说实话，接到合同对比需求的时候，我自信满满。不就是把两份文本标出不同吗？Linux的diff命令都能做。结果第一份测试合同就教我做人——PDF里带着“公司内部使用”的水印，每一页都有。我写的脚本把水印文字也当成正文去比较，于是每一页都报告“内部使用”被删除了又新增了，满屏红色绿色，根本没法看。
我花了两周时间手写了一套相对完整的对比流程：PDF解析、水印过滤、页眉页脚剔除、句子切分、编辑距离对齐、差异高亮。调参调到眼瞎，好不容易在一个合同上效果不错，换一个带表格的合同又全乱了。法务同事看我的眼神从期待变成了同情。
后来研究AI Agent的时候，去看了眼Dify和Coze。它们做对话问答挺顺手，但合同对比这种“比”而不是“问”的场景，没有现成的模板。而且公司数据敏感，不能上传到云上。正愁的时候，在开源社区刷到一个项目，支持私有化部署，还有可视化工作流。节点化设计让我眼前一亮：PDF解析、正则替换、文本对齐、HTML输出——全都能拖拽组合。
我搭的第一个版本大概花了半天。先在画布里拖两个“文件输入”节点，各自接一个“PDF解析”。然后分别过一个“文本清洗”节点，里面写了几条正则，把“水印、页码、保密声明”全删掉。接着是“对齐”节点——我用了一个现成的文本比较节点（社区有人贡献过），按句子粒度做diff。最后是“HTML渲染”，输出一份绿红相间的报告。跑了一下测试合同，效果居然比我手写的脚本好，因为那个对齐节点内部做了更智能的模糊匹配。
最爽的是迭代。法务说“能不能把修改过的条款单独列一个摘要，不用全部展示”，我在渲染节点前面加了一个“差异摘要提取”节点，配置只输出包含增删改的段落标题，十分钟搞定。还有一次需要对比OCR扫描件，我直接在解析节点后面加了一个“OCR纠错”节点，把常见的识别错误（比如“0”和“O”混淆）提前替换掉。换以前，这些都得改代码、重新部署、怕影响其他功能，现在在画布里改改节点配置就行。
缺点也很真实。节点多了以后画布连线像蜘蛛网，我有次不小心把清洗节点连错了顺序，导致水印过滤跑在分词之后，效果大打折扣。还有就是复杂的循环逻辑——比如要分页处理一个大PDF，每页分别清洗再合并——工作流配置起来没有写代码那么直观。但话说回来，日常的合同对比场景基本够用，那些极端情况手动处理也行。
这个合同对比助手现在成了法务部的常用工具。我自己的感受是：可视化工作流最适合那些“流程相对固定，但细节经常调整”的内部工具。它不会取代写代码，但能让你少写很多胶水代码，把精力放在真正难的地方。
你们在搞文档对比或者RAG的时候，遇到过哪些特别坑的格式？来评论区一起吐槽，顺便交流一下解法。
