LLM助手中枢

LLM助手中枢是一个针对商业、法律等高风险长文档的长上下文推理优化器。针对传统长文档分析"token成本失控、上下文衰减(context rot)、法律语言异质性、推理链压缩丢失、假设遗漏、版本比对困难"六大痛点,构建了分层分析与分块、聚焦检索与锚定、假设检测框架、结构化压缩和差异化文档比对五大核心能力。 核心能力包括:从长文档中提取核心逻辑;识别缺失假设与薄弱推理;澄清结构、论证流程与决策相关性;检测不一致、歧义与隐藏风险;在不丢失关键细节的情况下改善摘要;将密集内容重写为更清晰可用的格式;多版本文档差异比对。 适用场景:合同审查准备、商业备忘录分析、提案与红线审查、政策对比、谈判简报准备、董事会或高管备忘录压缩、法律相关文档结构化。 差异化亮点:相比原始版本,新增分层分析策略(快速扫描→深度分析→聚焦深挖)、文档分块处理(解决context rot)、假设检测框架(显式vs隐式vs缺失)、结构化压缩模板(保留风险的精简)、差异化比对流程(版本diff)、token成本预估与优化建议、推理原则清单、FAQ与故障排查。 触发关键词:LLM助手中枢、长文档推理、合同分析、假设检测、文档比对、结构化压缩、llm-assistant、long-context、reasoning

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。

适用场景

使用本技能当你需要:

• 分析长合同、备忘录、提案或谈判文件
• 提升密集书面材料的推理质量
• 浮现矛盾、薄弱逻辑或缺失假设
• 将大文档压缩为决策就绪的摘要
• 在审查或审批前加强文档结构
• 比较长篇文档的多个版本

本技能不:

• 替代持牌法律建议
• 保证受监管或高风险事项的正确性
• 签署法律、税务或合规决定
• 替代专业法律顾问

---

分层分析策略(差异化)

针对context rot(上下文衰减)和token成本,采用分层分析:

L0 快速扫描(低成本)

• 识别文档类型与受众
• 提取主要标题与结构
• 标记关键义务、主张或请求
• 评估商业或法律敏感性

L1 深度分析(中成本)

• 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(按需)

• 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

分层决策

text

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

文档分块处理(差异化)

对超长文档进行分块,避免context rot:

分块策略

文档长度	分块方式	说明
<5000字	不分块	单次分析
5000-50000字	按章节分块	逻辑边界划分
>50000字	按章节+摘要分块	先摘要再深挖

分块分析流程

1. 分块:按章节/条款逻辑边界分割
2. 逐块分析:每块独立执行L0+L1
3. 跨块关联:识别跨章节的引用与依赖
4. 汇总整合:合并各块分析结果
5. 全局检查:检测跨块矛盾与遗漏

标准输出格式

text

文档评估
━━━━━━━━━━━━━━━━━━━━━━━━━━
目的: [文档试图做什么]
受众: [输出面向谁]
决策相关性: [为什么重要]

核心逻辑
━━━━━━━━━━━━━━━━━━━━━━━━━━

* [主要主张/义务/商业要点]
* [支持逻辑]
* [关键假设]

风险/薄弱点
━━━━━━━━━━━━━━━━━━━━━━━━━━
⚠️ [歧义]
⚠️ [矛盾]
⚠️ [缺失假设]
⚠️ [商业或法律风险信号]

结构改进
━━━━━━━━━━━━━━━━━━━━━━━━━━

1. [如何使推理更清晰]
2. [如何减少歧义]
3. [如何提升决策有用性]

建议下一步
━━━━━━━━━━━━━━━━━━━━━━━━━━

* [进一步审查/重写/比对版本/升级到法务/准备摘要]

假设检测框架(差异化)

假设分类

类型	特征	处理方式
显式假设	文档明确陈述的前提	验证合理性
隐式假设	未明说但论证依赖的前提	标记并质疑
缺失假设	论证需要但未涉及的前提	高亮为风险

检查清单

• 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?

推理原则

• 保留关键细节,不为压缩牺牲风险
• 分离事实、推断与建议
• 识别显式与隐式内容
• 在提出结论前高亮缺失假设
• 宁可清晰,不要华丽
• 绝不编造法律或商业确定性

执行协议

当用户提供长文档时,遵循此序列:

步骤1:解析上下文

提取:

• 文档类型
• 目标受众
• 支持的决策
• 主要义务、主张或请求
• 商业或法律敏感性

步骤2:识别逻辑结构

映射:

• 文档在说什么
• 为什么重要
• 依赖什么假设
• 在审视下可能失败什么

步骤3:检测薄弱点

检查:

• 歧义
• 矛盾
• 未定义术语
• 缺失范围边界
• 缺失决策逻辑
• 隐藏风险转移
• 结构性混淆

步骤4:提升有用性

根据请求:

• 摘要
• 重写
• 比对
• 诊断
• 转化为简报/备忘录/检查清单

步骤5:护栏

如无法从文本确定法律或商业确定性:

• 明确说明
• 标记不确定性
• 不编造信心

结构化压缩(差异化)

在不丢失关键风险的前提下压缩文档:

压缩原则

1. 保留风险信号:所有⚠️标记内容必须保留
2. 压缩背景:非关键背景信息可大幅精简
3. 合并重复:相同要点的多次陈述合并
4. 结构化呈现:用列表替代段落

压缩模板

markdown

## [文档名] 压缩摘要

### 核心要点(必读)
1. [关键义务/主张]
2. [关键义务/主张]

### 风险标记(⚠️)
- ⚠️ [风险1]: [简述]
- ⚠️ [风险2]: [简述]

### 关键假设
- [假设1](显式/隐式/缺失)

### 建议行动
- [行动1]
- [行动2]

差异化文档比对(差异化)

比对长篇文档的多个版本:

比对流程

1. 版本识别:确认比对版本(原版vs修订版)
2. 分块对应:将两版本按逻辑块对应
3. 差异识别:逐块比较,标记新增/删除/修改
4. 影响评估:评估每项变更的影响
5. 风险标记:标记引入新风险的变更
6. 汇总报告:生成差异报告

比对输出格式

markdown

## 版本比对报告

### 新增条款
- [条款X]: [内容] → 影响: [评估]

### 删除条款
- [条款Y]: [原内容] → 影响: [评估]

### 修改条款
- [条款Z]: [原内容] → [新内容] → 影响: [评估]

### 新增风险
- ⚠️ [风险描述]

激活规则

使用本技能当用户询问关于:

• 长文档
• 合同类文本
• 法律相关审查
• 备忘录分析
• 商业文档推理
• 带细节的密集文本摘要
• 比对文档的两个长版本

不使用本技能当:

• 用户只需简单短重写
• 用户需要创意写作而非推理
• 用户需要正式法律建议或签署
• 用户要求文本不支持的确定性

上下文模糊时

询问: "您需要深度推理和文档分析,还是简单的重写?"

token成本优化建议(差异化)

策略	节省	适用场景
分层分析(L0先行)	30-50%	不确定是否需要深度分析
文档分块	20-40%	超长文档(>50000字)
结构化压缩	40-60%	需要摘要输出
聚焦深挖(仅高风险)	50-70%	已识别风险区域
版本比对(仅差异)	60-80%	多版本文档

常见问题FAQ

Q: 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(>50000字)使用分块处理。结构化压缩可减少40-60%输出token。

Q: 模型对长文档"遗忘"前面的内容怎么办? A: 这是context rot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。避免一次性填充整个上下文窗口。

Q: 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(文档明确陈述)、隐式(未明说但依赖)、缺失(需要但未涉及)三类。使用检查清单逐项验证。缺失假设标记为最高风险。

Q: 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。1)确认比对版本;2)按逻辑块对应;3)逐块比较标记新增/删除/修改;4)评估每项变更影响;5)标记引入新风险的变更;6)生成差异报告。仅分析差异可节省60-80%token。

Q: 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。

Q: 如何处理法律语言的异质性挑战? A: 法律语言具有高度异质性,对LLM构成挑战。建议:1)先识别文档类型(合同/备忘录/提案);2)提取关键术语并验证定义;3)使用假设检测框架标记未定义术语;4)对不确定的法律含义明确标记不确定性,不编造确定性。

故障排查

问题	原因	解决方案
分析遗漏关键内容	一次性处理超长文档	使用分块处理,逐块分析后汇总
输出过于冗长	未使用结构化压缩	应用压缩模板,保留风险标记
假设检测不完整	未使用检查清单	逐项执行假设检测检查清单
版本比对遗漏变更	未按逻辑块对应	确认两版本分块对应关系后再比较
推理质量下降	上下文窗口过载	使用分层分析,聚焦高风险区域
法律确定性误判	模型编造信心	执行护栏步骤,标记不确定性
token成本过高	全文深度分析	使用L0快速扫描+聚焦深挖策略

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

第三方依赖

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

• 本技能基于Markdown指令,无需额外API Key
• 长文档分析会消耗较多token,建议关注token用量

可用性分类

• 分类: MD(纯Markdown指令,无需命令行执行能力)
• 说明: 基于Markdown的AI Skill,通过自然语言指令驱动Agent对长文档进行推理分析。核心功能仅需LLM能力,无需外部工具。