一、法条检索与引用准确性

1. 软法检索盲区与提示词调整

AI在回答法律适用问题时，往往无法检索到“软法”，尤其在限定字数作答时。为避免这类问题，需要提问者自身构建较为完备的规则体系，并注意调整提示词。

2. 法条内容引用不准确

AI在法条援引时可能出现将条文内容进行不当嫁接或抽象概括的情况，导致引用内容与原文存在偏差。虽然这样的情况可能因AI迭代而减少出现频次，但仍应注意交叉核验，以原文为准修正AI输出。

3. 法条编号引用错误与提示词应对

AI容易出现因法律修订导致的法条编号引用错误的情况，尤其是不同时期的处罚决定、裁判文书可能没有明确说明适用的是2007年8月30日颁布的《反垄断法》，还是2022年6月24日修正的《反垄断法》时。

但是，在涉及举报、起诉类题目或者分析过往案例时，AI可能会代入题目给出的场景或者过往案例所处时间节点的法律适用。而这些法律法规可能在使用AI辅助答题时已经被修订、修正，并调整了编号。此时AI生成的结果中，就可能仍延续使用修法前的条款编号。

要避免AI在援引法条时出现混乱，需要在提示词中明确指定所适用的法律版本及生效时间，或者说明题目所涉行为的发生时间，并要求AI在作答时统一援引该时间节点有效的法律文本，或者要求AI同时注明如果存在法律法规修订，则一并注明相关规则条款修订后的编号。

4. 抽象主题法条检索泛化与人工筛选

使用AI检索与特定抽象主题相关的法条时（如梳理反垄断法中与“鼓励创新”相关的规则），AI可能机械地给出过多的规则，且不乏并不扣题的规则。此时需要人工核验，进行筛选。在实践中，无论是进行类似汇报还是法条阐释，都需要在规则体系清晰的同时，做到重点突出。而这客观上也会更加考验法律人的专业能力和对具体工作所处语境的敏感度，辨析听众或客户到底更关心的是什么。这是在考试题设计中难以考察的，但仍可以通过答题人自己的兴趣或偏好反映出来，如果时间足够充裕可以冷静思考，或者在备考时已经有所设定的话。

二、法律适用与竞合判断

5. 反垄断法规则体系复杂给AI辅助梳理带来的困难

与反不正当竞争法不同，反垄断法的规则体系更加复杂，以至于AI无法进行全面梳理，更难根据语境和隐含信息突出法条梳理与解读的重点。在执法语境下，往往需兼顾《反垄断法》、相关行政法规和反垄断指南。在合规语境下，有时不仅需要同时援引法律、国务院行政法规或部门规章，以及国务院反垄断（反不正当竞争）委员会发布的指南，还需要援引市监总局颁布的各类指引及其给出的各类示例。在缺乏明确提示词要求或参考范本时，AI可能还无法做到对前述多层次规则及示例的精准援引。此时更需要根据题目要求或者个案场景需要，灵活掌握详略，突出说明重点条款。在司法裁判的语境下，还要额外兼顾最高人民法院发布的司法解释以及指导性案例，从而形成多层次、立体化的规范适用框架。这种多层次规范框架的构建，恰恰是AI辅助法律工作中最需要人工介入的环节。

6. 竞争法实务中的法律竞合风险与排查意识

在竞争法实务中，不排除《反垄断法》与《反不正当竞争法》《网络反不正当竞争暂行规定》《电子商务法》《价格法》《招标投标法》《政府采购法》等出现法律竞合的情况。从控制出题难度的考量出发，有的题目设置会倾向排除法律竞合问题，并导致AI在辅助答题时也受到此类预设的局限；在非考试场景，AI使用者也可能在没有意识到可能存在法律竞合的情况下，先入为主地让AI依据特定部门法来展开分析。在实务中，使用AI开展辅助分析时，则应通过问题拆解、提示词设计来排查存在法律竞合的可能性。如果同时涉及各类反垄断指南、司法解释的援引，更需要AI使用者自己厘清规则之间的关系，尤其是在没有类案公开的终审裁判文书可供参考时。当然，最理想的情况是，能够在日常积累时，通过构建自己的知识库和思维导图，提示自己注意哪些情况下可能存在法律竞合。

7. 新旧法适用案例的甄别问题

除非明确通过提示词加以限定，否则AI（至少目前）还难以准确无误地甄别哪些案例是适用2022年6月24日修正、2022年8月1日生效的《反垄断法》作出的，哪些是按旧法作出的，尤其是相关处罚决定本身也没有对此明确说明时。例如，陕西省水泥协会组织13家水泥企业达成并实施垄断协议案行政处罚决定书是2019年7月立案，2022年6月28日按照2007年版《反垄断法》作出的。当时新法还没有生效，不存在新旧法混淆的问题，也没有必要说明不是按新法作出的。这就难免会让AI产生误解。因此，在具体使用AI时，需要用户自行甄别案例所依据的法律版本，或通过提示词明确要求AI区分新旧法适用情形。

8. 无先例复杂问题中AI类比推理的偏差

对于没有先例的复杂问题，AI往往倾向于类比既有规则或寻找最接近的案例进行推演。但是如果所涉案情较为复杂，例如涉及多个相关市场界定，以及经营者在每个相关市场是否具有市场支配地位的认定，各个相关市场可能存在上下游关系、相邻关系或主产品与售后市场的关系，AI的类比推理就可能出现偏差。尤其是在不同法域可能因为法律环境不同及个案差异，导致对同一类行为的法律评价存在显著差异时。此时AI的类比推理便容易脱离个案语境，过度依赖形式上的相似性，而忽略实质要件上的差异，尤其是在中国《反垄断法》及其配套规则的既有规定，尤其是相关规则并未被适用过的情况下，例如《国务院反垄断委员会关于汽车业的反垄断指南》《禁止滥用知识产权排除、限制竞争行为规定》。

三、案例检索、匹配与类案说理

9. 典型案例筛选偏差与案例积累

在筛选典型案例时，AI会倾向两个极端，要么是给出知名度高的经典案例，要么是给出近期热度比较高的案例，并可能在个案法律适用上出错，或者无法在没有提示的情况下甄别出同类案件在法条适用、执法尺度、案情发展上的差别。要避免这类问题，除了AI交叉核验和人工核验外，也需要在提示词设置上增加一些说明。不过，更主要的还是需要自己在学习特定部门法时，注意积累与特定法条适用相关的案例，同时通过研读处罚决定、判决或者借助AI辅助分析，比较同一行业的案例、同一类型违法行为涉及的案例的异同，形成自己的案例库。这样在使用AI时，才能通过提示词精准引导其检索方向。

10. 反垄断法实践的多程序交织与个案核验

反垄断法实践包括反垄断执法，但也包括民事诉讼、行政诉讼，甚至极个别情况还可能与刑事诉讼相关。有时涉及同一类涉嫌违反《反垄断法》行为的争议，可能同时会有诉讼、执法。两者可能交织在一起，也可能前后衔接。加之部分媒体报道、官方简讯本身对时间线梳理不清，甚至不给出个案时间，就可能造成对AI的误导。所以涉及AI提及的个案，尽量能核验就核验，核验不了的，能不援引就不援引，实在需要援引则应当注明未能核验，因为不排除曾有个案被官方公开，但是相关链接失效的情况。

11. 典型案例匹配机械与语境化说理不足

AI往往更善于检索信息，但在匹配典型案例时，往往会比较机械，未必能够根据语境找到最有说服力和针对性的案例。例如，对于上游厂商对于电商渠道的转售价格干预则更适合把上海市物价局（2017年）对大北欧通讯设备贸易（上海）有限公司违反《反垄断法》限制最低转售价格行为的行政处罚决定作为例证。该案不仅涉及在线销售中转售价格干预的典型做法，而且涉案上游厂商的市场份额远低于公牛集团在相关市场的份额，更匹配说明即便在图书出版行业这类市场集中度较低的领域，市场份额低的厂商实施限制最低转售价格行为同样会违反《反垄断法》。

12. 类案援引笼统与说理段落定位不足

在类案分析时，AI可能会更倾向于把同行业的案件作为参考加以援引，但是未必能够精准地指出到底应在分析哪一部分问题时具体参考类案处罚决定的哪一部分或司法裁判文书中的具体哪些段落或哪几句话的内容。例如同样是涉及平台经济领域的滥用市场支配地位案件，携程、知网分别被市监总局处罚了两类滥用市场支配地位行为，但两案只在滥用市场支配地位没有正当理由，限定交易相对人只能与其进行交易这类违法行为上与阿里巴巴、美团、食派士三个案件存在交集。而即便是同样涉及外卖平台服务领域，美团与食派士在相关市场界定上也存在明显差异。因此，在分析个案时，需要根据个案场景素材，明确说明具体参考哪一案件的哪一部分说理，而不能笼统地以“类案”罗列。

四、法律论证、责任与经济学分析

13. 法律后果论述偏重行政处罚与责任类型遗漏

过去18年里，反垄断执法后，合法权益受到侵害的民事主体获得民事赔偿的情况极为罕见。在论述违反《反垄断法》的法律后果时，AI往往会受到以往媒体报道等语料的影响，更多关注行政处罚，忽视了违反该法还应承担民事赔偿责任、影响信用记录，并在极端个案情况下可能还会承担刑事责任。而具体到个案，AI往往难以全面覆盖这些责任类型，容易遗漏民事赔偿与信用惩戒等后果，更难以根据个案情况、生成文本的需求场景，权衡不同责任类型的适用顺序与轻重关系。

14. 隐含信息推理不足

AI目前还难以通过给定素材中的隐含信息（如四川省省会城市还有两座国际机场），推理出素材中没有直接给出的信息（如成都市有几座机场、机场间的地面交通时间）。

15. 经济学分析方法适用前提识别不足

部分AI可以对经济学分析的局限作出说明，或者提出索取相关数据的要求。但是，目前AI仍难以识别法律事实中所有可能对经济学分析方法的适用造成干扰的因素，从而提示适用经济学分析方法的前提或风险。对此，2009年发布的《国务院反垄断委员会关于相关市场界定的指南》第十一条第一款第二句虽提示了相关风险，但罗列得尚不充分。例如，某一相关市场的参与者可能存在相互参股的关系以至于价格竞争动力不足，又或者已经涉嫌存在具有市场支配地位的经营者，可能导致报价普遍高于存在有效竞争的水平；还可能存在来自平台经营者促销补贴或地方政府的奖补措施，导致实际价格水平低于有效竞争的水平……这些因素最终也会导致使用现有价格数据进行假定垄断测试的结果失真。

16. 构成要件梳理困难与证据补充的优先顺序

在要求AI就某个法律问题补充哪些证据时，AI往往难以直接按照构成要件梳理需要补充的证据，尤其是在一些部门法，如《反垄断法》《反不正当竞争法》本身就没有能够在法条中很清晰地罗列构成要件，甚至在已经公开的处罚决定、司法裁判文书中也没有非常规范且全面地进行这类梳理。例如在排查一项争议行为是否构成滥用市场支配地位时，往往需要：

(1)通过对涉案民事主体拥有实际控制权的经营者进行分析，从而确定到底谁是涉案的“经营者”，后者及其关联企业可能对涉案民事主体的市场地位，甚至后续的相关市场界定中的经济学分析产生哪些影响（例如食派士案没有分析实控人对部分西餐连锁餐厅的参股对假定垄断者测试可能产生的干扰；携程案就没有分析携程对同程艺龙的参股对竞争环境的影响）；

(2)界定相关市场，选定适当的指标统计市场份额；

(3)梳理认定市场支配地位需要考察的所有要素；

(4)对照《反垄断法》的规定将争议行为进行归类后，分析其限制竞争效果；

(5)论证争议行为可能存在的正当理由，及是否符合比例原则。

对此，AI也需要从至少上述五方面来梳理需要补充的证据。

不过，在考试时间非常有限，或者实务决策过程等不及充分举证的情况下，可以优先考虑收集那些对定性分析具有决定性影响，且确定性高的证据，例如相关争议行为是否具有正当性及是否符合比例原则。而这两方面证据的认定与论证往往是法律人可以完成的，并不必须依赖往往不仅昂贵还存在较高不确定性的经济学分析。

五、信息、证据收集与商业场景把握

17. 对最新信息不敏感与通过问题拆解进行补充

AI会更倾向于分析历史信息和确信程度高的语料，但对于最新的信息，如地面交通环境改善并不敏感。因此需要用户根据自己的专业敏感度，进一步就各个可能影响分析结论的问题逐一拆解，设置适合的提示词，搜集到自己所需的信息，而非直接采信AI对复杂素材、复杂问题直接生成的答案。

18. 信息索取范围泛化与精准筛选

如果题目考察的要点是需要向客户索取哪些信息，那么AI可能会根据题目场景，倾向于更全面地列举应当索取的信息，但往往并不需要面面俱到。因而需要对其给出的建议进一步筛选，缩小索取信息的范围，力求精准。实践中，往往也不是所有AI提示的所有信息都要向客户索取，而是要尽量以必要为限。

对于涉及平台算法的反垄断执法，更关键的是能够对相关定价算法、平台内商家与平台的数据交换记录以及基于相关算法定价的交易记录进行固证，避免过于漫无目标地泛化固证，既影响被调查经营者的正常经营活动，也会给后续调查增加不必要的负担。固定证据后，应及时聘请专业机构对被固化的算法与交易结果进行核验。因为不排除在现场检查期间或检查前，算法被技术人员篡改或替换。

19. 证据收集范围过窄与精准补强

在涉及举报人需要提供哪些证据、信息，或者执法机构需要收集哪些证据线索的问题上，AI还可能因为无法在以往公开的案例中精准匹配适合的案例，或者能够匹配的案件的处罚决定中没有公开证据列表而无法给出准确的答案，或者给出的证据收集范围过窄，甚至出现明显遗漏关键证据的情况。此时，需要结合案件线索、举报材料、行业特点以及相关违法行为的构成要件，进一步补充证据清单，并区分核心证据与辅助证据，明确各证据的证明目的与取证路径，避免因证据疏漏而影响案件定性或后续执法程序的推进。在考试时间有限时，可先依据前文已列明的证据类型与案件定性需要，快速搭建证据清单框架，提示核心证据范围。

在反垄断执法后继诉讼中的原告举证问题上，AI也可能会存在遗漏。例如举证垄断行为给自身造成的经济损失金额、相关损失与被告违法行为之间的因果关系、存在多位被告对不同被告责任的分担等。

20. 偏重法条适用而忽视商业逻辑与营销策略

如果没有额外设置提示词，AI会更倾向于分析法条适用，而非从商业逻辑、营销策略角度解读经营者实施特定争议行为的意图与效果，更容易忽视对相关效果累积导致由量变到质变的可能性进行前瞻性分析。这也会让AI在回答应该收集哪些证据的问题时面临“先天的”局限，尤其是在技术门槛比较高，或者营销套路比较多的市场领域。

21. 行业与场景差异下的针对性合规建议

虽然市监总局也已经发布了《经营者反垄断合规指南》《经营者集中反垄断合规指引》《企业境外反垄断合规指引》，地方反垄断执法机构也曾发布多份合规指引，且不乏湖北省、北京市发布的合规指引非常详尽，但是如果不明确在提示词中提示AI要参考相关语料，其往往不会主动参考这些合规指南或指引的内容。且具体到个案，还需要根据行业特点、争议行为可能涉及的法律适用、争议行为发生的场景来具体分析。这就需要一方面充分掌握与不同条款适用相关的合规建议，另一方面根据具体场景要求有的放矢地提出针对性强、重点突出的合规建议。具体到国内，不同行业的合规意识存在着天壤之别。在合规意识差的行业，要做到洁身自好，既要出淤泥而不染，又要不得罪同行，往往需要合规部门、企业高管和外部律师密切配合，提前做好预案，尤其是在已经明确会追究个人责任，甚至可能因为影响外溢到境外市场导致在外国可能被追究个人刑事责任的横向垄断协议领域。

六、制度分析、批判思维与普法转译

22. AI在梳理制度的进步性与局限性时可能只见树木、不见森林

AI在分析特定制度的进步性时，往往容易陷入“就事论事”的窠臼，仅聚焦于法条文本的变迁或个案裁判的突破，所以可能会在梳理时只见树木、不见森林，例如在梳理《最高人民法院关于审理垄断民事纠纷案件适用法律若干问题的解释》中关于改善消费者维权方面的制度设计时。同样，在分析特定制度在实践中存在哪些局限性时，也同样容易出现只知其一，不知其二的问题，尤其是在缺少足够多现成的语料对相关制度落实进行系统的批判性分析，系统地指出其在实务中存在的现实问题，又或者没有有意识地通过提示词为AI进行相关检索提出要求的情况下。例如《最高人民法院关于审理垄断民事纠纷案件适用法律若干问题的解释》颁布后，反垄断执法机构并未主动要求违法者联系合法权益受到侵害的民事主体进行退赔，或通知其可以提起维权诉讼，甚至在没收违法所得时没有先预留出应当依据《行政处罚法》第二十八条第二款进行退赔的款项。

23. 制度比较偏重形式而忽视落实效果

在对两项制度进行比较时，AI可能更倾向于形式上的比较，而非关注两项制度在具体落实效果、执行中可能引发执法人员道德风险等层面的问题，例如：

(1)比较反垄断执法中的提醒敦促制度、行政约谈制度、经营者承诺制度，

(2)比较宽大制度与经营者承诺制度，

(3)比较宽大制度与从轻处罚，

(4)比较经营者集中反垄断审查中对虽然具有排除、限制竞争效果但因为有利影响明显大于不利影响且符合社会公共利益所以不予禁止与垄断协议豁免，

(5)比较纵向垄断协议的安全港条款与豁免禁止规则等。

24. AI难以提出建设性改进意见与独立批判能力培养

AI更多是根据提示词及以往用户提问记录，对特定语料进行统计分析，然后生成文本。在遇到“对于现有规则中仍不明确或者仍需改进的地方，也可以谈谈自己的设想”时，往往很难直中肯綮，更难以从题目语境联系到相关法律实践中的争议问题。在这种情况下，除非给AI足够充分且专业的语料，让其有的放矢地“庖丁解牛”，否则很难给出真正具有建设性的意见。而且国内目前学术界和媒体往往很少能够系统、深入、尖锐地对现有《反垄断法》及其配套规则、个案实践进行分析，在指出问题的同时给出具体可行的建议。在这种情况下，更需要大家在学习相关规则、个案实践时保持敏锐性、独立性，敢于提出追问或批判性的分析，同时不断积累现行规则中可能存在的问题，或者有待改进的地方，尝试大胆地提出自己的解决方案。

25. 普法场景中的通俗转译与误解预防

普法场景其实是实务中最常见的。许多客户、企业法务、行业主管部门或地方官员，甚至许多法官，对反垄断法的术语理解往往还是以望文生义为主，或者受到某些先入为主的印象影响。对于梳理和概括法条相对擅长的AI而言，在用通俗的语言进行普法方面，往往难以实现既精准又易懂的“转译”，同时有意识地在被普法对象可能产生误解的问题上作出解释或提醒。同样，AI目前也很难根据有限的提示信息来实现“换位思考”，遴选被普法对象比较熟悉且容易理解的案例。实际上，无论是否使用AI辅助分析，都需要在概念解释时注意：一方面，确认自己的通俗化表述确实能够准确地反映法律概念的本意，另一方面，能够分析普法对象可能对特定概念存在哪些误解或盲区，以及更容易通过哪个争议较小的案例来理解这个法律概念。如果普法对象所处行业虽然有涉嫌违反《反垄断法》的经营者，但是反垄断执法机构没有立案或者相关诉讼存在争议（例如作为普法对象的出租车司机可能更关注滴滴是否具有市场支配地位），则更适宜先借助争议较少且已经查结的案例来解释“市场支配地位”这个概念，从而避免在普法过程中，因为普法对象自身的倾向性，让法律概念的解释难以保持客观，增加普法交流的复杂性。

七、AI使用机制、输出控制与场景适配

26. AI直接作答的局限与多AI分工校验

AI回答问题往往比较直接，在拆解问题、寻找替代解决方案方面会有欠缺。需注意在设计提示词时额外作出要求，或者拆解问题、细化问题，让AI分步骤地解决不同环节或不同层次的问题，并通过不同的AI相互校验或相互补充。但是，实践中要注意，使用同一款AI校验和补充其他AI的作答，可能导致该款AI生成结果受到其他AI答案的影响。因此最好可以根据不同AI的特性，事前做好分工，例如哪几款AI专门负责生成初始答案，哪几款负责校验，以及哪几款负责补充。但最终大部分AI工具都无法代替法律人，因为后者需要和当事人沟通，找到当事人的真实需求、优先关切、风险偏好，以及在当时或未来一段时间社会舆论和政策导向下能够接受的替代解决方案范畴，并根据这些因素设计对方能够理解并愿意落实（或愿意付费的）解决方案。

27. 字数限制对开放性问题丰富度的影响与先放后收策略

如果限定生成内容字数，就不可避免地影响AI在回答开放性问题时的内容丰富度，尤其是当AI无法在提示词中直接了解用户偏好时。在这种情况下，可能需要先使用AI或多款AI不设字数限制地解答开放性问题，给出足够多的选项，然后由用户自己根据需要遴选其中符合自己偏好的选项，再考虑如何限缩字数。

28. 语料污染风险与AI生成内容的可核验性

AI生成的文本往往是基于对以往公开语料的统计学分析。但是，在没有通过提示词对语料范围进行准确限制的情况下，就可能出现语料被“污染”，导致AI生成的内容被特定语料误导的情况。尤其是在法学专业领域，在不同时期，即便是权威机构、权威学者的观点也可能存在局限，但未必能够在国内的语境下被公开信息来源的文字纠偏、纠错。所以在使用AI辅助学习或工作时，尽量确保自己使用的AI生成的文字是自己能够核验、能够理解的，且尽量以必要为限，否则在自己甄别能力不足时盲目援引AI生成的阐释类表述，更容易出错。

29. AI受用户历史使用影响与公私场景区分

AI容易受到用户以往使用情况的影响，在生成结果时参考以往用户的语言风格或提问所涉及的语料范围。这可能导致生成的文字风格也受到影响，甚至在术语使用、文字搭配上与专业文字存在微弱反差，显得不规范，甚至可能闹笑话。建议将工作学习用的AI与私人生活中使用的AI进行区分，避免两者混用可能引发生成内容在文字风格或术语使用上受到某些影响。类似地，若在同一AI中同时处理多个项目或领域的事务，也建议为不同项目建立独立的会话或对话线程。

30. 非正式专业沟通场景的AI辅助与换位思考不足

在反垄断法实务中，除了阅读、起草、修改各类法律文书和正式的书面材料之外，还不可避免地会涉及不同场景的口语化专业沟通，例如与客户的前期访谈、内部团队的案件讨论、与执法机构的口头沟通，以及与商务场景相关的非正式的邮件往来等。这些非正式的专业沟通的场景无论是频次还是市场占比均不容小觑，且往往可以通过AI辅助工具提高相关准备工作或后续文本起草工作的效率。

在上述场景下，AI可以在有提示词的情形下在形式上注意生成文本的表达风格，但未必能够做到设身处地的换位思考，并在复杂场景下审时度势地分析各方立场与利益关切。相反，某些情绪化表达或语言暗示即便被AI从会议记录中识别，也未必能够作出准确分析，更难以预见某些说者无意，听者有心的问题。

前述这类复杂场景也会在以往的试题设计中予以兼顾，但仍可能会被AI忽视或误解。具体到对AI生成答案的批判性分析时，需要人工识别前述非正式沟通场景中可能对问题拆解、提示词完善、类案遴选、分析重点布局产生影响的因素，并确认自己援引观点的倾向性、类案相关论述细节的匹配度，避免盲目援引没有阅读过上下文语境的第三方观点或者未深入了解案情全貌的类案。

例如，在某企业法定代表人参与行业协会的会议时要说服其他会员单位不要通过协会决定或自律公约等手段实施垄断协议时，就不宜贸然将同时涉及黑社会性质组织、强迫交易等罪的丰城预拌混凝土协会案（赣市监反垄断处〔2021〕1号）作为类案，除非该企业法定代表人确实掌握行业协会涉嫌存在违反《刑法》第二百二十六条、第二百九十四条的证据且确实认为在会议上进行这样的类比存在必要性。

• 汇总：与反垄断法教学相关的文章（2025年7月10日整理）
• 关于反垄断法领域论文选题的一些思路
• 再谈反垄断法领域毕业论文的选题与写作
• 选题参考 | 目录：有关《反垄断法》《反不正当竞争法》修订及其配套规则、《民营经济法》征求意见稿的反馈意见及相关讨论（55篇）
• 选题参考：反垄断执法机构在查处垄断协议与滥用市场支配地位案件时可能常见的20个问题（2026年4月10日初步梳理）
• 【选题参考】| 2026年第三届检察公益诉讼高质量发展研讨会获奖论文中有40篇文章标题包含“垄断”两字，43篇文章标题包含“竞争”……
• 对反垄断法初学者使用AI大模型分析经营者集中审查决定的9点建议（2025年7月1日第1稿）
• AI辅助阅读 Checklist: 解析禁止滥用市场支配地位行为的处罚决定时，应关注的25类关键信息（第1版，2026年6月26日整理）