夜雨聆风一边是深圳法院把 AI 放进 60 万件案件审理流程。
一边是美国律师因为 ChatGPT 编造判例，被法院制裁。
同样是法律人用 AI，为什么一个变成效率新闻，一个变成职业事故？
差别不在模型。
差别在流程。
2026 年 4 月底，深圳中院在广东省人工智能应用对接大会上介绍，深圳法院人工智能辅助审判系统自 2024 年 6 月上线以来，已经深度赋能超过 60 万件案件审理。公开材料还显示，系统覆盖立案、阅卷、庭审、文书制作四大环节；2025 年深圳法院法官人均结案 744 件，比上一年增加 249 件。
这些数字很容易被理解成一句话：
法院也开始用 AI 审案了。
但我觉得这恰恰是误读。
深圳法院真正值得看的，不是 AI 能不能生成文书，而是法院怎么让 AI 不能乱跑。
最高人民法院官网此前介绍深圳系统时，有一个细节很关键：系统在各环节节点设置审核、确认、决定选项和提示，作为 AI 辅助生成的前置条件；过程可以及时纠偏，全程可以留痕回溯。
换成人话说：
AI 可以跑，但每到关键节点，法官要停下来确认。
这才是司法 AI 最重要的地方。
不是更聪明的模型。
而是更硬的流程。
法律人真正要学的，也不是“法院已经用 AI 了，所以我也要赶紧学提示词”。
真正要学的是：法院和法官怎么把 AI 关进一个有边界、有核验、有留痕、有责任归属的流程里。
这件事，是理解法律 Skill 的一个重要入口。
这里的 Skill，不是单个提示词，而是一套可复用的 AI 工作流规则：有输入、有输出、有验收标准，也有明确的责任边界。
深圳法院的案例，很适合先拆掉一个幻觉。
它不是让 AI 独立审案、独立决定。
它更像一个被嵌入审判程序的数字助理。
立案有立案的节点。
阅卷有阅卷的节点。
庭审有庭审的节点。
文书生成有文书生成的节点。
每个节点都有人的确认、审核和决定。
这和很多法律人日常用 AI 的方式很不一样。
很多人是把一个完整法律工作流压成一句话：
“帮我审一下合同。”
“帮我写一份代理词。”
“帮我总结一下案卷。”
AI 很快会给你结果。
问题是，它跳过了中间过程。
合同审查中，交易背景有没有确认？我方立场是什么？哪些条款是红线？哪些风险只是谈判筹码？哪些意见能直接给客户看？
诉讼案件中，材料有没有齐？事实有没有核？证据在哪一页？争点有没有排错？法律依据是不是现行有效？对方会怎么反驳？
这些中间过程，才是法律工作的价值。
法院的启发不是“用 AI 写更多东西”。
法院的启发是：
先把流程拆开，再决定 AI 能放在哪一步。
AI 可以进流程。
但不能替代流程。
英国 McNall 法官的案例，比新闻标题有意思得多。
2025 年，First-tier Tribunal (Tax Chamber) 的 Tribunal Judge McNall 在 VP Evans v The Commissioners for HMRC 案中披露，他使用司法系统 eJudiciary 环境下的 Microsoft Copilot，主要用于总结当事人提交的文件，并把这些总结作为初稿参考。
如果只看到这里，很容易写成：
英国法官开始用 AI 写判决。
但真正值得看的，是他在判决附记里说明的边界。
他没有把 AI 用于法律研究。
案件是书面审理的程序性事项。
没有听取证据。
不需要判断当事人诚实性或证人可信度。
AI 总结只是初稿。
准确性由法官自己核验。
最后责任仍由法官承担。
这不是一个“法官相信 AI”的故事。
这是一个法官先限制 AI 的故事。
所以，法律 AI 的第一个问题，不是“AI 能不能做”。
而是这件事的风险等级是什么。
一个任务是否适合让 AI 先跑，至少要看四个因素：
第一，错了能不能发现。
第二，发现后能不能修正。
第三，修正前会不会产生外部影响。
第四，最终决定权是否还在人手里。
按照这个标准，文件摘要、格式整理、时间线初提取，风险相对低。
争点归纳、合同风险初筛、案例线索整理，风险居中，必须人工校核。
事实认定、证据采信、法律定性、诉讼策略、和解判断，风险高，不能交给 AI 自己决定。
这也是法律人日常使用 AI 时最容易忽略的地方。
不是所有“AI 能做”的事，都应该让它做。
更不是所有“AI 写得像”的东西，都可以直接交付。
真正专业的 AI 使用，第一步不是提问。
是划线。
法律人谈 AI 风险，最常说的是幻觉。
AI 编造判例。
AI 编造法条。
AI 编造事实。
这些当然危险。
但法官使用 AI 暴露出一个更隐蔽的问题：AI 不一定只是胡说，它也可能把你原来就有的问题包装得更像对的。
Liu & Li 在 Journal of Legal Analysis 发表的论文《How do judges use large language models? Evidence from Shenzhen》，提出了一个很值得警惕的概念：echoes of bias，偏见回声。
他们观察深圳法院的实践，概括出一种典型的人机协作结构：
法官先形成初步判断。
AI 根据法官的初步判断生成裁判理由。
法官再修改 AI 生成的理由，形成最终判决。
这个结构听上去很安全。
因为最终判断还在法官手里。
但论文提醒，这里面有一个机制风险：AI 可能选择性组织材料，生成一套支持初判的理由。如果人的初判本来就有偏差，AI 未必纠正它，反而可能把它写得更完整、更顺滑、更像一套法律论证。
本文出于审慎，把这组研究结论理解为一种流程风险提示，而不是直接等同于所有司法 AI 场景的决定性结论：
AI 最危险的时候，未必是它编得离谱。更危险的是，它顺着你的判断写，写得让你更相信自己。
律师也一样。
你觉得这个合同问题不大，AI 可以给你写出一堆“风险可控”的理由。
你觉得这个案子胜算不错，AI 可以给你写出一套漂亮的胜诉逻辑。
你觉得某个抗辩不用重视，AI 可能就沿着你的提示把它压低。
你以为 AI 提高了效率。
它可能只是提高了你自我确认的效率。
所以，法律 AI 不能只设计“生成”。
还要设计“反证”。
李学尧 2025 年在《政治与法律》发表的《大语言模型应用中的司法偏误与认知干预》，提供了一个很有价值的处方：不要让 AI 单向输出，而要在流程里加入先人后机、反向检索、逆向假设、对立论证、反驳清单和 AI 参与记录。
放到法律工作流里，就是几条很具体的规则：
不要只让 AI 找支持你的案例，也要让它找对你不利的案例。
不要只让 AI 写支持你结论的理由，也要让它写最强反方理由。
不要只让 AI 整理事实，也要让它列出哪些事实证据不足、哪些地方需要核验。
不要只让 AI 输出答案，也要让它输出“不确定在哪里”。
这比“帮我写得更快”重要得多。
一个真正有价值的法律 AI 工具，不应该只会替你顺着写。
它还应该逼你停下来想：如果我错了，错在哪里？
再看美国 Mata v. Avianca。
这个案子大家已经很熟悉：律师用 ChatGPT 写 brief，里面出现多个不存在的案例。被法院质疑后，律师又去问 ChatGPT，ChatGPT 继续确认这些案例是真的。最后，法院制裁了相关律师和事务所。
这个案子最值得记住的，不是“AI 会编案例”。
而是：AI 介入以后，律师的核验义务没有降低。
法院不会接受“是 AI 告诉我的”作为免责理由。
英国 2025 年也有类似警告。英国高院在 Ayinde v Haringey; Al-Haroun v Qatar National Bank [2025] EWHC 1383 (Admin) 中，由 Dame Victoria Sharp P 强调，公开可用的生成式 AI 工具不能可靠承担法律研究，误用 AI 会影响司法公信。
所以，法院真正关心的不是你有没有用 AI。
而是：
你用了什么工具？
用在了哪里？
谁核验过？
哪些引用是真实存在的？
哪些内容只是待核验线索？
出了问题谁负责？
美国部分法院和法官发布的 standing orders，也是在处理这些问题。
有的要求披露使用了什么 AI 工具。
有的要求标明哪些段落由 AI 生成。
有的要求律师认证每一个法律引用和记录引用都已经人工核验。
有的要求所有起草贡献者签字。
有的限制把保密信息上传到公共 AI 平台。
这背后的逻辑很清楚：
不少法院不是只用“禁用”来处理 AI。
法院是把 AI 使用改造成披露、核验和责任归属问题。
这对法律人很重要。
因为很多人现在只关心 AI 能不能写出东西。
但在法律工作里，能写出来只是第一步。
更关键的是：
这句话从哪来？
这个案例查过没有？
这个事实有证据吗？
这个结论是谁确认的？
这份文件如果出问题，谁负责？
没有这些东西，AI 生成得越快，风险也只是跑得越快。
把上面的法院实践和研究放在一起看，可以反推出法律 Skill 的四条硬规则。
再次说明，这里的 Skill，不是一个更长的提示词，而是一个带输入、输出、验收标准和责任边界的工作流封装。
第一，风险分级。
先判断任务风险，再决定 AI 能跑多远。
风险不是只看任务难不难，还要看错误能不能发现、能不能修正、会不会影响外部关系、是否涉及当事人身份或商业秘密、最终决定权是否还在人手里。
第二，流程分段。
不要一键到底。
事实底稿就是事实底稿。
证据索引就是证据索引。
法律检索备忘录就是法律检索备忘录。
每一步都应该有一个中间产物，能被人审，审完再进入下一步。
第三，强制核验。
凡是事实、证据、法条、案例、金额、日期、主体信息，都要标来源。
已经核验的，写清楚权威来源。
来自商业数据库的，标成平台线索。
来自案卷材料的，标成当事人主张或证据内容。
模型推断的，必须单独标出来。
没有核验的，必须标成待核验线索。
第四，审计留痕。
记录哪个模型参与了什么。
记录哪些内容是 AI 生成。
记录哪些地方经过人工修改。
记录谁在什么时候完成核验。
记录哪些问题还没有解决。
这四条合起来，才是法律 Skill 和普通提示词最大的区别。
普通提示词追求输出。
法律 Skill 追求可控的输出。
它不是让 AI 多做事。
它是规定 AI 哪些事不能擅自做。
法律检索是最容易翻车的场景。
因为模型很会编出“像真的一样”的案例。
如果你直接问：
“帮我找几个支持这个观点的案例。”
它可能真的会给你几个。
问题是，这些案例到底存不存在？裁判观点是不是它说的那样？有没有相反案例？有没有新的司法解释？有没有地域差异？
所以，一个法律检索 Skill 不应该设计成“AI 帮你找答案”。
它应该设计成“AI 帮你组织检索过程”。
可以这样拆：
这样设计以后，AI 的角色就变了。
它不是替你下结论。
它是帮你把检索路径铺开，把正反材料列出来，把待核验问题标出来。
最终判断还是你做。
这也是我理解的“从法院流程反推法律 Skill”。
不是照搬法院系统。
法院流程和律师工作当然不是一回事。
但法院实践提供了很强的约束方向：
高风险法律工作里，AI 必须可分段、可核验、可留痕、可追责。
这四件事不解决，AI 写得越好，反而越危险。
法律人现在不缺 AI 工具。
缺的是把 AI 放进工作流的能力。
深圳法院的启发是流程。
McNall 法官的启发是边界。
Liu & Li 的启发是警惕偏见回声。
李学尧六步法的启发是设计反证。
英美法院 AI 命令的启发是披露、核验和责任。
这些材料不能直接推出一套现成产品标准。
但它们足够说明一件事：
法律 AI 的核心不是生成能力，而是控制能力。
从今天开始，法律人可以先做一件很小的事。
选一个低风险任务。
拆出输入和输出。
标出人工确认点。
规定引用核验方式。
留下未核验清单。
把每次错误变成下一版规则。
这比收藏一百个提示词更有用。
因为 AI 时代，法律人的稀缺能力不是让机器替你写。
而是知道什么时候必须让机器停。
不允法典 · 法律 AI 练功房
如果你也想把 AI 接进真实法律工作流
我会把这套方法继续拆成可复用的资料包：案卷转 Markdown、事实梳理、证据定位、合同审查、法律文档脱敏，以及对应的 Claude Code / Codex 模板和人工复核清单。
社群不是新闻群，也不是提示词仓库。它更像一个法律 AI 工作流训练场：每周一个任务，一份材料，一套参考路径，把“收藏教程”变成“真的跑通”。
个人网站：buyunfadian.com
社群介绍：buyunfadian.com/community.html
Lab 资料入口：buyunfadian.com/lab/
• 深圳法院 2026 年 4 月底广东省人工智能应用对接大会相关数据，主要用于说明深圳法院 AI 辅助审判系统的大规模应用。参考深圳新闻网 2026 年 4 月 29 日相关报道：https://www.sznews.com/news/content/2026-04/29/content_32032674.htm • 最高人民法院官网《在深圳，智赋未来》，2024 年 8 月 29 日，主要用于说明深圳系统的流程嵌入、节点确认和留痕设计：https://www.court.gov.cn/zixun/xiangqing/441351.html • VP Evans v The Commissioners for HMRC [2025] UKFTT 1112 (TC)，主要用于说明法官对 AI 使用边界、人工核验和责任不转移的披露。判决文本：https://caselaw.nationalarchives.gov.uk/ukftt/tc/2025/1112 • Oxford Institute of Technology and Justice, United Kingdom AI Justice Atlas，主要用于补充英国法院 AI 实践背景：https://www.techandjustice.bsg.ox.ac.uk/research/united-kingdom • Mata v. Avianca, Inc., 22-cv-1461 (S.D.N.Y. June 22, 2023)，主要用于说明 AI 生成虚假判例时律师核验义务不降低。制裁令文本：https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1:2022cv01461/575368/54/ • R (Ayinde) v London Borough of Haringey; Al-Haroun v Qatar National Bank [2025] EWHC 1383 (Admin)，主要用于说明英国法院对 AI 虚假引用和法律研究风险的警告。判决文本：https://www.judiciary.uk/judgments/ayinde-v-london-borough-of-haringey-and-al-haroun-v-qatar-national-bank/ • John Zhuang Liu & Xueyao Li, “How do judges use large language models? Evidence from Shenzhen”, Journal of Legal Analysis, Vol. 16, Issue 1, 2024, pp. 235-262，online published Jan. 2, 2025, DOI: 10.1093/jla/laae009，主要用于说明“偏见回声”的机制风险：https://academic.oup.com/jla/article/16/1/235/7941565 • 李学尧《大语言模型应用中的司法偏误与认知干预》，《政治与法律》2025 年第 5 期，主要用于说明先人后机、对立论证、反驳清单等认知干预设计。网络转载链接作为辅助参考：https://jyqg.chv.org.cn/sjzk/2635.html • 美国法院 standing orders 部分，为对若干公开法院命令和法官个别命令的概括性整理，文中仅作为制度趋势说明；具体命令在不同法院和法官之间存在差异。代表性例子包括 N.D. Tex. Judge Brantley Starr 的 AI certification order、Judge Evelyn Padin 关于 AI 工具和 AI 生成段落披露的要求、Judge Nina Y. Wang 关于 AI certification 的命令等。 • 文中关于法律 Skill 的设计原则，是基于上述司法 AI 实践和作者法律 AI 工作流实践作出的产品化推论，不构成法律意见。
