contract
PulseAugur coverage of contract — every cluster mentioning contract across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
C++26 标准因合同功能争议而延迟
C++26 编程语言标准因对其“合同”功能的意见不合而面临延迟。此功能旨在添加运行时检查并提高代码可靠性，已成为 ISO 工作组内的争议焦点。该争议围绕该功能的复杂性及其对语言发布时间表的潜在影响，给 C++26 的最终确定时间蒙上了一层不确定性。
-
文档数据提取方法比较：模板、规则、ML和LLM
文档数据提取可以通过四种主要方法实现：固定模板、应用于OCR文本的规则、训练好的机器学习模型以及大型语言模型（LLM）。模板和规则适用于布局一致的文档，而训练好的模型可以处理特定文档类型内的变化。LLM为合同和报告等非结构化内容提供了最大的灵活性，但需要仔细设计以确保准确性和引用来源，因为它们可能会生成看似合理但错误的信息。
-
AI代理签约，公司面临法律诉讼
据报道，一个AI代理签署了一份合同，导致相关公司面临法律诉讼。该情况引发了关于责任和AI驱动协议影响的疑问。
-
Harari：AI是官僚体系的原生体，绕过物理世界获取象征性权力
尤瓦尔·赫拉利认为，大型语言模型天生适合人类文明的象征性、虚拟层面，而人类则根植于物理世界。AI可以在语言、文本、规则和代码的系统中运行和修改，而无需物理实体或对物理世界的理解。这使得AI能够通过操纵法律、金融和官僚体系来获得重大的社会影响力，并可能导致一个人类受制于AI生成和维护的象征性秩序的未来。
-
AI自动化从发票、表格和合同中提取数据
AI文档自动化为手动从发票、表格和合同中提取数据这一缓慢、昂贵且易出错的过程提供了解决方案。该技术旨在高效地读取和处理这些文档，减少人工劳动并提高准确性。
-
SAG2026 探讨智能体编码的成功因素
在 SAG2026 的一次会议上，探讨了智能体编码（一种 AI 生成代码的方法）的成功因素。演讲者 Avraham Poupko 和 Ralf D. Müller 介绍了语义锚点、契约和 Eichhorsts 原理如何有助于有效的 AI 代码生成。他们的发现表明，这些要素是克服团队在编码任务中使用 AI 所面临的挑战的关键。
-
新框架通过图对齐实现法规遵从自动化
研究人员开发了GraphCompliance，一个旨在自动化法规遵从评估的新框架。该系统将法规文档表示为策略图（Policy Graph），将上下文信息表示为上下文图（Context Graph），并通过合规门（Compliance Gate）进行对齐，以识别相关要求并根据证据进行评估。在EU2UK和GDPR-13等数据集上的评估显示，其性能优于现有方法，马修斯相关系数最高可达0.802。
-
C++26 Contracts 详解；埃及发现出土拉美西斯二世头像
一篇技术文章探讨了 C++26 contracts 中前置条件和后置条件的引入，详细说明了这些功能如何提高代码的可靠性和可维护性。另外，在埃及的一项考古发现中，在最初发现刻有铭文的石头后，出土了拉美西斯二世的巨型头像以及其他皇家雕像和文物。
-
DocuSense 推出用于结构化文档数据提取的 AI 平台
DocuSense 是一个由 AI 驱动的平台和 REST API，旨在从发票、银行对账单和税务表格等各种文档中提取结构化数据。它通过采用文档 AI 和检索增强生成 (RAG) 来理解文档类型、字段、关系，甚至实现智能文档搜索，超越了传统的 OCR。该平台旨在通过 Webhook 和结构化 JSON 输出，简化与现有应用程序（如 ERP、CRM 和会计系统）的集成。
-
人工智能重塑法律科技，提升证据分析与合同管理能力
人工智能正日益融入法律科技领域，影响着数字取证和合同管理等方面的应用。在法律科技方面，人工智能可以提高证据分析的速度和准确性，克服数字取证中手动审查的局限性。对于合同而言，人工智能通过集中数据、确保基于特定交易参数的一致性条款选择，以及改进风险评估，从而打破传统数据孤岛，简化了合同生命周期管理流程。
-
AI加速代码变更，但契约破坏风险导致部署停滞
AI助手正在加速代码修改，但这种速度可能导致在不同存储库中破坏契约时出现问题，从而可能导致部署停滞。开发社区呼吁加快验证工具的开发，以有效管理这些变更。这凸显了随着AI驱动的开发加速，维护代码完整性和稳定性的日益增长的挑战。
-
Agent 内存需要本体论，但团队常混淆两种不同类型
构建 Agent 内存系统需要仔细考虑本体论，本体论可以有两种截然不同的方法。第一种，本体论即提取模式（ontology-as-extraction-schema），涉及在提示或函数调用中使用受限的词汇表，以确保一致的数据提取，例如标记供应商或合同状态。这种方法很轻量级，通常在 YAML 或 Pydantic 模式等简单文件中管理，并且足以满足单一平台部署。第二种，本体论即语义基础设施（ontology-as-semantic-inf…
-
新的“Correctover”方法跨提供商验证LLM Agent输出
一种名为“Correctover”的新方法已被开发出来，用于确保LLM Agent的输出在语义上有效，超越了简单的HTTP状态检查。该方法使用一个基于DAG的链式执行器，为LLM响应中必需的实体或模式定义契约。如果某个提供商的输出验证失败，系统会自动重试另一个提供商，这在KIMI (Moonshot) 和 Agnes AI的实测中得到了证明。