ARTICLE · 1224645
用DSH的DS Bot插件,律师一小时,零代码跑通模拟法庭
用DSH的DS Bot插件,律师一小时,零代码跑通模拟法庭我让四个AI在群里开了一场庭,判决出来那天,我对着真实判决书沉默了。 工具是DeepSeek Harness的DS Bot插件,案例库接的是公开裁判文书。这套打法不挑人,挑的只是你愿不愿意把准备庭的时间,换一种花法。 一个律师用模拟法庭做庭前推演的全过程,以及它暴露出的一个更大的可能。 基于一份真实的法院判决,先把事实部分喂给AI。 四份合同、三个被告、1900多万标的,攻击防线摞了六层:合同效力、合作关系、减损义务、疫情减免、保证期间、诉讼时效。 我在DeepSeek Harness里拉了一个群,扔进去四个Bot:一个审判长、原告代理人、两个被告代理人。把案件材料给它们,定好规则,然后退到一边看戏。 四个AI自己推进了全部流程。原告陈述、被告答辩、九个争议焦点、三轮举证质证、法庭调查、两轮辩论、最后陈述,一直到宣判。 判决出来:认定租赁关系成立、合同对某乙公司有效、被告方“合作抗辩”不采纳、判付租金及占有使用费。 后来我拿到了这个案子的真实判决。 对着看的那天晚上,我沉默了很久。不是因为模拟判决和真实判决一模一样——它们有六处不同——而是因为,核心的裁判路径几乎完全重合。 第一处重合,在合同效力上。真实法院的逻辑是:各方都不申请公章鉴定、拿不出不一致的合同文本、原告对盖章时间作了合理说明、再加上注册地址迁入和续签还款这些履约表象,所以合同成立生效。 我的模拟审判长,走的是一模一样的推理链条。 第二处,在原告代理人的“神来之笔”上。真实判决里法院确认:彭某个人支付的220万优先抵充第一份合同,第一份合同欠380万,原告只主张330万,法院在诉请范围内处理。 而模拟庭审里,原告AI代理人在最后陈述阶段主动做了同一件事:它列了两种抵扣口径,算出510万和380万两个数,然后说“我按330万主张,是就低”。 没人教它。它是从证据和攻防对抗里自己推出来的。 第三处最扎心。真实法院对占有使用费,采了被告自认的11月20日搬离,而不是原告主张的11月30日。模拟法庭倾向了11月30日——这是六处分歧里模拟输得最明显的一处。 但你想过没有,提前知道“这个法官可能会采被告自认”意味着什么?意味着庭前调解方案里的让步空间、占有使用费的报价区间、甚至要不要补一份交接见证证据,全都变了。 必须诚实说:模拟不是一遍就成的。 第一遍庭审,审判长AI大面积虚构事实——编造了材料里根本不存在的证据和情节。判决书形式上很漂亮,内核全是想象。 我当庭叫停,然后给系统加了一道规程,我管它叫“阶段门禁制”:每审理完一个阶段,审判长必须交一份《事实溯源清单》,把每一项事实陈述对应到在案材料的锚点,书记员逐项核验,对不上就宣布该阶段无效、重做。 加了门禁之后的第二遍,再没有一处虚构。所有事实性陈述都能溯源,查不到的材料老老实实标注“待证”,最后连原告AI都学会了主动说“该项诉请的事实要件查明不能,我方申请撤回”。 这个过程让我意识到一件事: AI开庭最大的风险不是它不够聪明,是它太会编。而门禁制恰恰是把“编”锁死之后,剩下的才是纯粹的法律推理。 这套东西的价值也在这里——你得到的第一遍结果不可信,但被事实锚点反复拷打之后的推理路径,值得你认真看。 前面说的还只是“模拟一个案子”。真正让我睡不着觉的是另一件事。 中国裁判文书网公开着海量生效判决。假设你下个月要在某个法官庭上开一个民间借贷案—— 你可以把这个法官能检索到的全部生效判决喂给系统,让同一套案件事实,反复做模拟庭审。每模拟一轮,就拿着真实判决校准一轮:他怎么归纳争议焦点?他倾向谁举证?他对违约金调到多少?他问律师的第一句话通常是什么? 模拟十次、五十次、一百次之后,这个法官的办案风格会被逼出来: 他对证据瑕疵的容忍度有多高; 他是“合同文本至上”还是“履行行为优先”; 他调违约金的手术刀下刀在哪里; 哪些抗辩在他的法庭上从来活不过辩论阶段。 这时候你再站上他的法庭,你面对的不再是一个陌生的裁判者,而是一个你已经陪练过一百场的对手。 庭前准备的最高境界,从来不是熟悉法条,是熟悉坐在上面那个人。以前这靠的是所里老律师“某某法官很讨厌迟到、某某法官爱当庭调解”的口口相传。现在,它可以被系统性地模拟出来。 当然: 模拟法庭替代不了开庭。真实庭审里的情绪、临场、法官的自由心证,AI模拟不了全部。模拟判决和真实判决有六处不同,这件事本身就是最好的证明。 它替代的是准备。庭前把对手的每一层抗辩先挨一遍打,把代理意见先被驳三轮,把法官可能追问的问题先被问一遍——等你真的站上法庭,你说出的每一句话,都已经是第二遍说了。 我这场模拟,从建群到宣判,一个小时。四个角色,五个AI,零行代码。 后附模拟法庭整个过程的记录,如果希望看到详细过程的,可以和我沟通。















































































