从“会用AI”到“有工作流”:用OpenClaw把办案方法沉淀成专属Skill

把一份合同交给人工智能，它可以审；换一份合同，律师往往还得重新告诉它：这次是什么交易，重点看哪些条款，风险怎么分级，最后按照什么结构出审查意见。让人工智能写一份律师函也可以，但下一次换了案件，又要重新给材料、重新讲事实、重新告诉它行文结构和表达要求。

问题并不一定出在人工智能能力不够，更现实的问题是：律师自己的工作规则，还没有被真正留下来。如果只是换了一个聊天工具，那么使用方式仍然是有任务时问一句，得到结果后结束。

OpenClaw这类智能代理真正值得律师重新理解的地方，就在这里。当审查清单、文书模板、角色规则、文件处理方式，甚至持续性的执行任务被做成可反复调用的规则以后，下一次遇到同类工作，就不必再从头解释。团队里一个律师已经形成的审查方式，也有可能继续被其他成员复用和修改。

到了这一步，人工智能带来的才不只是“快一点”。它开始逼着律师回答一些更难的问题：我到底是怎么审一份合同的？我的文书为什么这样写？一个案件进入以后，我按照什么顺序分析？哪些动作可以交给系统，哪些地方一定要停下来让律师确认？

传统的人工智能使用方式，很容易围绕提示语展开：问题怎么问得更准确，背景怎么交代得更完整，输出格式怎么限定。这些当然重要，但如果同一种业务每次都需要律师重新输入一遍，经验仍然停留在一次性的对话里。

OpenClaw里的角色配置和技能规则提供的是另一种思路。前者解决系统以什么角色、遵循什么基本原则工作；后者进一步把某一类具体任务怎样处理固化下来。

对于律师而言，这个区别很关键。比如合同审查，真正能够沉淀的，不只是“请帮我审查合同风险”，而是审什么、按照什么顺序审、不同类型合同看什么、审完以后按什么形式交付；文书起草也不只是“帮我写一份律师函”，而是从什么材料提取事实、按照什么结构生成、哪些内容需要核验、最终怎样形成可交付文件。

当这些要求从一次提示，变成可以反复调用的工作规则，人工智能才开始从“回答问题”进入“参与工作”。

合同审查可能是律师最容易使用人工智能的场景之一，也是最容易把人工智能用浅的地方。最简单的方式，是先使用一套现成的合同审查能力：启动快，也可以先看看一套已经搭好的审查方式究竟怎么运行。

但如果一个律师长期做股权、建工、劳动、知识产权或者其他细分业务，很快就会发现：现成规则不一定等于自己的审查规则。这时就需要把审查重点、审查清单、风险分类、输出结构以及不同合同类型的差异真正写进自己的规则里。

当这些问题被逐渐整理以后，律师沉淀下来的就不再只是一次审查结果，而是一套可以继续修改和复用的审查方法。不同类型的合同还可以分别形成规则，成熟以后再在团队内部共享。

真正开始形成资产的，是原来散落在不同律师经验、模板和习惯里的审查规则。

律师说人工智能“会写文书”，很多时候指的是聊天框里出现了一段看起来不错的文字。但真实工作并没有结束，因为律师面对的首先是一批材料：材料可能是Word，也可能是PDF，甚至可能是扫描PDF。

课程里把文书工作直接拆成“读取文件—生成内容—输出本地文件”三个动作，这个流程很接近律师真实的交付过程。客户最后需要的不是聊天记录，而是一个可以继续编辑、校对、归档或者交付的Word、PDF或飞书文档。

再往前走一步，就是把文书模板本身做成可调用的规则。真正值得沉淀的，不是一句“写得专业一些”，而是这类文书到底读取哪些信息、按照怎样的结构展开、哪些内容必须出现、最终按照什么形式输出。

把文书模板交给人工智能，不只是上传一个Word模板，而是把律师生成这份文书的规则一起交代清楚。

案件分析里，有一种很常见的人工智能使用方式：把全部材料上传，然后问一句“请帮我分析这个案件”。系统会给出争议焦点、法律依据和初步判断，这些当然有价值，但真实诉讼还有一个它很难在单一回答中充分呈现的结构——对抗。

所以课程中的模拟法庭没有停在“让人工智能分析案件”，而是进一步使用多个角色进行分布式对抗。角色如何分工，发言遵循什么规则，庭审怎样推进，哪些角色负责攻击，哪些负责回应，庭后又从什么角度复盘，这些都需要预先设计。

模拟法庭真正值得律师使用的地方，不是让几个角色一起证明自己是对的，而是故意让其中一些角色站到你的对面。它的价值也不再只是“多给几个观点”，而是通过人为制造对抗，提前暴露自己的论证哪里可能被攻击。

在真正开庭之前，先把己方论证放到一场有规则的对抗中检验一次，往往比再多看一遍自己的观点更有价值。

如果只看合同审查或者文书生成，普通聊天模型和智能代理之间的差别，有时还没有那么明显。到了执行案件，这个区别就容易看出来，因为执行工作中存在大量不会“一问即结束”的任务。

财产线索需要分析，新的信息可能继续出现，还需要阶段性整理结果并向委托人反馈。课程因此把财产线索分析、定时监控、外部工具查询、尽调研判和委托人汇报串成一条持续性的工作路径。

聊天工具的基本关系是律师提问、系统回答；智能代理开始处理的，则是读取信息、调用工具、按照规则处理、持续执行，再形成结果。对于执行、尽调这类原本就需要大量重复查询、分析和跟踪的业务，这种改变尤其值得关注。

执行工作的价值，不只是“查到什么”，还包括持续发现、及时汇报和可追踪的处理过程。

很多律师使用普通聊天模型时，安全问题通常围绕两件事展开：材料能不能上传，以及答案会不会出错。到了智能代理阶段，这个问题明显扩大了，因为系统可能不只是接收一段文字，它还可能读取文件、调用外部工具，并按照任务持续执行。

能力越往前走，风险边界也就越往前走。律师交给系统处理的，可能是合同、案件材料、证据、尽调文件，也可能涉及客户尚未公开的交易和经营信息，因此权限本身就成了系统设计的一部分。

这里真正值得留下来的，不是一条抽象的“人工智能使用要合规”，而是一个更具体的工作原则：数据范围、权限边界和核验要求，应该和工作规则一起设计。人工智能可以参与律师工作，但涉及事实、法律依据、证据评价以及最终对外输出时，专业判断仍然要回到律师。

律师学习人工智能，很容易把精力放在模型上：哪个模型更强，哪个工具能联网，哪一种智能代理能调用更多能力，这些当然都值得了解。但如果真正准备把人工智能放进合同审查、文书、诉讼、执行和尽调里，迟早会碰到更基础的问题。

我自己的合同到底是怎么审的？我处理某类案件时，到底先看什么、后看什么？我的文书为什么形成现在这种结构？哪些工作可以标准化，哪些地方必须由律师判断？这些问题不解决，再强的系统也只能反复等待律师重新发指令。

所以，从一次性对话走向可复用工作规则，看起来是在学习一种新的人工智能工具，实际还在做另一件事：把过去停留在个人经验里的律师工作方法重新拆开、写清楚，再决定哪些可以交给机器。真正形成价值的，不是多一个聊天窗口，而是律师的专业经验开始变成可以长期使用、持续优化的工作能力。

这门课程没有把重点放在一般办公提效、客户服务或者品牌获客，而是直接进入律师核心业务。从基础配置开始，继续进入法律研究、合同审查、文书生成、庭审模拟、执行、尽调以及安全合规，重点解决的是OpenClaw怎样真正进入律师业务流程。

缪奇川律师，北京市东友律师事务所合伙人，北京航空航天大学法律硕士，具有“工科＋法律”复合教育背景。加入东友前，曾任职于中华人民共和国海关总署某司局单位。

缪奇川律师主要从事商事争议解决业务，重点涉及建设工程、公司治理与股权、知识产权等领域，并担任亚太国际仲裁院国际仲裁调解员、北京市朝阳区律师协会海商海事法专业委员会委员。在法律人工智能应用领域，现任iCourt法律AI研究院特聘专家顾问，并长期受邀面向各地律师协会、企业和高校开展法律AI主题授课与分享。

其法律实务与技术应用的复合背景，也使本专题没有停留在一般性的“人工智能工具介绍”，而是把OpenClaw具体放进合同、文书、诉讼、执行和尽调这些律师工作场景中讨论。

学习方式

如需系统学习本专题内容，可以点击下方课程链接开启学习。

本课程已纳入万法通VIP年卡会员权益。如需了解VIP年卡会员详情，或申请试听，欢迎扫描下方图片中的二维码咨询。