律师做 AI 工具,做什么才不会被下一版大模型“吃掉”?

最近和同行聊 AI，被问得最多的是这几个问题：

这一年我自己做了三件事：在 GitHub 上开源了 6 个法律 skill，在 SkillHub 上开源了 8 个 skill，且都被 WorkBuddy 推荐了；8 月底受邀参加千问模型新版本的法律评测出题，写过一套评分标准；从 10 月初开始做一个律师 GEO 小试验，定期去问几家国内 AI，看它们会不会引用我发布的内容。

这篇把我的观察和查到的公开资料摊开讲。资料截至 2026 年 10 月 17 日，厂商自己公布的数据会单独注明。

模型越来越强，律师做的产品当然可能被覆盖。下一版模型学会某个功能，并不稀奇；真正要问的是，那个功能便宜了以后，客户还有哪件事仍是不可取代的？

先说今年最有代表性的一件事。

1 月 30 日，Anthropic 给 Claude Cowork 发布了一批插件，其中有一个法律插件。下一个完整交易周，法律信息股集体下跌：2 月 3 日汤森路透单日跌 15.7%，RELX 跌约 14%。

我去翻了这个插件的源码。被市场当成导火索的这个插件，其实就是一组 SKILL.md 技能文件（现在是 9 个）、一份让用户自己填的谈判立场（playbook）和几个数据连接器，Apache-2.0 开源，默认 playbook 示例采用美国法律立场，换到其他法域要调整。

之后的节奏更快。5 月，Anthropic 发布 Claude for Legal，带一个社区 skill 中心，会在用户干活时推荐别人写的 skill；9 月，OpenAI 发布 Astra for Law，上线时就带了 47 个由法律“高阶用户”编写的技能。同在 9 月，OpenAI 的开发者博客直说：模型变强以后，过去写得很细的 skill，反而可能拖累效果（原文针对编程场景）。

国内也有对应的声音：法律 AI 公司幂律智能的一位联合创始人在虎嗅的采访里说，产品差异里模型的贡献已从约六成降到约两成。虎嗅 9 月的另一篇报道里，他还举了个例子：一个工作了几年的律师，借助现成工具，也可能做出一套“看起来像模像样”的合同审查产品。

啥意思呢？“把通用流程包一层”的门槛，已经低到律师自己就能做，模型公司当然也能做。

那模型还缺什么？几组评测可以对照着看：

简单说，标准化的小题模型已经能拿高分，难在引用能不能核验、整件活能不能做完做对。

但别指望差距一直在：OpenAI 的 GDPval 评测请同行专家盲评：2025 年 9 月公布时，最好的模型在 44 个职业的任务上被评为不输专家的比例是 47.6%，律师单项约 46%（按论文图表读数）；不到三个月，新模型把全职业的数字做到了 70.9%（律师单项未公布）。

我不准备把产品的价值押在模型永远学不会哪一步上。模型能做得更好的部分，就交给模型；我继续积累真实案件问题、检验标准，以及把工具接进客户业务的能力。律师开发者要卖的，是可核验的交付和必要的复核服务。案件结果仍受事实、证据和程序等多种因素影响，不能拿“AI 能力”作结果承诺。

今年 8 月底，我受邀参加千问新版本的法律评测出题，出了一道题，写了配套的评分标准（业内叫 rubric）。

题目取自一宗判决已公开的融资租赁案件（售后回租），当事人信息做了脱敏，并限定只能适用 2020 年 6 月 30 日时有效的法律。评分标准共三十多条，分必答、重要、加分和“雷区”四类，踩中雷区即算重大错误。

厂商的要求很明确：题目不能让 AI 直接生成；出题人可以用 AI 辅助，但必须基于真实案例（可以脱敏）和自己的工作流。

啥意思呢？模型公司最缺的，恰恰是它自己生成不了的两样东西：真实案卷，和专业人士干活的过程。

测试结果也很说明问题。同一道题测了三次，三次都出现了重大错误，而且错法各不相同：

出题让我学到的，不只是怎么让模型得分。我还得反过来问：这张评分表，能不能发现真正影响交付的错误？如果最严重的错误恰好没写进评分表，分数再漂亮，也不能放心交出去。

还有一个让我反思的细节：错得最重的那一处，恰好不在我写的评分标准里。评分标准要在测试前定稿，不能看完回答再补条，这是评测的通行做法。评分标准自己也有盲区，大模型是发散思维，律师是收敛思维，这是我们律师的优势。

⚠️ 以上只是测试版本在这一道题上的表现，不代表该模型的整体水平。

出题这件事，在海外已经是一门生意：

放在一起看，律师开发者的稀缺能力有三条：

第一，把判断拆成能逐条判对错的标准。“答得不错”不算标准；“是否写明一般诉讼时效为三年，并说清从哪天起算”才算。每一条的“满足”和“不满足”口径要互斥，否则换个人判，结论就不一样。

第二，手里有真实案例和自己的工作流。这是模型自己生成不了的。

第三，能定义“什么算做完”。用自己写的评分标准做一套私有评测集，模型每升级一次就跑一遍。真正的护城河是评测集，不是提示词。

还有一层取舍：评分标准本身，就是模型公司在花钱买的东西，卖出去的标准，可能被用于模型后续的训练或评测。一次性的题，可以换报酬和影响力；成套的私有评测集，留着给自己的产品做质检。

这是产品选择建议，不是已做成、已通过实测或保证收入的产品清单。

先给结论：就生成式大模型这一轮而言，律师个人用得早、用得散；少数头部法院、检察院用得体系化；全国面上，公检法仍处在试点和探索阶段。

法院。2026 年最高法工作报告的提法是“积极稳慎研发人工智能辅助审判系统，坚持‘辅助’定位，司法责任主体只能是法官”。以深圳系统为基础的全国试用版，据深圳媒体报道，截至今年 3 月在 11 个省（区、市）的 23 家法院试点。深圳自己已经用到 70 万件以上案件的量级（法院自报），但它是少数。上一代的智慧法院系统，2022 年就有了《人民法院在线运行规则》这样的成文规范。

检察。最高检 2026 年工作报告写的是“试点应用刑事全流程辅助办案、数智案管等系统”。上海检察机关的 10 类常见罪名办案辅助模型，2025 年 3 月起覆盖全市近 70% 的刑事检察案件，但这样的规模还是少数。

公安。公开报道里，公安的大模型场景铺得很快：张家口市公安局称已开发 400 余个智慧警务场景，浙江公安称智能执法平台让接报案和案件审核效率提高 30%，岳阳市公安局称完成了 DeepSeek 私有化部署（均为机关自报）。

律师。律商联讯今年的调查里，中国内地 411 名受访法律人（含企业法务）99% 在用 AI，用上专业法律 AI 的 54%。这是厂商问卷，和机构试点不是一个口径，但个人上手之快可见一斑；法官个人的使用数据，我没有查到。但就我接触到的同行看，大多还处于初级阶段。故此需要先行者们宣讲，让律师们能真正体会到 AI 的作用，让专业的律师团队被市场和 AI 看到，不让劣币驱逐良币，依靠 AI 把市场拨乱反正。

机构落地要面对哪些约束？主要是这四道壁垒：

还有一条和 skill 直接相关：深圳中院等单位组成的联合课题组今年 5 月发布的《司法领域智能体技术应用指南》，对技能实行白名单管理，“严禁用户自行安装或配置未经验证的第三方技能”。

律师个人使用通用 AI，与司法机关建设办案系统，正在沿不同路径推进。个人尝试一个工具比较灵活；机构把它接入办案，需要同时处理数据、权限、业务流程、安全和责任。公开材料中，既有较大规模的应用，也有仍在试点的系统。拿个人问卷的使用率去和机构部署数量比较，不能判断谁整体领先。

法院这一侧走的是“国家队”路线：最高法有法信法律基座大模型和全国统一办案平台，深圳模式在往全国推。

律师更现实的位置，是接住法院这一侧的变化。法院用上 AI，反而给律师加了一道活：

先说一个反直觉的结论：“用不用 AI”，已经分不出高下了。

国内还有一个和美国不同的地方：收费方式。国内律师本来就常用计件、按标的额比例、风险代理等方式收费；司法部等三部门 2021 年的规范收费意见，又给风险代理分段封顶（标的额不足 100 万元的部分，不超过 18%）。按件、按结果收费的业务，AI 省下的时间更可能留在律师手里。这只是我的推论，没有现成的统计。

星级是我的定性判断，不是统计结果。

如果让我下注，我更看好已经有专业积累、直接面对客户、愿意重新安排工作流程的律师小团队。他们知道一类案件常在哪儿出错，也更容易把客户反馈带回工具里。

REA（Reverse Engineer Anything，GitHub 上的 morluto/rea）是一个 MIT 许可的开源工具，把 Claude Code、Codex 这类编程智能体接到 Ghidra、IDA 等逆向分析工具上，能分析原生程序、安卓安装包、固件、网站等，官方说分析在本机运行、结论附证据和局限说明。我没有安装运行它，下面的能力描述来自它的官方文档。

它约有 30 万星，几乎都是 10 月 3 日以后两周内涨的，星数只说明关注度，不说明质量；爆红后还出现了被举报带木马的仿冒仓库，要装只认 github.com/morluto/rea、rea.tools 和 npm 包 rea-agents。

REA 对律师的启发，在软件著作权、相关技术秘密或特定专利争议中尤其具体：技术工具可以帮助发现线索，律师再判断这些线索对应什么待证事实、还差什么材料、怎样设计保全和质证。

第一，它出的不是鉴定意见，结论也有限。最多算当事人提交的技术分析。REA 文档自己写明，比对只能证明“文本不同”或“静态上对应得上”，不能证明运行行为或语义相同；项目博客还举过例子，有的重建函数“通过”了精确比对，常数却是错的。

第二，加壳、加密不能自己破。著作权法第五十条只在五种情形下允许避开技术措施，和诉讼最相关的是第（三）项“国家机关依照行政、监察、司法程序执行公务”和第（五）项“进行加密研究或者计算机软件反向工程研究”。当事人为取证自己破解算不算“研究”，没有明确依据；REA 也声明不帮助绕过 DRM、授权校验等保护措施。

第三，合法性要先评估。《计算机软件保护条例》第十七条允许为学习研究设计思想和原理而安装、显示、传输、存储软件，没有写“反编译”；用户协议里禁止反向工程的条款效力，我没查到最高法层面的明确规则。动手前先确认样本怎么合法取得（比如公证购买），再看协议约束。

第四，最大的坑是保密，还可能自证“接触”。“本地分析”只指工具本身，分析结果会交给智能体，再到模型服务商那里。对方在证据交换中提供的源代码交给云端模型，可能违反诉讼保密义务（知产证据规定第二十六条；商业秘密案件另见商业秘密司法解释第二十一条），国产模型也不等于本地模型。反过来，被诉方开发时用 REA 研究过原告产品，留下的记录恰好是“接触”的证据。

“曝光”要分三层看：skill 被平台收录（分发）、AI 答题时引不引你（回答）、用户会不会找过来（转化）。

Agent Skills 已是跨厂商标准（2025 年 12 月开放，OpenAI 也采用了）。Anthropic 那个社区 skill 中心，严格模式下只从名单上的注册表和发布者里找，许可证只认 MIT、Apache 这类宽松许可（用户可以手动放开）；名单上最大的注册表 264 个 skill，全是英文。我的 skill 用 GPL-3.0，又不在名单里，严格模式下许可证和来源名单两项条件都不满足。

装量也向官方集中：skills.sh 的统计里，claude-for-legal 累计约 7.2 万次安装，国内的中文法律 skill 合集多在几千次（只计命令行安装）。国内平台也在吸收这种形态：深圳律协 8 月的 AI 执业指引专门定义了“智能体技能包”，有法律 AI 厂商上线了“Skill 工作台”；腾讯 SkillHub 镜像了 ClawHub 的 1.3 万多个技能，署名指向的是来源站 ClawHub，不是作者本人。

这是我自己的试验，测的是 AI 联网回答问题时会不会引用我发布的内容，测不了 skill 有没有被模型训练吸收。数据截至北京时间 10 月 17 日凌晨那一轮；我这一轮内容从 10 月 6 日开始陆续发布，观察期只有十来天。

说明：①测的是各家的 API 加联网检索，不是 App；“元宝”一行测的是腾讯混元的 API，千问两档是同一个模型的两个检索档。②这是固定题目的重复测试：豆包每轮 30 题，千问两档和元宝每轮 36 题，条件不同，不作平台优劣比较；累计数含发布前的基线轮次，不能当成发布后的效果。③豆包 7 轮（10 月 13 日一轮缺 1 题），千问两档各 6 轮（max 档含 10 月 6 日一轮档位对比，最后一轮 1 题失败），元宝实测 5 轮（10 月 10 日一轮额度耗尽）；缺测都不补跑。④只计回答正文里选用、能对上网页的来源；千问和混元另有 27 条成功回答含对不上网页的来源标记（7 条联网、20 条未联网），按来源未知单列，仍算在成功回答里；千问、混元接口返回的检索候选里也没检出我的内容，豆包不返回候选。⑤来源按网站统计，同一网站的子域名合并。

有两条值得单说。

一条是，有一道题问“有没有中文开源工具，能帮助新手律师按执行阶段理解当前任务、材料缺口和下一步工作”，这正是我那个执行案件 skill 做的事。元宝五轮回答都引了 GitHub 上的仓库，没有一次是我的。能进回答的 GitHub 仓库是有的，光放上去不够。

另一条是，10 月 15 日凌晨那一轮，有道题直接带着我的名字问，元宝的回答里出现了同名律师资料：来源是一个第三方目录页和两份转载的裁判文书，官网、公众号、头条、GitHub 一个都没引；两天后再问，又说查不到。来源里没有一个是我这十几天发的页面，所以说明不了因果；回答指的是不是我本人，也没法从回答里确认。样本太少，只能当信号看。

Pew 研究中心的美国数据：出现 AI 摘要的页面，点击搜索结果的比例是 8%，没有摘要的是 15%；点摘要里链接的只有 1%。剩下的价值，主要是“这个名字和这类问题被反复绑在一起”：Ahrefs 分析 7.5 万个品牌，品牌在全网被提及的次数，和它出现在 Google AI 概览里的相关性最高（0.664），远高于外链（0.218）。这是相关，不是因果。

写作技巧的效果有争议：KDD 2024 的一篇论文说，加引用来源、引语和统计数据能让可见度提高三到四成；NeurIPS 2025 的研究却发现，多数改写技巧基本无效。另一项统计里，被 AI 引用的页面，一年内更新过的（72%）远多于一年内新发布的（42%）。真实的数据是底子，持续维护比追热点连发新稿划算。

合规上要守住边界。网信办 4 月底启动的“清朗·整治 AI 应用乱象”专项行动，把“使用 GEO 技术恶意营销”列为 AI 数据投毒；今年央视 3·15 晚会实测过，几百元买的 GEO 软件批量生成软文，就能让两个大模型推荐一款根本不存在的手环。以湖南省律协为例，《湖南省律师行业网络推广行为管理规定（试行）》11 月 1 日起试行：引用案例、数据、观点要逐一核实来源（第十条），不得用“最好”“首选”“顶级”等用语（第十一条），案件分析、法律意见不得委托第三方代为履行（第八条）。

第一，别做“通用流程包一层”，做平台拿不到的部分。本地程序经验、自己的办案打法、能核验的案例数据。引用要能一键溯源到原文：法院已经要求核实 AI 生成的内容、说明使用情况，这类产品会越来越值钱。

第二，把判断写成评分标准，做成私有评测集。每次模型升级就跑一遍；每条标准的满足和不满足口径要互斥；评分标准本身，也要先拿故意做错的答案测一遍，看它能不能抓出来。

第三，默认本地或私有化部署、不留存、可审计。各地律协指引的方向一致：上海律协给居（村）法律顾问服务写的 AI 工具指引说，敏感个人信息即便当事人同意，也不宜提供给云端 AI；深圳律协的指引要求，使用境外 AI 要取得客户单独同意；宁夏律协鼓励私有化部署。这些指引不是强制规范，但“合规可以证明”，本身就是卖点。

第四，卖结果和责任，不卖聊天框。律商联讯今年的调查里，77% 的内地法律人表示，AI 融进“引导式工作流程”会更愿意用；45% 担心核查 AI 输出太耗时。人工复核和责任承担，模型给不了，律师给得了。

第五，把名字写进 skill，热度不当背书。名称、简介、README、作者字段都写清身份，被镜像、被改造时便于追溯（镜像后也要查一查署名还在不在）。GitHub 要放，但豆包和千问的引用来源里一次 GitHub 都没出现，方法论还得写成公众号长文、官网页面和头条文章。许可证是取舍：宽松许可更容易进官方生态，GPL 更能保住开源的初衷。至于星数、榜单、“推荐率提升百分之几百”，都不难做出来；该看的是自己评测集的分数和真实咨询从哪来，每个季度复盘一次。

这一年做下来，我最大的感受是：模型吸收“流程”很快，吸收“判断”要慢得多；它会吸收 skill 的外壳，吸收不了写 skill 的人。

出题让我看清了模型差在哪，试验让我看清了曝光有多难，法院的动作让我看清了律师这一侧要补什么。

数据说明：本文资料截至 2026 年 10 月 17 日，来自法院和检察院官网、法律法规原文、公司公告、学术论文和主流媒体；厂商、平台和法院自报的数据已在文中注明。GEO 试验数据来自我本机的测量记录。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。