ARTICLE · 995096
律师学 AI 的第一步:搭一条从 OCR 到脱敏的本地工作流
律师学 AI 的第一步:搭一条从 OCR 到脱敏的本地工作流很多同行把"学 AI"理解成"选工具"。但比选错工具更贵的，是不动手。这一篇想给一个具体的起点：用本地模型把一份客户扫描件，安全地变成可以交给 AI 分析的文本。 
为什么是这条流程？因为 OCR 和脱敏是法律 AI 应用里最基础、也最容易被误解的两个环节。OCR 解决"把纸变成字"，脱敏解决"把字变成能安全交给 AI 的字"。这两步没做好，后面所有高大上的应用都是空中楼阁。而且这两个环节有一个共同点：它们的失败模式非常具体、非常工程化，非常适合用来建立对 AI 的真实手感。 这一篇还有一个更硬的前提，先说在前面：客户文件，必须走本地模型管线；OCR 不走任何云端 API，脱敏也用本地模型。这不是技术洁癖，是保密底线。下面整条流程都按这个前提来搭。 开始之前需要三样东西：一个能听懂指令、调度工具、管理文件的 AI 工作台，一个开源文档解析工具，一份扫描版合同。 这里的主角是MinerU——一个开源的文档解析工具（GitHub 仓库 opendatalab/MinerU，上海人工智能实验室出品）。它可以把扫描版 PDF 转成结构化的 Markdown 文本，全程在本地运行：不联网、不需要 API Key、不付费、数据不出这台电脑。 先说清一个容易混淆的点。MinerU 有两层：一层是完整的开源项目，就是我们接下来要装的，它是一套完整的解析流水线，能做版面分析、表格识别、阅读顺序排序，支持批量处理；另一层是别人把 MinerU 的模型单独抽出来放到了 Ollama 模型库里，那只是模型本身，不是完整工具。我们要装的是前者。 安装分三步。第一步装 Python 环境，去 python.org 下载 3.11 版本。第二步打开终端，输入： 第三步下载模型： 它会问你从 HuggingFace 还是 ModelScope 下载，国内用户选 ModelScope，速度快很多。模型文件加起来大概 2GB，一次下载，永久使用。 到这里，准备工作全部结束。你没注册任何云服务账号，没绑银行卡，没往任何服务器上传过一个字节——这正是一条客户文件工作流该有的起点。 找一份真实的扫描版合同，在终端里进入合同所在文件夹，输入： MinerU 会自动判断这份 PDF 是文字版还是扫描版。如果是扫描版，它会启动本地的 OCR 引擎逐页识别。一份 12 页的股权转让协议，在普通笔记本上跑大概 2 分钟出结果，比云端 OCR 慢一些，但全程数据没离开过这台电脑。 识别完成后，output 文件夹里会生成一个 Markdown 文件，合同的全部文字、标题、段落、表格结构都保留下来了。 这里有一个关键细节：MinerU 默认用的是 1.2B 参数的视觉模型，对标准印刷体识别效果很好，但对模糊扫描件、手写批注的处理能力有限。这不是 MinerU 的问题，是所有本地小模型的共同边界——而恰恰因为是本地模型，这个边界换来的，是文件从始至终没离开你的机器。 我第一次用的时候，合同金额"3700000"识别正确，但有一处"不得"被识别成了"不的"，还有一处手写签名旁边的备注直接漏掉了。这种错误很隐蔽，不仔细看根本发现不了。所以我的做法是，打开生成的 Markdown 文件，人工快速扫一遍关键条款，重点是当事人名称、金额、日期、违约责任这几处。 这一步教会你的事，是 AI 的输出永远需要人工校验，校验的重点放在"错了会出大事"的地方。 如果你有一批合同要处理，MinerU 支持批量模式： 它会自动遍历文件夹里所有 PDF，逐个解析。这个功能在月底集中处理案件材料时特别有用——而且因为是本地批处理，几百份客户合同过一遍，没有任何一份触过网。 MinerU 默认模型只有 1.2B 参数，优点是轻量，普通电脑就能跑。但如果你电脑配置不错（16GB 以上内存或带独立显卡），可以接入 Ollama 上更大的本地视觉模型，识别准确率会明显提升——注意，这里换的仍然是跑在你自己机器上的模型，不是某个云端 API。 方法分两步。第一步装 Ollama，官网下载，然后拉一个本地视觉模型： qwen3-vl 是阿里开源的视觉模型，8B 参数，6.1GB，对中文文档、票据、表格的识别能力比 MinerU 默认模型强不少。如果你的电脑有 24GB 以上显存，还可以试试 qwen3vl:32b，效果更好，但模型文件有 20GB。 第二步改 MinerU 的配置文件，让它把请求发给本地 Ollama（localhost:11434，本机端口，不对外）： api_key 随便填一个非空值即可，Ollama 本地服务不需要真实密钥。改完后，MinerU 在解析时会调用你本地的qwen3-vl 模型，速度比默认模型慢一些，但复杂版面的识别质量好很多。 这里有一个实际的取舍。MinerU 默认模型 398MB，qwen3-vl:8b 是 6.1GB，qwen3-vl:32b 是 20GB。模型越大，识别越准，但下载越久、占硬盘越多、对电脑要求越高。我的建议是，先用默认模型跑通流程，遇到识别不满意的复杂件，再考虑换更大的本地模型。无论怎么换，文件始终在你机器上。 拿到 MinerU 生成的 Markdown 文件后，下一步是脱敏。这一步也用本地模型做——把脱敏交给本地部署的大模型（通过你的 AI 工作台调度本地模型），而不是某个云端 API。 为什么脱敏也必须本地？因为脱敏之前的那份文本，还完整带着当事人、金额、日期这些敏感信息。如果你把这份"尚未脱敏"的文本发给云端模型，那前面 OCR 全程不出域的努力就白费了——敏感数据在脱敏前这一秒，已经出了域。所以脱敏这一环，绝对不能走云端。 MinerU 只负责把纸变成字，脱敏需要理解上下文、判断哪些信息敏感，这是大模型的强项。脱敏不是简单地把人名换成"甲方""乙方"，真正的脱敏要处理好几层信息。 脱敏可以分成四级，从浅到深：
日常工作中，L1 和 L2 用得最多。L3 和 L4 适合需要把材料发给外部顾问或者做公开培训的场景。 在本地模型里做 L1 和 L2 脱敏，先把 MinerU 生成的 Markdown 文件交给它，然后下指令。我一般这么说： 本地模型会生成两份文件：一份是脱敏后的合同文本，一份是映射表。映射表非常重要，它是你以后还原信息的唯一依据。我的习惯是把映射表存在本地一个加密文件夹里，文件名用日期加案件编号，比如"20260831_股权转让_映射表.csv"。 这一步有一个坑要提醒。本地模型做实体识别时，可能会漏掉一些不标准的写法。比如合同里写"张总"或者"王工"，模型可能识别不出来这是人名。所以脱敏后的文本，还是要人工检查一遍，重点看有没有漏网的敏感信息。这一点和 OCR 校验一脉相承：AI 替你做了大部分活，但"错了会出大事"的地方，永远要你自己过一眼。 手动做一次 OCR 加脱敏，大概要 15 分钟。但律师的工作是重复的，每周都有新的合同要处理。这时候就该把流程固化下来。 你的 AI 工作台通常有一个"技能创建"功能，可以把刚才的整套操作打包成一个技能。以后每次只需要把扫描件拖进去，技能自动完成 OCR、脱敏、生成映射表三步，且全程运行在本地模型上。 创建方法是在对话框里说： 工作台会生成一个 SKILL.md 文件，里面记录了完整的操作流程和判断规则。这个文件你可以反复修改，比如调整脱敏级别、增加新的实体类型、修改映射表的保存路径。 我建议每个律师都建一个自己的脱敏技能。因为每个律师的业务领域不同，敏感信息的类型也不同。做知识产权的律师，可能要额外处理专利号、商标名；做劳动法的律师，可能要处理身份证号、社保卡号。这些个性化规则，只有你自己最清楚——而它们都应该锁在本地模型里跑，不该交给任何外部服务。 上面这条流程全部基于本地模型，优点是零成本、零配置、数据不出域。缺点也很明显：速度慢一点，复杂版面的识别准确率有限，需要人工校验的地方多。 所以自然会有人问：那有没有更快更准的云端方案？有。比如市面上确实有云端 OCR 服务，装上 API Key，识别速度和准确率都会上一个台阶。 但这里必须划一条红线：客户文件，不走云端 API。 具体说： 任何含当事人、含保密义务、含尚未脱敏信息的客户原始文件，OCR 与脱敏一律走本地模型管线，绝不允许上传到任何云端服务。 云端 OCR / 云端大模型，只可用于已经脱敏的公开材料或纯测试样本——比如你拿一份网上下载的公开判决书练手，那走云端也无妨。 判断标准只有一条：这份文件如果泄露，会不会让客户或你本人承担责任？会，就本地；不会，才考虑云端。 换言之，云端不是不能用，而是它的使用前提是"内容已经安全"。而客户扫描件在 OCR 和脱敏完成之前，恰恰是最不安全的时候。把这个顺序反过来——先本地、后云端、且云端只接已脱敏内容——才是守得住底线的用法。 充值就能变强，这是好事，但不应该成为处理客户文件的前提。对带保密义务的材料，本地管线的"慢一点"，买的是你睡不着觉时那份安心。 上面几步做完，你已经拥有了一条能跑通的工作流。但我必须把边界说清楚，这套方案有它的适用范围。 第一，本地 OCR 的准确率受模型大小限制。1.2B 的 MinerU 对标准印刷体够用，但对模糊件、手写件、复杂表格的处理能力有限。这种情况下，人工校验的时间会增加，甚至可能超过手动打字的时间。 第二，AI 脱敏不是万能的。L1 和 L2 级脱敏，本地模型做得比较好。但到了 L3 和 L4，需要律师自己判断哪些信息构成"案件骨架"，哪些信息剥离后不影响 AI 推理。这个判断没有人替你做，也不该交给云端。 第三，也是最重要的一点，这条工作流解决的是"安全地使用 AI"，不是"AI 替代律师"。脱敏后的文本可以交给 AI 做摘要、做检索、做初步分析，但最终的法律判断、文书定稿、客户沟通，仍然是律师的工作——而且脱敏后交给 AI 做分析时，同样建议走本地或你已确认合规的部署，别因为"已经脱敏"就放松对通道的要求。 我搭完这条流程后的真实感受是，它没让我失业，也没让我效率提升十倍。它只是把"从扫描件到可安全分析的文本"这个过程，从原来的 1 小时缩短到了 15 分钟，并且把"数据不出域"从一句口号，变成了工作流里默认发生的事。 回到开头的问题，为什么律师学 AI 的第一步，是搭这条本地工作流。 因为它逼你面对 AI 的真实面貌。本地模型会出错，脱敏会漏检，AI 的理解有边界。这些不是在 PPT 里能学到的，必须亲手做一次才能建立手感。 因为它是一个完整的闭环。从输入到输出，每一步都有明确的验收标准。OCR 完要检查关键信息，脱敏完要检查漏网之鱼，这种"每一步都可验证"的思维，是管理 AI 的核心能力——而它和"客户文件不出域"这条红线，从第一天就该绑在一起。 因为它让你习惯了开源世界的基本动作。装 Python 环境、跑 pip install、读 GitHub 文档、在终端里输命令，这些动作对工程师是日常，对律师是陌生领域。但一旦做过一次，你会发现没有想象中难。以后看到任何一个新的开源 AI 工具，你都能自己装起来跑一遍——而且你会本能地先问一句："它能在本地跑吗？客户文件安全吗？" 因为它是一个可以生长的起点。这条流程跑通后，你可以往上游加"自动从邮件下载附件"，往下游加"脱敏后自动发给本地模型做摘要"，往旁边加"批量处理多份合同"。每一步扩展，都是对你工作流的深化，也都该守住同一个前提：客户文件，本地优先。 最后说一句实话。这条工作流搭完，你对 AI 的理解会超过大多数同行。不是因为你用了多高级的技术，而是因为你亲手把 AI 放进了自己的工作流程里，知道了它哪里行、哪里不行、哪里需要你盯着——并且从第一步起，就没让客户的一页纸，莫名其妙地出现在某个你控制不了的服务器上。 这种理解，比任何培训都值钱。
〔碳硅圆周律 · 专注 AI 法律实务，面向律师 / 仲裁员 / 法务同行〕
本文为操作性方法论论述，核心论点（客户文件必须本地 OCR、脱敏必须用本地模型、云端仅用于已脱敏/公开/测试材料）为本号一贯立场的方法论展开，非对特定平台的功能承诺。 MinerU、Ollama、qwen3-vl 均为真实开源项目；文中命令、模型名、端口（localhost:11434）、模型体积（1.2B / 8B 6.1GB / 32B 20GB）基于 2026 年 8 月公开信息，开源项目迭代较快，实际以 GitHub / 官方文档为准（发布前建议复核一次版本与命令）。 "超过大多数同行""效率从 1 小时缩短到 15 分钟"等为说理性表述与经验性估计，非实测基准数据，不当作已核验统计。 本地 OCR 的识别错误类型（金额正确但"不得"误识为"不的"、手写批注漏识别）为代表性经验案例，非系统性基准测试结果。 本文未引用任何未核验的法条、令号或判例；所提保密要求（客户文件不出域）与已发文《律师使用云端 AI 的泄密风险》《不该把全量案卷塞进云知识库》中的论证一致，未引入新待核断言。
〔碳硅圆周律 · 专注 AI 法律实务，面向律师 / 仲裁员 / 法务同行〕
很多律师问过同一个问题：学 AI 到底从哪里开始？别急着上"十大工具盘点"课，也别先研究哪个模型最强。第一步应该是自己动手搭一条最基础的工作流——从扫描件 OCR 开始，到脱敏结束。这条流程做通了，你对 AI 能力边界的理解，比听十场讲座都管用。
一、十分钟准备：装一个只跑在本地的解析器
pip install -U ”mineru[core]”
mineru-models-download
二、第一步·把扫描件变成文字（数据不出电脑）
mineru -p ./合同.pdf -o ./output
mineru -p ./contracts/ -o ./output
三、配置够好，换更强的本地模型
ollama pull qwen3-vl:8b
”llm-aided-config”: {”title_aided”: {”base_url”: ”http://localhost:11434/v1”,”model”: ”qwen3-vl:8b”,”api_key”: ”ollama”,”enable”: true}}
四、第二步·让本地模型帮你脱敏
把这份合同做 L1 和 L2 级脱敏。规则如下：1. 所有自然人姓名替换为[当事人A][当事人B]这种格式，按出现顺序编号2. 所有公司名替换为[公司A][公司B]，同样按顺序编号3. 所有金额替换为区间，比如 370 万改成 300 万到 400 万4. 所有具体日期替换为相对时间，比如 2026 年 8 月 15 日改成 签约后第 30 天5. 生成一个映射表，记录原文和替换后的对应关系，这个映射表只保存在本地，不上传
五、第三步·把流程固化成技能
把刚才的 OCR 脱敏流程保存成一个技能，名字叫”合同脱敏助手”。触发条件是用户上传 PDF 或图片格式的合同，输出包括脱敏后的文本和本地映射表。要求：OCR 与脱敏全程使用本地模型，不调用任何云端 API。
六、红线：客户文件，不走云端 API
七、这条工作流的真实边界
八、为什么这是最好的第一课（之一）
事实与推断标注