Harvey AI 將 Legal Agent Bench 擴展至併購盡職調查

為 Legal Agent Bench 推出全新擴展功能，用於評估 AI Agent 在法律領域最複雜的工作流程之一：併購盡職調查中的表現。

我們推出 Legal Agent Bench（LAB）的目標，是建立並公開高規模、高擬真的 Agent 評估環境，用以評估 Agent 執行端到端法律工作的能力，同時支援開放模型訓練與 Agent 研究。今天，我們將 LAB 擴展到涵蓋一項最關鍵的法律任務：併購盡職調查。

盡職調查是所有併購交易的基礎。2025 年，全球併購交易總額約達 4.8 兆美元。盡職調查的費用通常佔交易金額的 1% 到 4%，換算下來每年約在 500 億至 2000 億美元之間。這筆費用很大一部分用於審閱虛擬資料室（VDR），系統性地檢視一家公司的法律與財務歷史，以識別風險、降低風險，並確認交易符合預期。

為了建立盡職調查的 LAB 環境，我們希望專注於模擬真實 VDR 的深度與複雜度。這需要建立全新的評估環境，能夠同時擴展評估的規模與深度。過去的基準測試，要嘛是深入推理相對有限的上下文，要嘛是在大型資料集上執行狹義任務。而盡職調查要求模型兩者兼備：閱讀數百份文件，識別出眾多各自獨立的交易風險。

LAB Diligence 與其他領域領先基準測試的比較：環境規模與每項任務的獨立驗證標準。

為了在這一問題上評估模型，我們建立了多個合成的 VDR，涵蓋數千份文件，並在其中埋入了從稅務到科技交易等盡職調查專業領域的議題。在一個典型的環境中，Agent 會收到一個包含數千萬 token 上下文的 VDR，必須找出並修復數十個問題，而它們的工作成果會依據數百條評分標準進行驗證。

在本文接下來的部分，我們將說明盡職調查的實際運作方式、LAB Diligence 如何模擬其中的關鍵環節，以及我們如何建立專門的 Agent 來協助執行盡職調查。

盡職調查的實際樣貌

假設你想收購一家公司。你與對方的負責人見面，並在價格、付款方式、談判保密等關鍵條款上達成初步共識。這份共識會記錄在一份僅幾頁的條款清單中。等到交易真正完成時，這份條款清單會被一份長達數百頁的收購協議所取代，詳細規定收購的執行機制、雙方的義務，以及出問題時的處理方式。而塑造這些額外頁面的工作，正是盡職調查。

盡職調查與其對收購協議的影響。

法律盡職調查的核心包含兩個部分。第一部分是了解並準確評估目標業務的價值。第二部分則是分配收購、合併及成功整合業務的風險。這兩項任務都需要從業務的基本要素著手建立理解：包括商業合約、僱傭協議、智慧財產權組合、稅務與監管文件，以及其他確立其權利與義務的法律協議。

這時 VDR 就派上用場了。在原則上達成交易協議後，雙方會將關鍵文件（通常數百到數千份）整理好並放入 VDR。一旦開放，來自各專業領域的律師團隊就會系統性地審閱 VDR，識別風險、漏洞及後續問題。這第一輪審閱會產生後續的資料請求、與目標公司關鍵人物的訪談，以及針對交易與後續揭露事項的進一步協商。這些審閱工作必須以最快速度進行，律師們經常每週工作上百小時，在緊迫的時間內全面掌握業務的各個面向。

最終的分析結果會彙整成一份盡職調查備忘錄。這份備忘錄會影響最終協商與規劃，涵蓋以下層面：

交易價格： 公司的實際估值為何，因為盡職調查中發現的許多法律問題都會影響估值。
交易結構： 購買的標的性質（股權或資產）以及購買的形式。
聲明、保證與賠償： 賣方必須保證哪些關於業務的陳述是真實且正確的，以及如果這些風險發生，賣方需要承擔哪些賠償責任。
揭露清單： 賣方明確免責的已知問題有哪些。
條件與同意書： 完成交易所需的第三方同意或監管核准。
交割後事項： 兩家公司如何整合成一個有效運作的新實體，以及交割後所需採取的其它行動。

有效的盡職調查，不僅是了解公司的事實狀況，更是在事實記錄的基礎上運用判斷力，理解什麼對業務真正創造價值、哪些風險會影響該價值，以及如何將這些風險協商納入最終能讓各方滿意的協議中。

建立虛擬資料室

LAB 的盡職調查環境，旨在測試 Agent 在真實規模的 VDR 中識別問題並採取行動的能力。以 Sentinel Cloud Security 的 VDR 為例，該公司正被 Helios Cloud Holdings 進行盡職調查，這筆交易在行業、規模與收購類型上，大致參考了 Google 以 320 億美元收購 Wiz 的模式。

Helios 收購 Sentinel Cloud Security 的合成 VDR 檔案系統。

Sentinel 的 VDR 是一個按文件類型分類的檔案系統，包含驗證其業務所需的各類關鍵文件。這些類別下共有超過 3,500 份文件，從商業合約到訴訟材料應有盡有。這些文件總計約 4,500 萬個 token 的上下文。盡職調查不僅需要將這數百萬個 token 整合成一個關於 Sentinel 的連貫敘述，還需要在這個上下文中識別出問題。

這些問題可能是直接的：例如一個關鍵客戶有權在控制權變更時終止合約，而對於擬議的收購，尚未取得該客戶的同意。也可能是遺漏文件：例如沒有證據顯示公司擁有或租賃某些關鍵辦公室。或者需要根據多個線索進行推理：例如公司對 Copyleft 授權持風險態度，可能導致其部分關鍵 IP 暴露。要理清這個問題，必須審查產品法律顧問備忘錄、技術規格文件，並對這些文件在現行版權法下如何相互配合，提出有觀點的見解。

大量上下文及其所需的理解方式，使得盡職調查對當前的 Agent 來說是一個獨特的難題。它們無法將數千萬個 token 保留在上下文中，而任務導向的精簡策略又會妨礙它們形成對 VDR 的全局視野。精簡過程中的信息損失，也導致那些需要跨文件推理的細微問題無法被發現，因為相關線索未能被清晰保留，以致模型無法將點連成線。在實踐中，這些根本性問題又因前沿模型偏向使用關鍵字搜尋和選擇性閱讀策略來追求效率，而非全面審閱文件，而變得更加嚴重。

其他 VDR，以及它們所參考的真實交易（行業、規模與收購類型），以及 LAB Diligence 中的環境規模。

盡職調查 Agent

在實際操作中，盡職調查正是靠這種「人海戰術」來解決的：數十位來自不同業務領域的律師，共同花費數千小時審閱 VDR。不同的專家分別審查目標公司的 IP 組合、僱傭協議、股權與薪酬計劃、商業合約，以及財務與稅務記錄。各領域的發現會再彙整成一份盡職調查備忘錄，用來決定交易條款與交割策略。

要成功完成 LAB VDR 的盡職調查，一個或多個 Agent 必須承擔所有這些角色，全面識別問題，並草擬第一版的盡職調查備忘錄。這份備忘錄會再根據一份評分標準進行核對，該標準包含每個人為埋入 VDR 問題的標準答案與建議處理方式。

LAB Diligence 任務的評估環境、Agent 行為、輸出結果與評分標準。

這些評分標準讓我們能夠在框架層級與後訓練層級，探索如何有效塑造能夠執行盡職調查的 Agent。這需要解決一系列新穎的技術問題，包括：

上下文管理： Agent 必須閱讀並串聯遠超過其上下文窗口範圍的資訊。需要新的記憶與精簡方法，使其能有效解析並保留關鍵資訊，同時識別並追蹤風險。
全面審閱： 大多數 Agent 被訓練成能從大量資料中識別相關部分，例如程式碼庫中的相關函式。它們的偏誤是追求高效率搜尋，而非完整性。盡職調查則需要反轉這個直覺，教導它們檢查、再檢查每一個可能的問題。
脈絡化判斷： 一份價值百萬美元的合約中的控制權變更條款，對一筆交易可能導致失敗，對另一筆交易可能只是個麻煩。Agent 必須學會哪些問題重要、重要到什麼程度、為什麼重要，以及如何以最佳方式補救。

能夠做到以上三點的 Agent 對盡職調查很有幫助。但盡職調查是一項團隊運動。要實際執行盡職調查，Agent 還必須能夠：(1) 將其發現追溯到具體文件，並能解釋或辯護；(2) 清晰傳達建議，包括在存在多種有效策略時提供替代方案；(3) 針對不同利害關係人，以合適的細節層級呈現所有資訊。

我們相信，Agent 學習成為盡職調查團隊中最有效成員的方式，會和初級律師一樣：透過經驗豐富的實務工作者給予一針見血的回饋。這就是為什麼我們的盡職調查環境不僅是為了研究而建，更是為了在資料安全的條件下與客戶合作，利用他們的反饋來訓練模型。今天，我們的客戶正負責著數十億美元的交易；明天，他們的 Agent 將接手這些交易。