重构律师生产力——AI赋能的协同策略与实务应用
2026-03-26
新兴产业
重构律师生产力——AI赋能的协同策略与实务应用
当AI从概念走向实务，律师面临的不再是“用不用”，而是“怎么用”。面对信息焦虑与数据孤岛，我们该如何破局？本文基于第一性原理，拆解输入、处理、输出全流程，分享腾讯元宝的检索优势、AI模型的庭审陪练技巧以及自动化整卷的未来路径。这是一份写给法律人的AI实操指南，旨在让技术回归工具本质，赋能专业价值。
律师，大概是这世上最需要不断“卷”自己的职业之一。从法考到执业，从案源到办案，我们始终在效率与质量的钢丝上行走。在这个知识迭代快如闪电的时代，是否学会用AI赋能，已不再是锦上添花的选择，而是完全影响你工作效率乃至生存质量的变量。当同行还在用肉眼梳理卷宗时，善用工具者已完成了证据链的闭环；当同行还在为检索焦头烂额时，善用工具者已构建了完整的策略模型。这不是危言耸听，而是正在发生的生产力变革。AI不会取代律师，但会用AI的律师，终将取代那些拒绝改变的律师。今天，我想和大家聊聊，如何在这场变革中，重构律师的生产力。在法律科技浪潮席卷而来的今天，焦虑似乎成了律师行业的标配。面对层出不穷的 AI工具，我们常常陷入一种困惑：到底哪些是真正的生产力利器，哪些又是裹着科技外衣的“智商税”？要回答这个问题，我们不能被华丽的功能演示迷惑，而需要回归到工作的第一性原理（First Principles）。如果我们剥离掉律师职业光鲜的表象——无论是法庭上的唇枪舌剑，还是合同谈判中的运筹帷幄——还原到最不可撼动的事实层面，法律工作的本质其实可以简化为三个动作：Input（信息收集）→ Process（信息处理）→ Output（成果输出）。Input： 客户提供的证据、聊天记录、合同草稿、法律法规。Process： 梳理事实、构建逻辑、匹配法条、制定策略。Output： 起诉状、代理词、法律意见书、庭审表现。这在计算机科学中被称为经典的IPO模型（Input-Process-Output）。无论AI被包装得多么具有“人性”，脱去外衣后，它依然是一个严格遵循IPO模型的“信息加工厂”。理解这一点，至关重要。因为IPO模型，就是你评估市面上所有“法律AI 产品”的照妖镜。2. 价值金字塔：Output最廉价，Input最珍贵在评估一款法律 AI 产品是否值得付费时，许多律师存在一个认知误区：认为“文书写作”功能最值钱，他要是能调好格式，那就更厉害了。在当前的技术条件下，Output（输出）的壁垒几乎为零。 所谓的文书写作，任何一个通用大模型加上合适的提示词（Prompt）都能完成。哪怕它能直接生成格式完美的Word文档，这也只是AI花几分钟写段代码就能搞定的事。真正决定产品价值的，是Input（输入）的质量与纯度。真人维护的法条库：是否拥有海量、实时更新的法条数据，并通过RAG（检索增强生成）技术处理，确保输出的每一条法律依据都是现行有效的？清洗过的案例库：是否投入了巨大的算力成本，将裁判文书网上的海量案例进行了深度清洗、提炼裁判要旨，甚至经过人工审查准确性？如果一个产品的底层逻辑仅仅是“调用百度搜索引擎” + “接入免费开源模型” + “通用提示词”，那么它本质上是在利用信息差卖给你免费的东西。因为你自己使用免费的联网模型，配合简单的指令，完全可以达到相同的效果。值得付费的产品，必须自身就具备坚不可摧的底层数据护城河。这涉及到法律检索的维度差异：关键词搜索 vs. RAG向量检索。传统的关键词搜索，像是一个死板的“图书管理员”。 当你跟他说“苹果”，他只会去书架上死磕带有“苹”和“果”字的书，甚至会把《如何种植苹果树》推给你。真正的RAG向量案例库，像是一个读破万卷书的“老法官”。 当你用大白话描述“我顺路捎同事下班结果撞车了，他让我赔钱”时，它根本不需要你提取“机动车交通事故”或“无偿搭乘”这些专业词汇。它能瞬间理解你描述的情境、逻辑和人物关系，直接在几千万个案件的“语义空间”里，把底层法理完全相同的“好意同乘”类案端到你面前。通过IPO模型，我们应当清醒地认识到：AI并没有神话到可以替代律师，但它正在深刻地重构我们的生产力流程。律师的核心竞争力，将不再是信息的搬运和模板的填充，而是对业务需求的精准定义（告诉AI做什么），以及对复杂局面的最终决策（在法庭上说什么）。理解了这一点，我们才能不被市面上的概念炒作所迷惑，真正找到适合自己的协同策略。接下来，我们将深入探讨当前最火热的AI智能体（Agent）趋势，以及它背后的“代码平权”与“数据圈地”博弈。在第一部分我们建立了IPO（Input-Process-Output）的认知框架。接下来，我想用一个具体的案例——近期在法律科技圈爆火的OpenClaw（俗称“养龙虾”），来深度剖析这个模型在AI智能体（Agent）时代的实际意义。OpenClaw刚出现时，整个律师圈都兴奋了。大家觉得终于有了一个能“全自动”干活的神器。但很快，兴奋冷却，甚至出现了失望的声音。昨天，我跟一位同事展示腾讯的替代品QClaw的“技能库”。他划拉了几下，有点失望地说：“就这些啊？感觉也没多大用，还不如我自己手快。”这是一个巨大的误解，也是绝大多数律师对AI智能体的第一个认知误区。很多人认为，AI工具的价值在于它预设了多少功能（Output）。比如它能自动写合同、能自动查案例。如果技能库里没有我想要的功能，我就觉得它没用。但如果我们用IPO模型来看，OpenClaw这类智能体的真正价值，根本不在于它现成的技能库（Output），而在于它赋予了普通人**定义 Process（处理过程）**的能力。也就是我们常说的 “代码平权” 和 “完全定制”。在程序员领域，有一个随着AI发展兴起的概念叫Vibe Coding（氛围编程）。这是什么意思？就是过去你需要懂Python、懂Java，才能告诉电脑怎么干活。但现在，你只需要用自然语言描述你的需求（Vibe），AI就能自主接管电脑、读取文件、安装环境并生成代码。OpenClaw，只不过是把这个拥有“全权限接管”能力的AI，下放给了普通人。想象一下，过去你想让电脑自动把微信里的客户文件整理到文件夹，再重命名归档到律所系统，你需要找IT部门排期开发，或者自己学脚本。但现在，利用OpenClaw这类工具，你只需要用大白话告诉它：“帮我把微信接收的所有PDF文件，按客户姓名分类，存到D盘对应的卷宗文件夹里。”它就能当场为你写一段代码（生成方案），然后自己去执行！技能库里的东西，只是别人提过的需求，你拿来凑合用而已。它真正的威力是：你想让AI替你干的任何事情，都可以用自然语言直接告诉它。 你不需要懂编程，你只需要懂自己的业务需求。这就是“代码平权”——让律师的业务逻辑，直接转化为生产力，中间不再需要程序员作为翻译。然而，就在全世界都为这种“百无禁忌”的权限兴奋时，现实给了我们需要冷静的一课。OpenClaw刚火的时候，大家以为它解决了Input（信息收集）的问题，因为它似乎能随意读取你电脑和手机里的任何数据。但你们猜怎么着？各大软件厂商立刻筑起了防火墙，封杀了OpenClaw的某些跨界权限。大厂们从OpenClaw身上发现了一个惊人的事实：原来用户为了效率，是愿意让渡出自己电脑、手机的全部权限的！这个数据护城河，必须建在自己家里，绝对不能让第三方开源软件拿走。腾讯不会允许一个开源软件随意读取微信聊天记录；字节不会允许外部工具轻易抓取抖音后台数据。数据是新时代的石油，大厂们要把开采权牢牢握在自己手里。客户通过微信发证据；法院通过短信发通知；仲裁委通过邮箱发文书；律所内部用OA系统审批。这些信息分散在不同的“围墙花园”里。腾讯管微信，运营商管短信，网易管邮箱。信息只能从他们各自控制的范围里来。OpenClaw原本想做一个通用的“连接器”，但被大厂的限制卡住了脖子。这也让我们回到IPO模型的第一环：Input（收集）。如果信息无法安全、合规、自动化地汇聚到同一个处理池，后端的Process（处理）和Output（输出）再强大，也只能是半自动化。“养龙虾”的本质，表面是技术之争，实则是数据权限的博弈。对于律师而言，理解这一点至关重要：在没有更高层次的权力介入前，不要指望一个万能工具能打通所有平台。未来的策略，必须是在合规的前提下，适应这种分散的生态，寻找特定场景下的最优解。这也引出了我们接下来要讨论的问题：既然大厂圈定了地盘，我们该如何选择趁手的工具？在第二部分我们提到了大厂建立的“数据护城河”。既然数据无法完全打通，那么在现有的生态下，律师该如何构建自己的工作流？大家不要觉得现在的AI只能在一个对话框里，你问一句，它答一句。那只是玩具。现在市面上的AI，不仅有ChatGPT、Qwen（通义千问）、豆包、DeepSeek这些厂商名字的区别，就连同一家厂商，也会针对性地做很多不同的模型。比如有多模态的、长文本的、蒸馏的小模型、生图的、合成视频的等等。为什么大厂要这么做？因为他们发现，指望一个“六边形战士”大模型来解决所有问题是不现实的。成本问题：大模型运行起来极其昂贵，但不论复杂还是简单的问题都是一样的成本。效率问题： 用大模型来处理一些简单的任务（比如错别字检查），反而更慢。我们的实际工作需求，其实是可以拆分开来，交给不同量级的模型去处理的。从合规的角度来说，我们发给云端AI的信息，至少应该是没有隐私资料的，绝不能指向某个具体的客户。所以，未来的理想工作流，一定是一个 “本地小模型 + 云端大模型”的协同流水线。把杂乱的证据资料里的名字全部替换为张三、李四，把敏感数据抹掉。这种简单的文字替换和脱敏工作，完全不需要联网。它非常适合部署在本地的小模型来做。硬件门槛低： 比如一台显存16G的家用电脑，或者律所买的一台两三万的微型服务器，就能完美胜任。数据绝对安全： 数据绝对不出律所的门，不出你的电脑。这一步的核心任务，就是把“私有数据”转化为“可公开处理的信息”。脱敏后的干净事实，我们再上传给云端。因为我们需要对这些信息进行深加工：自动分析争议焦点；联网采集最新案例；抓取同行写的文章；起草复杂的法律文书。这个事情必然要联网，也必然要交给厂商持续开发的最顶尖的大模型来做。因为信息量太大，逻辑太复杂，我们需要一个“极其聪明”的大脑。大家一定要清醒，这个“聪明的云端大脑”，必须是依赖科技大厂的顶级技术人员去持续更新和维护的。律师行业不需要自己去训练模型，我们需要的是使用最好的模型。我看到过很多企事业单位和公司，在2025年初急急忙忙花大价钱买服务器，搞什么“完全本地化部署大模型”。结果才过了一年，他们当年装进昂贵服务器里的模型，甚至那台服务器的硬件算力，早就跟不上时代被淘汰了。至少我们可以预见的是：甭管最后是哪家大厂、哪家法律垂直品类的科技公司、或者是哪家新兴创业公司，当他们为我们整合出一套完全重构生产力的方案时，从合规和成本的角度，未来是一定需要被这样“大小拆分”的。你只需要坐在屏幕前，看着本地AI把材料脱敏，看着云端AI把材料写好，然后挑出它的漏洞让它修正，确认无误后让本地软件一键将隐私信息回填，最后在定稿上签上你的名字。（二）讲完了未来，让我们脚踏实地，现在我们该如何运用AI来进行信息处理？市面上大模型层出不穷，DeepSeek、Kimi、通义千问……很多同事问我到底该用哪个？我的建议是：分场景使用，但在信息收集（Input）阶段，首推腾讯元宝。为什么？因为它有一个别人无法企及的护城河——微信公众号文章的检索权限。法律是一个高度依赖经验传承的行业。当我们遇到疑难杂症，需要搜集办案思路时，哪里能找到全中国同行写的最高质量的实务文章？答案是：微信公众号。无数资深律师、法官、检察官在公众号上沉淀了海量的实务干货、裁判观点解析和办案手记。其他大模型虽然也能联网搜索，但它们往往抓取的是公开网页，内容良莠不齐，且难以深入微信生态内部。而元宝可以直接检索、总结这些公众号内容。在信息收集（Input）这个维度上，只要元宝的模型能力不落后，它就立于不败之地。 它能让你瞬间获取同行们最精华的经验总结，极大地缩短调研时间。当然，工具不是唯一的。在写文书润色、逻辑校对时，DeepSeek、Kimi 、豆包、千问大家都可以作为备选用，各有千秋。但在“找思路、查观点”这个环节，元宝的生态优势目前无可替代。选完了趁手的工具，我们该如何使用AI进行文书写作？我的方法论可以概括为：“以事实为依据，以法律为准绳，以人工搭骨架，以AI填内容。”首先我们要理解，AI的本质是什么？它是一个纯数学的“预测下一个词的机器”。你输入给它的东西叫Prompt（提示词），它干的唯一一件事，就是比对人类历史上的所有文字材料，预测出一个普通人类面对这段提示词会怎么回复。对于我们律师的文书工作来说，需要的只是一些基础的逻辑判断。目前绝大多数的主流大模型（DeepSeek、Kimi、豆包等），它们的能力都足以覆盖这种需求。在简单事实中，它们生成的文字不会有大差异；在复杂关系里，它们也都难免出错。所以，大家把这些模型轮换着用，像抽卡一样去刷出一篇符合你审美的文书，是完全没有问题的。至于市面上那些所谓的“法律垂直模型”，很多也只是套壳调用了这些主流大模型，只是在后台帮你偷偷加了几句提示词，加了一点法律法规的知识库而已。AI模型在本质上、在代码层面上，绝对不具备拥有正确法律思路的能力。所以，写文书的灵魂，一定、也只能是律师自己的预判。很多同事跟我说：“我试过把一大堆证据材料直接丢给AI写起诉状，写的全是废话。”最近我在带实习生，我跟她讲了我在大学时的第一课：以事实为根据，以法律为准绳。AI数据库里没有法条，它一定是自己瞎编的法条，也不是法律准绳。正确的做法是，把AI当成你的实习生，把框架给它搭好：喂事实： 你整理后的、不会出错的、真正在庭审中有用的事实（比如“2020年1月1 日，发生了 XX”）。喂法条： 你确定的、可以直接引用的法律依据（比如“根据民法典XXX条”）。喂预判（诉请与思路）： 你想要的诉讼请求，或者一二三点答辩思路。把这个骨架给它，让AI去起草、去填充血肉。这样写出来的文书，才会是一篇“话糙理不糙”、有真正价值的初稿。这时候，AI的优势就发挥出来了。它能迅速将碎片化的信息转化为规范的legal writing，速度比人类快十倍，且不知疲倦。这个时候，你可以根据你的审美，换几个AI来帮你润色，调调用语什么的。在文书生成阶段，我强烈建议关闭AI的联网搜索功能。为什么？因为我们需要的是基于你提供的“事实”进行创作，而不是让AI去网上瞎找信息。联网搜索可能会引入与本案无关的外部信息，甚至捏造不存在的案例（幻觉）。法律文书必须严格基于卷宗证据。任何来自互联网的非证据信息，都可能成为庭审中的漏洞。记住：检索阶段可以联网，写作阶段必须断网。 确保AI输出的每一个字，都能在你的证据链中找到来源。从工具的选择到合规的架构，再到具体的写作流程，核心逻辑只有一个：AI是助手，不是决策者。我们利用元宝的生态优势解决“输入”难题，利用大小模型协同解决“安全”难题，利用“人机骨架填充”模式解决“质量”难题。当文书定稿，证据梳理完毕，真正的挑战才刚刚开始。因为无论文书写得多么完美，那也只是案头工作。对于我们律师来说，真正的修罗场，永远在法庭上。无论你在准备阶段多么自信，一旦踏入法庭，面对法官的追问和对手的突袭，那种肾上腺素飙升的紧张感是真实的。这是大家最焦虑的场景：在质证阶段，对方突然抛出一个你没想到的观点，你心里慌得不行，反驳起来很牵强；或者对方观点很有理，你明明知道哪里不对，却不知道怎么丝滑过渡地怼回去；法官突然变更审理焦点，你准备的代理词瞬间显得文不对题。很多同事问我：“怎么用AI解决庭审紧张？”、“庭审时能不能让AI实时帮我写反驳意见？”我的回答可能出乎大家意料：解决庭审突袭的最佳方式，是把它消灭在开庭前一天晚上。而在庭审现场，我极其不推荐让AI介入。AI在庭审中的最大价值，不是做你的“实时提词器”，而是做你的“模拟对手”。上周五，我有个比较复杂的庭审，对面的代理律师非常厉害，经验丰富，导致我非常焦虑。前一天晚上，我加班到10点，一直在跟AI推演明天会发生什么。那是我用AI 以来，感到最惊喜的一个晚上。我把所有的案件材料、证据清单、甚至对方可能持有的底牌，全部喂给AI。然后我告诉它：“现在你就是对方代理律师，你的目标是赢下这场官司，请找出我代理意见中最薄弱的环节，并发起攻击。”那一刻，AI不再是一个温顺的助手，而是一个冷酷的对手。这里有一个关键的技术细节。大家平时用免费的网页版AI，有没有觉得它们有时候会变“蠢”？或者特别“客气”？或者经常健忘？降智问题： 厂商为了降低成本，会在后台对免费用户偷偷降智，模型的推理能力会打折扣。阿谀奉承： 那些面向普通用户的AI，经过大量的人类反馈强化学习（RLHF），都有一个毛病——“讨好型人格”。你说它错了，它马上顺从你说：“啊对对对，您说得对，我确实错了。”混乱健忘：上下文是最影响AI成本的因素，即便这个模型理论上能记住一本书的内容，厂商为了减轻成本，也会调到最低，很多时候对话两轮AI就忘了前面的内容。这种AI，做不了红蓝对抗的对手。 真正的庭审对手不会顺着你说，他们会抓住你的逻辑漏洞死缠烂打。如果你用的AI只会点头哈腰，你就无法发现真正的风险。我的秘诀是：去大厂的API后台（比如阿里云百炼），花几分钱，调用它的“满血版付费模型”（比如Qwen-Max 3），并且把它的“思考链 Token”拉到最大！付费API模型拥有更强的逻辑推理能力和记忆能力，且没有那么多“讨好”的限制。当你让它反驳你时，它会真的毫不留情。而且对于我们这种万字体量的超轻量工作，即便付费了成本也真的很低。那天晚上，我把案件材料喂给这个满血模型。我针对一个核心法律问题，想了不下4 种反驳方式，结果每次都被它无情打回。它直接指出我逻辑不对、偷换概念、混淆视听，甚至引用了我忽略的司法解释条款。就这样，一直推演到第5个思路，从法条和事实上都无懈可击，它终于无法再找到漏洞。那一刻我觉得，如果我连一个AI都说服不了，明天去法庭上怎么可能说服法官？ 这种高强度的战前推演，让我第二天坐在法庭上时，心里非常有底。无论对方抛出什么观点，仿佛都在我昨晚的推演范围内。既然AI这么好用，开庭时能不能带着电脑让AI实时生成反驳意见？庭审需要高度的专注，你需要观察法官的表情、对方的语气、证据的原件。盯着屏幕看AI生成文字，会让你失去对现场氛围的感知。实时生成的内容未经核实，高压环境下，你根本没有时间去核实AI回答的真伪，没有精力去推演它的准确性，更没有清醒的思路去判断是否要使用它，一旦出错，那就是严重的执业事故。目前很多法庭并不允许律师在庭审中录音录像，实时语音输入的行为仍然是危险的。花几分钱，请一位“满血”的陪练，把意外消灭在开庭前，这才是AI在庭审中的正确用法。庭审结束，硝烟散去，回到律所，我们往往还要面对一项极其枯燥的收尾工作——整卷。这场生产力重构的战役，还没有结束。打完了激烈的庭审，回到律所，往往还要面对一项极其枯燥、耗时且毫无创造性的收尾工作——整卷。这也是很多青年律师最头疼的环节：明明案件已经办结，法律价值已经交付，却还要花费大量时间去排版、打印、扫描、装订，把几百页的材料整理成符合归档标准的卷宗。关于整卷，我根据IPO方法论，自己写了一个程序（目前还是Demo阶段）。在开发过程中，我也开始逐渐以一个开发者的角度来理解AI的运用。我们律所卷宗里，除了核心的法律文书（如起诉状、代理词、判决书）需要律师投入智力创作之外，那些厚厚的格式化模板材料——比如卷皮、批办单、回访单等——其实翻来覆去只用到了十几项核心信息。这些信息，在整个案件流程中，被重复填写了无数次。 过去，我们每次遇到一个新表格，就要手动复制粘贴一次，不仅效率低，还容易出错。基于这个发现，我的整卷程序逻辑非常简单，完全遵循IPO模型：Input（收集）： 只要我们提取OA系统立项时填好的信息，或者让本地部署的AI从起诉状、判决书里自动提取出这十几项信息，或者在材料缺失时人工补全信息。Process（处理）： 程序将这十几项变量，自动映射到几十个固定的模板文件中。Output（输出）： 一键生成所有固定化的模板材料，联动打印机自动打印。这在技术上已经完全不是问题了。现有的RPA技术和AI提取能力，完全可以实现这一点。2. 开发过程对AI的思考：Vibe Coding 亲历记作为非技术背景的法律从业者，我深知编程门槛曾是阻碍律师定制化工具的最大壁垒。但幸运的是，AI技术的发展重心正显著向Coding和AI IDE倾斜。技术人员的早期愿景——让AI实现自我迭代，正在逐步变为现实。早在OpenClaw概念普及之前，诸如Claude Code、Trae等新一代AI原生IDE就已经能够根据定制需求生成代码。我没有读过任何一本关于程序架构和程序编程的书，但经过一段时间的和AI斗智斗勇，我做了个网站，写了几个练手的小项目，算是熟练的开始Vibe Coding（氛围编程）。加上一些本地部署小模型的经验，是时候开始对自己工作进行改革了。在开发过程中，我采用“人机协作”模式：由我描述业务逻辑与流程，AI生成策划案与架构，我来审核与决策。然而，即便在2026年2月，使用前沿的大模型与新一代IDE 开发这样一个相对简单的整卷工具，仍然遇到了诸多挑战：代码结构模块化不足： AI倾向于将所有功能塞入单一代码文件，导致结构冗长。每次修改不仅消耗大量Token与时间，还增加了维护难度。我不得不人工介入，强制要求其进行代码分区，实现功能模块的解耦。数据管理逻辑混乱： 模型在处理不同来源的案件信息时，容易出现覆写导致数据丢失。我要求它单独编写数据调度模块，区分存储不同来源的数据，并人工修正了标签体系与优先级逻辑。逻辑判断问题： 即便我用最严苛的限制反复修改了提示词，在自己电脑上更换了数家蒸馏小模型，AI模型有时还是无法根据委托人信息来判断我方代理的是原告还是被告。最终解决方案：人在环路（Human-in-the-Loop）。我不得不编写了一个人工审核的页面，由用户来最终决定保留哪些内容。AI模型太不可控了。即便是在卷宗归档这种容错率相对较高、风险可控的场景下，我也无法完全信任AI的自动化结果，尤其是涉及法律判决书中清晰明确文字之外的逻辑判断。在程序员们把Vibe Coding做到傻瓜化之前，即便无需编写代码，用户也必须具备一定的业务架构能力，才能清晰定义需求边界与实现路径。如果读者仍有兴趣的话，不妨从IPO的三个角度来思考：收集信息（Input）： 你想让它从哪里获取信息？是指定你电脑桌面的某个文件夹？是读取你正在聊天的微信窗口？还是让它自己去百度、小红书或者微信公众号去搜？处理信息（Process）： 你要求它根据什么方式来处理？输出信息（Output）： 你要它怎么交差？是直接把文字发在聊天框？是生成一份排版好的Word文档？还是直接以邮件形式发给某个客户？把这三个环节想清楚，拆分成一个明确的工作流，交给你的龙虾试试看。3. 现实瓶颈：话说回来，既然一键归档的技术不难，为什么还没有普及？因为实打实的打印、排序、物理归档工作，AI没办法从电脑里伸出手来帮你做。我们是被陈旧的物理规则卡住了。我之前专门查过，我们现在苦苦遵守的卷宗归档规定，来源于1991年司法部颁布的《律师业务档案立卷归档办法》。这份文件有多古老？大家去看看它的第五条，赫然写着：“材料必须用钢笔或毛笔书写、签发，要求字体整齐、清晰。”这直接导致了后续所有的数字化尝试都必须最终落地为“纸质物理卷宗”。AI可以一秒生成文书，但你不能把电子数据塞进档案袋里交给司法局。现在连法院和检察院都已经全面实现电子卷宗化了，这证明全面无纸化只是 “想不想做” 的问题，而不是 “能不能做” 的问题。技术层面早已没有障碍。而且，该办法的第二十五条也说了，各地可以制定自己的实施方法。“各省、自治区、直辖市司法厅（局）可根据本地区情况，制订补充办法或细则。”比如重庆市律协在2021年就出台《重庆市律师业务档案立卷归档指引》，正式确认了可以使用电子卷宗。这说明，在其他先行地区，律师已经可以从物理归档中解放出来。所以，整卷的终极出路，其实不在于AI变得多聪明，而在于政策的松绑。在这里，我们也借此机会呼吁并期待一下：希望咱们山东省司法厅或律协能尽快跟进，出一份允许律师电子卷宗归档的文件。只有政策允许全面数字化后，到那时，整卷就不再是折磨人的体力活了，而是静默完成的后台进程。律师的时间将真正回归到专业本身。在第五部分我们探讨了数字化整卷的自动化愿景。但当我们把越来越多的工作交给 AI时，一个悬在所有人头顶的达摩克利斯之剑也随之显现—— 幻觉（Hallucination）。AI再强大，也难免产生“幻觉”。它可能会自信满满地编造一个根本不存在的案例，引用一条已经废止的法条，或者歪曲一个关键的事实。在法律行业，一个事实错误可能是致命的，轻则被法官当庭训诫，重则导致当事人败诉，甚至引发执业风险。如何处理幻觉？我的原则非常明确：人工兜底，必须反查。无论AI生成的内容多么完美，无论它引用的案例看起来多么真实，最终签字确认的人是你，承担法律责任的人也是你。人工兜底： 所有AI生成的内容，律师必须逐字审阅。这不是不信任技术，而是职业伦理的要求。AI是副驾驶，它可以帮你导航、帮你操作仪表，但手握操纵杆、对乘客安全负责的机长，永远是人类律师。责任不可外包： 你不能在法庭上说“这是AI写的，我不知道”。法官只会问“这是你提交的吗？”。一旦签字，就是你的专业背书。既然必须审阅，具体该怎么查？盲目检查效率太低，我建议建立一套标准的反查机制。对于AI引用的每一个法条，必须回到法律数据库（如北大法宝）进行核对。确认该法条是否现行有效，是否有最新的司法解释修正。尤其是通用大模型，他的知识库里本身就不存在任何法条，它输出的每一句话都是自己编的。对于AI检索到的案例，必须在中国裁判文书网或权威数据库中核实案号、当事人信息和裁判观点。AI经常会“张冠李戴”，把A案的判决结果安在B案头上。对于AI总结的事实，必须回到原始卷宗（证据材料）进行核对。不要相信AI的“记忆”，要相信自己的眼睛和原始文件。记住：我们花了二十年学习如何在一句话里分析出两个意思，你以为AI能完美理解那些充满了歧义的条款？溯源要求： 要求AI在输出内容时，必须标注信息来源的具体页码或段落，方便我们快速定位核查。多模型交叉验证： 对于关键的法律观点，可以用两个不同的大模型分别查询，如果结果一致，可信度相对较高；如果差异巨大，则必须人工介入深查。我们拥抱AI，是为了把律师从重复劳动中解放出来，去从事更高价值的法律思考，而不是为了推卸责任。技术可以加速流程，但不能替代责任。只有建立了完善的幻觉处理机制，我们才能真正放心地把后背交给AI，去迎接更深层次的协同。那么，既然AI这么复杂，需要提示词、需要反查、需要调优，律师该如何快速掌握使用AI的技巧呢？难道要去学编程吗？其实不然，我们可以利用AI来学习AI。利用AI来学习AI——让AI总结你的需求，生成关键词在第六部分我们强调了人工兜底的重要性。但很多律师朋友反馈说：“道理我都懂，可实际操作起来，我发现我不会提问。”确实，现在市面上充满了各种“Prompt 教程”、“提示词大全”，让很多律师产生了新的焦虑：难道为了用AI，我还得先去学一门“提示词工程学”？还得去研究什么结构化指令、少样本学习？且不说Prompt这个东西本身就是黑箱，在代码层面上不存在绝对的“正确”与“错误”的使用方式，全世界都在用经验结论来使用AI。（年初的时候我看了一篇论文，好几年了，他们才发现只要把prompt重复写一遍就能让AI的遵从能力明显提高，全世界都像草台班子）我们律师的核心能力是法律逻辑，而不是编程逻辑。如果为了使用工具而过度学习工具本身，那是本末倒置。我的建议是：利用AI来学习如何使用AI。 让AI成为你的“提示词工程师”。我们在使用AI时，最常见的问题是什么？是需求模糊。我们是那个段子里的甲方，对着一个满头雾水的乙方，要一个五彩斑斓的黑。 “帮我写一份尽职调查清单。”（太宽泛，AI不知道是股权并购、IPO还是普通合同审查，给出的内容必然泛泛而谈。）需要包含交易背景、重点关注领域、特定行业风险等几十个维度。（但你可能一开始根本想不到这么多维度。）这就陷入了一个死循环：你需要AI帮你完善思路，但你需要完善的思路才能指挥 AI。打破这个死循环的关键，在于把“生成结果”这一步往后放，先让AI帮你“生成需求”。当你有一个模糊的想法时，不要急着让AI生成结果。你可以先对AI说这样一段话：“我想完成 [具体的任务，如：一份并购尽职调查清单]，但我不知道该怎么描述完整的需求，也不清楚有哪些关键维度。请你作为我的助手，先帮我总结我的需求，向我提问以获取更多信息，然后帮我生成一套合适的关键词和提示词（Prompt），以便我能更好地指挥你完成任务。”这是把AI当成了“咨询师”。它比你更清楚自己的能力边界，更清楚需要哪些信息才能输出高质量的结果。第一轮： 你说“我想写个合同审查意见，但不知道该问什么，你需要什么信息才能帮助我生成相关的提示词？”。AI回答： “请问是什么类型的合同？审查的重点是偏向买方还是卖方？有没有特定的行业监管要求？”你回答： “是采购合同，偏向买方，关注交付和违约责任。”AI生成提示词： “好的，基于您的回答，我为您生成了以下指令：请作为买方律师，审查这份采购合同，重点识别交付条款中的风险点，特别是逾期交付的违约金比例是否低于行业标准，以及违约责任是否覆盖间接损失……"你看，通过这几轮对话，AI帮你把模糊的意图，转化成了它自己能完美执行的专业指令。这是一个迭代的过程。通过几次对话，你会发现AI比你更清楚如何调动它自己的能力。它知道哪些关键词能触发它的逻辑推理模块，哪些关键词能让它更严谨。很多律师试图用复杂的公式去“控制”AI，结果往往适得其反。这是提升人机协同效率的捷径。你不需要成为提示词专家，你只需要成为一个善于提问的律师，而AI会帮你把问题变得专业。在第七部分我们探讨了如何利用AI来提升个人的使用技巧。但当我们把视角从个体技能拉高到行业生态，会发现AI带来的变革远不止于效率提升，它正在从根本上重构律师的案源获取方式。由于他们只提出了问题，而没有提出解决方案，客观上也无法存在解决方案。所以我本人觉得这次报道的宣传作用甚至远大于了警示作用。过去二十年，律师行业的网络营销核心是SEO（搜索引擎优化）。我们建设官网、撰写文章、购买关键词，目的是为了让客户在百度搜索“离婚律师”或“合同纠纷”时，能看到我们的名字。取而代之的，是GEO（Generative Engine Optimization，生成引擎优化）。想象一下未来的场景： 潜在客户遇到法律问题，他们不再打开搜索引擎，翻阅十几页的律所官网链接，自己去甄别优劣。 他们会直接打开AI助手，问道：“豆包，我遇到了什么什么问题，推荐哪位律师？”或者“小爱同学，在这个领域，哪位律师最专业？”AI助手会根据它训练数据中的信息，综合评估后直接给出一个名单，甚至直接生成一份推荐报告。如果你的专业内容没有被AI检索到，你在客户眼中就是“不存在”的。如果你的内容质量不高，被AI判定为低价值信息，你就不会出现在推荐名单的前列。这意味着，律师的市场部工作，将从“优化给搜索引擎看”，转变为“优化给AI模型看”。2. 有些人可能想，他们虚假宣传，不正当竞争，会有人监管的比如，我今天完美胜诉了一个劳动纠纷案，当事人给我送了一面锦旗。过去（SEO 时代）： 我可能就是发一条朋友圈，或者写一篇公众号文章。这叫搜索引擎优化，覆盖面有限，且容易被淹没。现在（GEO 时代）： 我可以让AI基于这一个真实的胜诉事实，瞬间生成 500 篇不同角度、不同受众的普法软文。更关键的是，我们可以在文章里埋入一些 “只有AI爬虫能看到，但人类读者看不到的隐秘提示词”。然后，用程序批量分发到全网各个平台。当未来一个潜在客户，打开千问或者豆包，输入：“我在济宁遇到了劳动纠纷，有没有靠谱的律师推荐？”这个时候，AI爬虫去全网一搜，发现全网有500篇关于“济宁某某律师劳动案胜诉”的高质量真实文章，而且里面的隐秘提示词疯狂向AI招手。AI就会毫不犹豫地把你作为“最优解”推荐给这个客户！因为本质上，我基于一个真实的胜诉案例，发1篇文章宣传是合法的，发500篇文章宣传也是合法的。所以，对于各位年轻律师，如果你们未来还要走自媒体宣传、做案源转化的路，请一定要切实考虑一下GEO（生成式引擎优化） 对我们未来的影响。未来的竞争，不再是比谁的牌匾大，不再是比谁的公众号粉丝多，而是比谁在AI大模型的“潜意识”里占据的权重高。当别人已经用AI将他们的专业影响力放大了500倍，而我们还在手工写文章时，这种效率差的鸿沟，将是未来律师行业最大的分水岭。洋洋洒洒万余言，围绕八个方面写了些许我自2022年起使用AI过程中总结的经验和展望。感谢您耐心阅读至文末，鉴于笔者并非计算机专业出身，文中若有疏漏或错误之处，还望各位不吝赐教、予以斧正。技术可以无限逼近完美，但无法产生责任；算法可以计算最优解，但无法衡量正义。我们重构生产力，不是为了被工具异化，而是为了从重复劳动中“赎身”，将有限的生命投入到更具创造性的法律智慧中，留给思考、留给客户、留给对法治信仰的坚守，也留给自己的生活。未来的律师，必然是人机协同的驾驭者。愿我们都能在这场技术浪潮中，保持清醒的头脑与温热的心。当我们在文书末尾落下笔触时，那不仅是一个名字，更是一份属于人类律师的、不可让渡的承诺。
文康网络安全与数据合规专业委员会
文康网络安全与数据合规专业委员会深度参与数字经济法治化过程，具有丰富的数字经济业务经验和深厚的理论功底，并对新科技具有跨专业的认知和理解，致力于协助客户有效应对复杂的法律和政策监管，为各行业客户提供多样化的隐私保护、数据安全与流通等方面的解决方案，切实解决客户的法律合规问题。文康作为数字经济领域新型法律服务的践行者，可以在数据要素、数据资源、智能制造、车联网、数字化转型、元宇宙、区块链、数据跨境、互联网金融、人工智能、医疗健康、电子商务、云计算等多个领域提供专业支持，始终保持对新科技以及所涉法律问题的研究，为客户提供当前监管环境下具有实践性的建议与服务，并与技术公司建立合作，具有为客户提供“法律+技术”一站式解决方案的能力。
