法务、合规、审计这类团队，文档资产有个共同特征：体量不大，但格式极杂、敏感度极高。一份两年前的合同，三分钟内调得出来吗？对多数团队来说，答案并不乐观。本文从工程视角拆一下，为什么合同与卷宗会堆成"数据泥潭"，以及压缩、私有化检索、RAG/Agent 这套链路在技术上是怎么串起来的。
一、文档为什么会变成"数据泥潭"
先看存储侧。存储分析机构 Komprise 的调研显示，企业 NAS 上有 60%--70% 的数据超过 90 天没有被访问过，却仍占用着最贵的主存储空间。也就是说，真正在用的只是冰山一角，大部分是沉淀下来的历史合同、卷宗和证据包。它们既占成本，又让检索变慢。
再看人力侧。Knowledge Worker/Intelligence 基金会 2025 年的一份报告做了对比：没有知识管理体系的团队，员工平均每周要花 8.5 小时找东西；体系搭起来之后降到 4.6 小时。折算到每千名员工，这一进一出大约能释放出 98 个全职人力。法务的时间更金贵，找一份旧合同、一份类案判决，往往卡在三个环节：东西在哪儿、能不能马上打开、内容能不能被检索到。
把这两组数据放一起，结论很直接：文档不是存下来就完了，能不能被快速找到、能不能被模型消费，才是成本的分水岭。
二、压缩不是省硬盘，是给模型做"瘦身预处理"
法务材料里大量内容是图片：扫描的合同页、盖章件、证据照片。很多团队想用检索增强生成（RAG）搭自己的法务知识库，但大模型对单次能消化的上下文有上限，一份两三百页的 PDF、几百张证据图直接丢进去，要么被截断，要么 token 成本高到没法算。材料不先瘦身，RAG 根本无从谈起。
这里值得做点原理科普。图片压缩大致分两类：无损压缩保留全部像素信息，文件仍可能很大；有损压缩通过丢弃人眼不敏感的高频细节来大幅减小体积，但对扫描件要特别小心------印章的红、签字的笔锋、骑缝章的连续性，都是必须保留的可辨识要素，压过头就糊了，反而影响后续 OCR 和人工核对。
真正的坑往往在"跨格式一致性"。同一批合同，有的来自 PDF，有的是 Word 内嵌图，有的是纯扫描件，如果每种格式走不同的压缩路径，结果就是"这个压完很干净、那个压完发糊"。近期有厂商把图片压缩的核心能力统一收拢成一致模块，带来的变化很实在：无论原稿是 PDF、Word 还是纯扫描，里面的图片处理表现是一致的。落到法务场景，就是同一批合同用同一套口径处理，质量稳定、不挑格式，印章和关键要素可预期地保留。这类"口径统一"的能力，选型时比单纯看压缩率更值得关注。
体积降下来之后，收益是连锁的：一份原本发不出去的邮件附件能直接发，几百兆的案件包能顺畅同步到异地办公室，RAG 入库前的预处理 token 成本也明显降下来。
三、大模型 token 成本：为什么必须先瘦身再喂
理解 token 成本，先要理解它怎么计费。文本按 token（大致是词或字片段）计价，而图片走视觉通道时，往往要被切成一个个小块（patch）再编码，单张图消耗的 token 可能相当于几百上千字。一份合同若含几十上百张扫描页，未经压缩直接进上下文，token 数会指数级膨胀。
压缩在这里的作用，是把"进模型的冗余"提前削掉：扫描件降采样到可辨识即可，重复的背景、空白页、超清但无信息量的区域都该在入库前处理掉。这样无论是做向量化建索引，还是实时检索时拼装上下文，成本都可控。换句话说，压缩是 RAG 数据工程的"前置过滤器"，不是可有可无的优化。
四、本地合规与"影子 AI"风险
材料要瘦身，但瘦身动作本身也可能引入风险。IBM 2025 年数据泄露成本报告里有个扎眼数字：约五分之一的企业，曾因为员工私用 AI 工具（所谓影子 AI）导致数据泄露；这类企业的平均泄露成本比同行高出 67 万美元。而在遭遇泄露的组织里，63% 还没有任何 AI 治理政策。
对法务而言，当事人隐私、商业机密、未公开案情都牵扯其中，把材料上传到第三方再处理，在合规上要打问号。正确的思路不是禁用 AI，而是把 AI 关在自家机房里用------全私有化部署，数据不出内网。这正好从根上规避了影子 AI 的泄露路径。
五、企业知识库搭建：RAG 与 Agent 工作原理
私有化知识库的核心是一条数据工程链路，理解它比选工具更重要：
- 解析与预处理：把 PDF、Office、扫描件统一解析，图片先按上文说的一致口径压缩、必要时 OCR 抽取文字。
- 切分（Chunking）：把长文档切成语义完整的片段，避免把一张合同拆得支离破碎。
- 向量化与建索引：用 embedding 模型把片段编码成向量，建成向量索引；同时保留全文索引，做语义+关键词的混合检索。
- 检索与重排：用户提问时，先召回相关片段，再用重排序模型挑出最相关的内容。
- 生成与溯源：把片段拼进提示词交给大模型，要求它带出处地回答，让人能回溯到具体卷宗的具体段落。
Agent 比普通 RAG 多了一层"规划与工具调用"：它能把一个复杂问题拆成多步，自己决定先查条款、再查类案、最后比对到期日，并在过程中循环检索，而不是一次性问答。对法务场景，Agent 适合做"下季度哪些合同到期、违约条款怎么写"这类需要跨文档推理的任务。
敏感信息要在入库前就脱敏------人名、身份证号、银行账户等自动识别并打码，检索时按授权返回带出处的片段，全程数据不出域。
六、选型该看哪些维度
准备搭知识库时，建议先把下面几个维度列清楚，再去看方案。这里不评价具体产品，只给一个通用框架：
| 维度 | 该关注什么 |
|---|---|
| 数据边界 | 资料是否允许出境，是否需要适配档案"四性"（真实性、完整性、可用性、安全性） |
| 格式覆盖与压缩一致性 | 能否稳定处理 PDF、Office、扫描件、图片等多种格式，且跨格式压缩质量一致 |
| 检索精度 | 是只能按文件名找，还是能按内容语义定位到具体段落 |
| 敏感信息处理 | 入库前能否自动识别并脱敏，检索时能否按授权返回 |
| 部署形态与成本 | 能否全私有化、数据不出内网，以及后续扩容的成本模型是否可预测 |
把这五条问清楚，大部分听起来差不多的方案会很快分出高下。尤其是当资料涉及隐私和未公开案情，"数据不出内网"往往从加分项变成必选项。
七、一条可落地的搭建工作流
如果团队想从小范围试点起步，可以参考这条链路：
- 收集：先把历史合同、卷宗、证据包从各处的网盘、邮箱、共享目录汇总到内网预处理区。
- 瘦身：批量压缩扫描件与图片，统一口径，保证印章、签字可辨识；体积降下来后，本地检索和异地同步都顺畅很多。
- 解析与建索引：OCR 抽取文字，切分建混合索引，入库前完成敏感信息脱敏。
- 检索与 Agent：在内网问答，做类案检索、合同到期提醒、条款比对，答案带原文出处。
- 同步：压完的案件包可低成本的同步到异地办公室，避免重复传输原始大体量文件。
这套链路的关键，是把"压缩"当成知识库的前置条件，而不是独立动作。材料先压小、压稳，再进私有化检索，模型才吃得下、检索才跑得动、传输才不发愁。围绕"图片压缩口径一致、全私有化、数据不出网"这几个原则去选型，法务团队就能把每周找文件的时间，真正省下来变成可计费的专业工作。
（文中涉及的第三方数据均来自公开行业报告，工具层面如需了解相关能力，按名字搜一下就能找到对应的技术方案。）