1. 项目概述一个面向中国公司治理的AI助手最近在和一些创业的朋友聊天发现一个挺普遍的现象大家聊起产品、技术、市场都头头是道但一涉及到公司章程、股东会决议、董事会架构这些公司治理的“硬骨头”就有点犯怵。要么是直接套用工商局的模板要么是花大价钱请律师起草但自己心里还是没底总觉得那些条款离自己的业务实际有点远。这让我想起自己刚创业那会儿也是在这些文书上栽过跟头吃过亏。于是我花了一些时间基于开源的法律大模型 OpenClaw动手搭建了一个专门针对中国公司治理场景的AI助手。这个项目的核心目标很明确利用AI技术为创业者、法务、甚至律师同行提供一个在章程设计、股东会、董事会、监事会等公司治理核心环节的智能辅助工具。它不是要取代专业的法律顾问而是希望成为一个“副驾驶”帮你快速理清思路、生成基础文本、排查常见风险让你在和律师沟通时能更高效、更精准。简单来说这个AI助手能帮你做三件事第一根据你的公司类型比如有限责任公司、股份有限公司、股东结构、业务特点智能生成或优化公司章程草案重点处理股权比例、表决权、分红权、退出机制这些关键条款。第二模拟股东会、董事会、监事会的召开流程生成规范的会议通知、议程、决议文本并提示程序上的合规要点。第三就像一个随时在线的法务知识库回答你关于公司治理的常见问题比如“股东查账权怎么行使”“董事会和经理层职权怎么划分”这个工具特别适合这几类朋友正在筹备公司的创业者需要搭建初始治理架构公司发展到一定阶段需要优化章程的中小企业主以及日常需要处理大量公司文书的法务、律师可以用它来提高文本起草和初审的效率。接下来我就把这个项目的设计思路、实现细节和踩过的坑详细拆解一遍。2. 核心设计思路与方案选型做这个项目首要问题是公司治理文书高度专业化、强合规性AI如何可靠地介入我的思路不是让AI“创造”法律而是让它“理解”法律框架和商业逻辑再结合用户的具体输入进行“组装”和“风险提示”。整个系统的设计围绕“安全、精准、实用”三个原则展开。2.1 为什么选择OpenClaw作为基座模型市面上开源的中文法律大模型有好几个我最终选择OpenClaw是经过一番考量的。首先专业性对齐。OpenClaw是基于大量中文法律文书、裁判文书、法律法规进行预训练和微调的它在法律概念的理解、法条引用、法律文书格式上相比通用大模型有显著优势。我们处理的公司章程、决议等本质上都是法律文书需要模型有扎实的“法言法语”基础。其次对中文法律体系的支持更直接。公司治理的核心是《中华人民共和国公司法》以下简称《公司法》以及相关的司法解释、部门规章。OpenClaw的训练数据充分涵盖了这些内容让它能更好地理解“有限责任公司”和“股份有限公司”的区别“代表十分之一以上表决权的股东”提议召开临时股东会的程序性要求等中国特有的法律概念和阈值。当然直接用开源的OpenClaw原始模型是不够的。公司治理是一个垂直细分领域涉及大量非公开的、优质的章程范本和实务案例。这就需要我们进行二次训练也就是领域适配Domain Adaptation。2.2 领域知识注入如何让AI更懂“公司治理”为了让模型从“懂法律”进阶到“懂公司治理实务”我准备了多维度、高质量的训练数据法规与指引库核心是《公司法》全文及最新修订内容还包括《上市公司章程指引》、《中小企业股份转让系统业务规则》等针对性强的规范性文件。这确保了模型输出的底线是合规的。高质量章程与决议范本收集了数百份经过律师审核的、覆盖不同行业和公司阶段的公司章程、股东会决议、董事会决议范本。这些范本体现了实务中如何平衡法律强制规定与股东自治空间是模型学习“最佳实践”的关键。常见风险点与问答对整理了公司治理中高频出现的纠纷点和咨询问题。例如“同股不同权”的章程条款怎么写才有效股东出资不实其他股东如何追责董事会僵局表决票数相等的解决机制将这些场景和标准解答做成问答对用于模型的指令微调Instruction Tuning让它学会如何解答具体问题。程序性规则股东会、董事会的召集通知时间、表决方式举手、投票、通讯、决议生效条件等程序性细节。AI助手在生成会议文件时必须能自动校验并提示这些程序合规点。数据处理上我采用了“分阶段训练”策略。先用章程、决议等长文本进行继续预训练让模型吸收领域语料和文书风格。再用问答对和具体任务如“根据以下股东信息生成章程第X章”进行监督微调。这个过程里数据清洗至关重要必须剔除过时的、错误的或含有敏感个人信息的样本。2.3 系统架构设计从用户提问到可靠输出整个AI助手的后端我设计了一个相对清晰的Pipeline确保用户得到一个既有用又安全的答案。用户输入如“我们是三个朋友创业股权想按70%20%10%分怎么写章程” ↓ 意图识别与槽位填充模块 判断用户是想生成章程、咨询问题还是制作决议并提取公司类型、股权比例等关键信息 ↓ 法律合规校验模块 自动核对输入信息是否符合《公司法》强制性规定如有限责任公司股东是否超过50人 ↓ 知识检索增强模块 从本地向量数据库中检索最相关的法规条款、类似范本条款作为参考上下文 ↓ 大模型提示工程与生成 将用户问题、校验结果、检索到的参考信息组合成结构化的提示词送入微调后的OpenClaw模型 ↓ 输出后处理与格式化 将模型生成的文本按照标准法律文书格式进行排版并高亮提示其中的关键条款和风险点 ↓ 最终输出结构化章程草案章节 重点条款解读与风险提示这个架构的关键在于“检索增强生成RAG”和“多轮校验”。RAG保证了模型输出的内容有据可依不是凭空臆造极大地减少了“幻觉”即模型编造不存在法条或案例。而合规校验模块像一个前置过滤器能第一时间发现用户输入中的“硬伤”比如要求设立一个股东会、董事会、监事会都不设的有限责任公司这不符合《公司法》对组织机构的基本要求并给出友好提示。3. 核心功能模块深度解析这个AI助手主要聚焦于公司治理的三个核心环节章程设计、会议治理和智能咨询。下面我逐一拆解每个模块是怎么做的以及其中需要注意的“坑”。3.1 章程智能设计与条款定制公司章程是公司的“宪法”也是最体现AI价值的地方。用户的需求千差万别我们的目标是生成一份“骨架正确、血肉可定制”的草案。3.1.1 信息收集与模板匹配首先系统会通过一个结构化的问卷引导用户输入关键信息公司基本信息名称拟、住所、经营范围。股权结构股东姓名/名称、出资额、出资方式货币、实物、知识产权等、股权比例。这是核心中的核心。治理机构选择是否设董事会还是只设一名执行董事、是否设监事会还是只设一至二名监事。特殊需求是否有不同于“同股同权”的表决权安排是否有股权转让限制、优先购买权、分红特殊约定是否计划实施股权激励基于这些信息系统会从模板库中匹配一个最接近的基础模板。比如一个三个自然人的、设执行董事和监事的科技有限公司会匹配“有限责任公司中小规模”模板。3.1.2 核心条款的动态生成与解释接下来AI会根据输入动态生成并填充关键章节的条款并附上简明的“条款解读”股东权利与义务章节自动根据股权比例计算表决权。如果用户输入了“70%20%10%”条款会明确写“股东会会议由股东按照出资比例行使表决权”。如果用户有“同股不同权”需求AI会生成类似“尽管有前款规定股东A就其持有的股权享有每股X票表决权”的条款草案并醒目提示“该约定需全体股东一致同意并载于章程且不得违反法律强制性规定。建议咨询专业律师评估其稳定性。”股权转让章节这是纠纷高发区。AI会生成标准条款“股东向股东以外的人转让股权应当经其他股东过半数同意…其他股东自接到书面通知之日起满三十日未答复的视为同意转让。” 同时如果用户提出了额外限制如“转让需经全体股东同意”AI在生成条款后会补充风险提示“此约定严于公司法规定可能在未来阻碍股权流动性导致小股东退出无门请谨慎设置。”公司机构及其产生办法、职权、议事规则这是最体现程序性的部分。AI会根据是否设立董事会生成完全不同的章节。例如对于只设执行董事的会明确其职权和产生方式由股东会选举对于设董事会的会详细列出董事会人数、任期、董事长产生办法、议事方式如多少董事出席方能举行决议经全体董事多少比例通过。实操心得在训练模型生成章程时最大的挑战是平衡“灵活性”和“安全性”。最初版本过于灵活用户一些不切实际的想法比如“股东可以随时抽回出资”也会被生成进条款。后来我们在合规校验模块加强了干预对于明显违法或极高风险的约定系统会拒绝生成并给出法律依据和修改建议。这比生成后再提示更重要把风险拦在第一道门。3.2 股东会、董事会、监事会会议全流程辅助开好一个会程序合法和文书规范是基础。这个模块旨在把繁琐的程序性工作自动化、标准化。3.2.1 会议文件一键生成用户只需输入会议类型如“2023年第一次临时股东会”、时间、地点、议题系统便能自动生成一套文件会议通知包含召集人董事会、监事、或代表十分之一以上表决权的股东、会议时间、地点、议题、股权登记日等要素格式规范。会议议程将议题按顺序排列。决议草案这是核心。AI会根据议题生成对应的决议正文。例如议题是“选举新的董事”生成的决议草案会是“经本次股东会会议审议通过以下决议选举[候选人姓名]为公司第X届董事会董事任期X年。” 对于重大事项如增加注册资本草案中还会提示“本决议需经代表三分之二以上表决权的股东通过”。3.2.2 程序合规性实时校验这个功能非常实用。在用户填写会议信息时系统就在后台进行校验通知时限临时股东会需提前15日通知。如果用户设定的开会日期不满足立即提示。表决比例针对每个议题系统会自动标注所需表决权比例过半数、三分之二以上等并在生成决议模板时预留表决结果填写处。召集人资格校验召集人是否合法。比如一个持股5%的股东试图生成召开临时股东会的通知系统会提示“根据公司法代表十分之一以上表决权的股东方可提议召开临时股东会”。3.2.3 会议记录与归档辅助系统还可以生成会议记录的框架包括出席情况、审议过程、表决结果等提醒用户做好书面记录并妥善保管因为完备的会议文件是证明公司决议合法性的关键证据。注意事项AI生成的所有会议文件都是“草案”尤其是决议必须经过实际会议表决通过并由相关人员签字确认后才生效。我们会在文件末尾加上水印提示“本文件由AI生成仅供参考请根据实际会议情况修改并使用最终法律效力以各方签署的正式文件为准。” 这一点必须向用户强调避免误用。3.3 智能问答与风险点扫描这个模块像一个24小时在线的法务顾问回答具体问题并对已有文本进行风险排查。3.3.1 基于知识库的精准问答用户可以用自然语言提问比如“两个股东各占50%股权公司决策僵局怎么办” 系统会从知识库中检索给出多层次回答法律层面解释《公司法》关于股东会表决“一般事项过半数通过”的规定指出50%对50%确实可能导致僵局。章程设计建议建议在章程中设置僵局解决机制例如“当股东会就普通决议事项无法形成多数意见时可将议题提交董事会或第三方调解机构提出建议方案再重新表决。” 或者“设置一名股东在特定事项上拥有最终决定权需全体股东同意”。实务操作建议日常建立良好的沟通机制对于重大投资、预算等尽量在会前达成共识。3.2.2 文本风险点扫描与提示用户可以上传一份已有的章程或协议草案系统会进行快速扫描识别并高亮潜在风险点。例如缺失必要条款扫描发现章程中没有“公司的解散事由与清算办法”章节会提示补充。条款冲突发现“股东向股东以外的人转让股权需经其他股东三分之二以上同意”的条款会提示“该比例高于公司法规定的‘过半数同意’对转让方限制更严请确认是否为各方真实意思”。表述模糊发现“重大事项由董事会决定”的表述会提示“‘重大事项’定义模糊建议明确列举如超过净资产20%的对外投资、担保等”。程序瑕疵在股东会议事规则中发现“会议通知可口头进行”的条款会提示“根据公司法股东会会议应当于会议召开十五日前通知全体股东建议明确为书面通知”。这个功能对于法务初审或创业者自查非常有用能快速抓住重点问题。4. 模型训练与部署的实操细节把想法变成可用的服务中间有大量的工程和调优工作。这里分享一些关键步骤和遇到的坑。4.1 数据预处理与向量化我们收集的章程、决议、法规都是PDF或Word格式。第一步是用OCR和文本解析工具如pdfplumber、python-docx将其转化为纯文本。这里的关键是保持文本的结构信息。比如章程中的“第二章 注册资本和股东”这个标题需要和后面的条款内容关联起来。我们会用规则和轻量模型识别文档的层级结构篇、章、节、条、款、项。处理后的文本会被切割成适中的片段如256-512个token然后使用开源的嵌入模型如BGE-M3进行向量化存入向量数据库如ChromaDB或Milvus。向量数据库的作用是当用户提问时能快速找到语义最相关的文本片段作为上下文送给大模型。踩坑记录最初切割文本时简单按固定长度切割导致很多条款被从中间切断检索出来的上下文支离破碎严重影响了生成质量。后来改为按自然段落、条款进行切割并在片段前后保留少量重叠文本检索准确率大幅提升。4.2 模型微调与提示工程我们使用QLoRA技术在单张消费级显卡如RTX 4090上对OpenClaw的7B版本进行微调。QLoRA能在保持模型效果的同时极大降低显存消耗。微调数据构造 我们构造了两种格式的数据指令跟随数据{ “instruction”: “请根据以下信息生成公司章程中‘股东权利与义务’章节的草案。公司类型有限责任公司。股东及出资张三货币出资70万李四货币出资30万。”, “input”: “”, “output”: “生成的章程章节文本” }问答数据{ “question”: “股东可以查阅公司会计账簿吗有什么程序”, “answer”: “可以。根据《公司法》...股东应向公司提出书面请求并说明目的...” }提示工程Prompt Engineering 这是控制模型输出质量和安全性的关键阀门。我们设计了一个多段式提示词模板你是一个专业的中国公司法律师AI助手。请严格依据中国《公司法》及相关法规并参考以下提供的相关法律条文和范例回答用户问题或完成用户指令。 【相关法律依据】 {从向量数据库检索到的相关法条片段} 【相关范例】 {从向量数据库检索到的类似章程或决议条款} 【用户指令】 {用户的提问或指令} 【你的任务】 1. 首先判断用户需求是否合法合规。如有明显违法请求直接拒绝并说明法律依据。 2. 如果合规请先生成核心的法律文书内容如章程条款、决议草案。 3. 然后在“【风险提示与建议】”部分对生成内容中的关键点、潜在风险或用户可能忽略的程序进行提示。 4. 最后在“【重要声明】”部分统一注明“本内容由AI生成不构成正式法律意见。涉及重大权益请务必咨询执业律师。”通过这样的提示词我们强制模型遵循“分析-生成-提示-免责”的流程输出变得结构化且可控。4.3 系统集成与部署后端采用FastAPI框架构建整体架构轻量清晰。前端为了快速验证先用Gradio构建了一个简单的Web界面后来为了更好的用户体验用Vue重构。部署时我们将模型服务、向量数据库、Web应用容器化使用Docker Compose进行编排。对于模型推理使用了vLLM这样的高性能推理库它支持PagedAttention能显著提高吞吐量降低响应延迟。一个重要的环节是日志与反馈循环。我们记录了所有用户的提问和模型的回答并设计了一个简单的“反馈”按钮有用/无用。对于标记为“无用”的答案我们会进行人工复核将其加入到后续迭代的训练数据中让模型持续进化。5. 常见问题与避坑指南实录在开发和内部测试过程中我们遇到了不少典型问题。这里列出来如果你也想做类似应用可以提前规避。5.1 模型“幻觉”与事实性错误这是法律AI最致命的问题。模型可能会“自信地”编造一个不存在的法条号或者杜撰一个错误的程序。我们的解决方案强力RAG确保模型生成的关键信息尽可能来自检索到的上下文。在提示词中强调“严格依据以下提供的法律依据”。后处理校验编写规则对模型输出中出现的“《公司法》第XX条”进行正则匹配并与本地法规数据库核对如果条号不存在或内容严重不符则在返回给用户前进行拦截和修正。概率阈值过滤对于模型生成的非常确定但高风险的内容如涉及具体数字、比例如果模型自身的生成概率token probability低于某个阈值则触发二次确认或直接标注“此信息置信度较低请务必核实”。5.2 用户输入模糊或存在矛盾用户可能提供不完整或矛盾的信息比如既说“不设董事会”又在后续描述中提及“董事会决议”。我们的解决方案结构化输入引导在功能入口尽量使用表单、选择题等方式引导用户输入减少自由文本。比如选择“公司组织机构”时是单选“执行董事”还是“董事会”。输入一致性检查在信息提交到模型前进行逻辑校验。如果发现“股东人数60人”且“公司类型有限责任公司”会立即报错提示“有限责任公司股东不得超过50人”。澄清式反问对于无法自动解决的模糊点模型在输出中会主动提出澄清性问题。例如“您提到‘重大决策需一致同意’请问这里指的是‘全体股东一致同意’还是‘出席股东会的股东一致同意’这将对决策效率产生重大影响。”5.3 性能与响应速度法律文本较长加上RAG检索和复杂提示词可能导致响应慢影响用户体验。我们的解决方案向量检索优化对向量数据库进行索引优化并使用近似最近邻搜索ANN在精度和速度间取得平衡。流式输出对于生成章程等长文本任务采用流式传输Server-Sent Events让用户看到文字逐句出现感知上更快。缓存常用结果对于一些通用、标准的条款如标准的股东会通知模板直接缓存生成结果避免每次调用模型。5.4 责任边界与免责这是所有法律科技产品必须严肃对待的问题。我们绝不能让自己成为“AI律师”而承担不切实际的责任。我们的措施多重免责声明在用户协议、产品界面、每一次AI输出的末尾都有清晰、醒目的免责声明强调其辅助性和非法律意见属性。引导至专业服务在涉及股权结构设计、融资对赌、跨境投资等复杂问题时AI助手在给出基础信息后会明确建议用户“此问题涉及重大利益强烈建议聘请专业律师结合具体案情提供意见”并可提供查找正规律所的途径。内容审核对所有用户生成的内容在保存或下载时再次添加“AI生成草案仅供参考”的水印或页眉页脚。6. 未来迭代方向与个人体会目前这个助手还处于“能用”的阶段。回顾整个过程我的体会是做垂直领域的AI应用对领域知识的深度理解远比追求模型的规模更重要。一个在通用测试集上分数很高的模型如果不经过高质量的领域数据“喂养”和严谨的任务设计在专业场景下可能漏洞百出。下一步我计划从这几个方向继续迭代知识图谱融合目前的RAG还是基于文本片段的。如果能构建一个公司治理领域的知识图谱将股东、董事、会议、决议、法条等实体和关系结构化推理能力会更强。比如当用户修改某个股东的出资额时系统能自动推算出股权比例的变化并提示是否需要同步修改章程中的表决权条款。多轮对话与记忆让AI能记住在一份章程起草过程中的上下文。用户可以先说“设立一个董事会”后面再说“董事会人数5人”AI能自动将后一条信息补充到正确的章节而不是每次都要重新描述全部背景。案例学习引入更多的真实司法案例当然是脱敏的让AI不仅能告诉你“法条怎么写”还能提示你“类似的约定在法院判决中通常如何认定”这更具实务价值。最后我想再强调一次这个工具的定位它是一副“拐杖”而不是“双腿”是一个“智能助手”而不是“替代者”。它的价值在于提升效率、普及常识、降低初级错误但公司治理中那些关乎人性、利益平衡和战略选择的复杂决策依然需要创业者、股东和管理者们的智慧与互信。希望这个工具能成为一个可靠的起点帮助大家更从容地面对公司治理这门必修课。