FinePrint — 一個使用Gemma 4解讀掠奪性合約的人工智能隨身律師

## 我們所建構的

上一個派任季節，一個朋友拿著一份工作聘書來找我。他非常興奮——第一份真正的聘書。我看了條款3。它說如果他未滿3年就辭職，他就欠公司200,000盧比。他完全不知道有這條款。他差點就簽了。他將會被鎖定3年，沒有辦法脫身。他是一名開發者。那是他整個早期職業生涯。

他不是唯一的人。每年，成千上萬的學生簽署僱傭合約、實習協議和租賃契約，卻不瞭解他們在同意什麼。這些條款是故意寫得複雜的。罰則隱藏在條款4、條款7、條款11中。而且大多數人——尤其是剛畢業的學生——沒有律師可以求助。

這就是為什麼我們建立了FinePrint。

FinePrint 是一款開源的人工智能合約保護工具，由 Gemma 4 驅動。上傳照片、PDF，或貼上任何合約文本。FinePrint 會閱讀它，找出每個陷阱，並告訴你什麼是危險的，什麼需要談判，以及什麼永遠不要簽署.

你會得到：

🔴 風險分數 (0–100) — 合約的主觀危險等級
🟡合適度分數 — 契約與您個人目標的符合程度
⚖️ 最終裁決 — 接受 / 討價 / 拒絕，並附帶直接的理由
紅旗項目的簡潔英文解釋
對每個危險條款的更安全建議修改
針對每個條款的實際談判技巧
即將發送的個人化談判郵件
可分享的報告連結 + 可下載的 PDF 檔案
合約比較 — 上傳 v1 和 v2，看看變更了什麼

這不是一份文件閱讀器。這是一套合約保護引擎。閱讀文件能告訴你文件說了什麼。FinePrint 能告訴你對你的特定情況意味著什麼，公司試圖從你那裡取得什麼，以及確切該如何回應。

## 示範

🔗 直播：https://tarkashlabs-fineprint.vercel.app

想親自試試嗎？前往直播應用程式，並在「嘗試範例」下點擊「學校債券」。填寫您的需求，然後點擊「分析」。

這是一份FinePrint對一份真實的掠奪性實習合約的回傳結果：
🔴 風險分數： 98 / 100 — 危險
🔴 兼容性： 20 / 100 — 低匹配

❌ 判決：拒絕

「此合約違反所有使用者要求 — 未付薪崗位、
個人專案之IP所有權、₹1,00,00,000保證金罰款、
強制加班，以及18個月的非競爭協議。」

FinePrint還有一個比較模式 — 上傳原始合約及修改後的合約，Gemma 4 就會告訴你哪些地方改進了，哪些地方仍有危險，以及哪些是新的內容.

## 程式碼

🐙 GitHub: https://github.com/Tarkash-Labs/FinePrint

Frontend:  React + Vite + Tailwind CSS
Backend:   Python + FastAPI + async SSE streaming  
AI:        Gemma 4 via Google AI Studio
Deploy:    Vercel + Render

後端是 ~650 行的异步 Python。結果會隨著 Gemma 4 處理它們逐句流動——紅旗會實時出現，而不是在長時間等待後才出現。所有報告狀態都保存在使用 gzip 壓縮的无状态可共享 URL 中——沒有數據庫，沒有伺服器端存儲.
這是 FinePrint 有效運作的核心——發送合約 AND 用户的個人目標到 Gemma 4 的提示：

def _build_analysis_prompt(contract_label: str, focus_areas: str, requirements: str) -> str:
  requirements_text = requirements.strip() or "None provided."
  return f"""
You are a ruthless, detail-oriented legal expert specializing in {contract_label} contracts. Your job is to protect the user.
Analyze this contract and return a JSON with exactly these fields:
{{
  "risk_score": <integer 0-100>,
  "compatibility_score": <integer 0-100>,
  "verdict": "ACCEPT" | "NEGOTIATE" | "REJECT",
  "verdict_reason": "<1-2 sentence explanation referencing requirements and clauses>",
  "requirement_breakdown": [
    {{"requirement": "<specific user requirement>", "met": true/false, "explanation": "<why it was or wasn't met>"}}
  ],
  "red_flags": [
    {{
      "clause_title": "...", 
      "clause_text": "<EXACT text from the contract>", 
      "plain_english_explanation": "<Briefly state the risk>", 
      "negotiation_tip": "<Actionable advice on what the user should ask to change>",
      "suggested_rewrite": "<Provide a safer, alternative 1-2 sentence rewrite for this clause that the user can propose>",
      "severity": "high|medium|low"
    }}
  ],
  "safe_clauses": [{{"clause_title": "...", "plain_english_explanation": "..."}}]
}}

CRITICAL RULES:
1. Return ONLY valid JSON. No preamble. No markdown blocks.
2. DETECT ALL RED FLAGS. Do not summarize them into one. If there are 5 bad clauses, list 5 red flags.
3. You MUST extract the exact original text for "clause_text". 
4. The "risk_score" is objective based on standard legal risks. Focus heavily on: {focus_areas}.
5. The "compatibility_score" MUST directly reflect the User Requirements below. If a requirement is completely violated, score drops.

User Requirements to evaluate against:
{requirements_text}

Verdict guidance:
- ACCEPT when risk <= 30 and compatibility >= 70.
- REJECT when risk >= 61 or compatibility <= 30.
- Otherwise NEGOTIATE.
""".strip()

這個獨特的提示是為什麼 FinePrint 的輸出是個性化的而不是通用的。Gemma 4 同時閱讀合約和用戶的人生目標。

## 我們如何使用 Gemma 4

模型路由是一個在真實測試後做出的有意決定——不是預設選擇。

步驟 1 — Gemma 4 MoE → 多模態 OCR
當使用者上傳照片或 PDF 時，MoE 模型會直接讀取文件圖像並提取原始文本。使用者可以用手機拍攝一份實體合約——一份實際印刷的紙張——然後上傳。Gemma 4 的原生多模態視覺功能處理剩下的部分。無需手動複製貼上。無需易損的第三方 OCR 庫.

這個步驟不需要法律推理。它需要快速、準確的圖像讀取。MoE 架構是正確的選擇。

第二步 — Gemma 4密集31B → 所有需要思考的事情
所有法律推理都運行在密集31B上 — 子句分類、風險評分、兼容性分析、簡潔英文解釋、建議修改、談判技巧，以及個人化談判郵件。

我們明確測試了 MoE 用於法律分析。在一份包含 5 項關鍵違規的合約中，它返回了 1 個通用紅旗。而 Dense 31B 則返回了全部 5 項——包括精確的條款文本、嚴重性評級、談判建議和建議的修改方案。

法律推理需要最強大的模型。我們在關鍵之處使用它。

兼容性分數——這是 FinePrint 與其他所有文件 AI 的區別所在

在分析之前，FinePrint會要求用戶的個人需求 — 他們計劃停留多久，是否需要側項目，最低補償，搬遷偏好。這些會與合約文本一起輸入Dense 31B提示中。

此模型同時讀取兩者並判斷是否一致。對於計劃六個月後離開的人和計劃五年職業生涯的人，同樣的IP分配條款評分方式會有很大不同。基於規則的系統無法做到這一點。Gemma 4能做到。

輸出不是「此條款有風險。」而是「此條款對你特別有風險。」」」

FinePrint實際解決的問題

法律素養的差距是結構性的。有錢的人有律師。其他人簽收他們拿到的任何文件.

Harvey AI 證明了大型語言模型可以轉變法律分析——它們為頂級律師事務所提供服務，估值達到7.15億美元。FinePrint 帶來了同樣的能力，並讓它免費供那些事務所永遠不會服務的人民使用。

印度的校園派職約束每年影響數十萬學生。他們中的大多數以前從未讀過法律文件。許多人簽署了法律上無法違約的約束——而且只在多年後他們嘗試離開一份他們討厭的工作時才發現。

FinePrint是沒有律師能即時連線的人們的第一道防線。它並不能取代法律諮詢——每份分析的最下方都有聲明說明這個原因——但它能讓人們在簽署任何文件前知道該問哪些正確的問題.

接下來是什麼
FinePrint 今天保護學生和初級開發者免受掠奪性合約的傷害。同樣的 Gemma 4 架構可擴展至租賃合約、自由職業者保密協議，以及風險投資者條款表 — 我們已經支援所有七種合約類型。長期目標：一個瀏覽器擴充功能，可在您打開的任何文件上標示紅旗，以及一個其他應用程式可以整合的 API。法律素養差距巨大。我們才剛開始.

由 Tarkash Labs 建立
@dj29 & @yug_vasava

推薦訂閱源

DEV Community