成本，以下是使用Sonnet和Haiku总结1,000份转租协议的成本比较：

内容规模	数值
协议数量	1,000
每份协议字符数	300,000
总字符数	300M

预估令牌数	数值
输入令牌数	86M（假设每3.5个字符1个令牌）
每份总结输出令牌数	350
总输出令牌数	350,000

Claude 3.5 Sonnet预估成本：

项目	计算	成本
输入令牌成本	86 MTok * $3.00/MTok	$258
输出令牌成本	0.35 MTok * $15.00/MTok	$5.25
总成本	--	$263.25

Claude 3 Haiku预估成本：

项目	计算	成本
输入令牌成本	86 MTok * $0.25/MTok	$21.50
输出令牌成本	0.35 MTok * $1.25/MTok	$0.44
总成本	--	$21.96

将文档转换为Claude可处理的格式

在开始总结文档之前，你需要准备数据。这涉及从PDF中提取文本、清理文本，并确保它可以被Claude处理。

以下是对样本PDF进行此过程的演示：

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])
    # 删除多余空白
    text = re.sub(r'\s+', ' ', text)
    # 删除页码
    text = re.sub(r'\n\s*\d+\s*\n', '\n', text)
    return text

# 从GitHub仓库创建完整URL
url = "https://raw.githubusercontent.com/anthropics/anthropic-cookbook/main/skills/summarization/data/Sample Sublease Agreement.pdf"
url = url.replace(" ", "%20")

# 将PDF文件下载到内存中
response = requests.get(url)
# 从内存加载PDF
pdf_file = BytesIO(response.content)
document_text = get_llm_text(pdf_file)
print(document_text[:50000])

在这个例子中，我们首先从总结指南中下载一个样本转租协议的PDF。这份协议来源于sec.gov网站上公开可用的转租协议。

我们使用pypdf库提取PDF的内容并转换为文本。然后通过删除多余空白和页码来清理文本数据。

构建强大的提示词

Claude可以适应各种总结风格。你可以更改提示词的细节，引导Claude变得更详细或简洁，包含更多或更少的技术术语，或提供更高层次或更低层次的上下文总结。

以下是如何创建提示词以确保在分析转租协议时生成的总结遵循一致结构的示例：

import anthropic

# 初始化Anthropic客户端
client = anthropic.Anthropic()

def summarize_document(text, details_to_extract, model="claude-3-5-sonnet-20241022", max_tokens=1000):
    # 格式化要提取的细节以放入提示词的上下文中
    details_to_extract_str = '\n'.join(details_to_extract)
    
    # 提示模型总结转租协议
    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},
            {"role": "assistant", "content": "Here is the summary of the sublease agreement: <summary>"}
        ],
        stop_sequences=["</summary>"]
    )
    return response.content[0].text

sublease_summary = summarize_document(document_text, details_to_extract)
print(sublease_summary)

评估你的提示词

提示词工程通常需要测试和优化才能投入生产。为了确定解决方案的就绪程度，请使用结合定量和定性方法的系统化过程来评估总结的质量。基于您定义的成功标准创建强有力的实证评估将帮助您优化提示词。

以下是一些您可能希望包含在实证评估中的指标：

指标类型	描述
ROUGE分数	测量生成的总结与专家创建的参考总结之间的重叠度。此指标主要关注召回率，用于评估内容覆盖度
BLEU分数	虽然最初是为机器翻译开发的，但这个指标可以用于总结任务。BLEU分数测量生成的总结与参考总结之间n-gram匹配的精确度
语义相似度	这种指标涉及创建生成的和参考总结的向量表示（嵌入）。然后计算这些嵌入之间的相似度，通常使用余弦相似度
LLM评分	这种方法涉及使用像Claude这样的LLM根据评分标准评估生成的总结质量。评分标准可以根据您的具体需求定制

部署你的提示词

在将解决方案部署到生产环境时，需要考虑以下额外因素：

确保无责任：理解总结中的错误可能导致的法律责任，这可能会影响您的组织或客户。提供免责声明或法律通知，说明总结是由AI生成的，应由法律专业人员审查。
处理多样化文档类型：在本指南中，我们讨论了如何从PDF中提取文本。在现实世界中，文档可能以各种格式出现（PDF、Word文档、文本文件等）。确保您的数据提取流程能够转换您预期接收的所有文件格式。
并行化Claude API调用：长文档可能需要长达一分钟的时间让Claude生成总结。对于大型文档集合，您可能希望并行发送API调用，以便在合理的时间内完成总结。参考Anthropic的速率限制来确定可以并行执行的最大API调用数量。

用例​

使用Claude前的准备工作​

决定是否使用Claude进行法律总结​

确定你想要提取的详细信息​

建立成功标准​

选择合适的Claude模型​

将文档转换为Claude可处理的格式​

构建强大的提示词​

评估你的提示词​

部署你的提示词​

用例