夜雨聆风最近几个月高强度沉浸于探索企业法务场景下哪些工作流程和任务可以由AI改造和升级。把最近的体会整理成一篇随笔，和大家随便聊聊法律AI产品开发过程中的感悟。
最近一年几乎每天在刷硅谷大佬的推特和文章，尝试新AI工具，不断做原型。最大的一个感受是，AI在法律这个领域的潜力远超一般人想象。除了一些需要资质和真人必须出席的场景，大多数后台的文书工作AI都可以胜任，并且可以将合规工作深入到以前靠人力无法覆盖的领域。
上个月做了几个AI产品给公司内部试用，有的是处理宣传材料的合规审核，有的是证照的管理与发放，有的是本地脱敏，还有的是新项目命名的商标预检索。这些解决小事的尝试都取得了不错的反响。以前人力根本没法及时处理和响应的需求，现在都有了解决的可能性。
也有很多尝试现在看来效果不尽如人意，比如自动生成协议，比如素材版权管理，反思下来都是切入点太大超过了能力范围，或者想解决的问题不够垂直。复杂问题没有简单解决办法，这句话看似简单，但做事的时候总是会忽略这点。
正是这些尝试让我逐渐意识到，法律AI 真正有价值的地方，可能不是让AI 单独完成一个孤立任务，而是让它融入真实的工作流程。它需要理解上下文，调用数据，知道公司内部的规则和历史材料，还要能在合适的节点和人协作。
而据我观察，法务团队的大多数人接触的通用AI还停留在只会对话，或者简单的桌面应用阶段，对Skill、MCP、Plugins 和 Harness 的概念还比较陌生。这种使用方式是没法应对现实工作中需要判断和经验，以及根据公司和客户的实际情况调整策略和交付成果的需求的，也没有办法控制数据的来源真实性。
这很适合用控制论的理念去理解：法律 AI工作流应该是闭环系统。复杂的法律风险不能靠一个不能闭环控制风险的模型来控制。你需要将大语言模型、知识库、MCP、规则引擎、人机对齐、审计日志、反馈机制共同组成调节系统。
这个问题可以解决吗？
显然是可以的。
Harvey 和Legora 为代表的法律AI 工具在海外法律行业正在高歌猛进。从Harvey 2026 年110 亿美元估值的融资和众多律所用户的选择来看，市场至少对于目前这套法律AI解决方案的路径是认可的。
通用AI大模型的缺陷显而易见，现阶段主要卡点还是在于引用不准确的法律条文，缺乏复杂工作流程中解决实际问题的能力，对上下文的信息掌握不如人类全面以及对人类特有的默会知识掌握不足。法律 AI 工具是怎么解决这些难题的呢？
简单来说，它们在通用的大语言模型基础上做了一个容纳企业数据与历史业务知识的上下文容器，优化了检索召回的准确性，再整合外部专业数据来源以控制法律依据的准确性。在此基础上用预制好的Agent来帮助用户灵活调用各个功能模块，弥补用户未曾表达出来的默会知识缺失，协调各种工具共同完成复杂的法律工作。
看了这些产品之后，我也开始想，企业内部是不是也可以建立这么一个AI 工作系统。
我是个法务，但烦恼会把人逼成产品经理。尤其是现在GPT-5.5 量大管饱，你想到什么就能给你变出什么，为什么不自己动手解决自己的烦恼呢？
我的团队管理的项目从几个不知不觉变成了几十个。以往还能通过表格和记忆来了解每个项目的合规进展，但每天十多个项目不重样地找你要上线资料、签发证照、变更材料、增加功能、宣发素材，几十个项目代号在眼前飞过的时候，难免陷入一种“你是谁，你又是谁”的窘境。
烦恼即菩提。
于是我就做了一个管理项目上下文的系统的最小可行性产品。幸好公司之前的数字化基建做得不错，许多系统都能简单改头换面接进来。从此只要用自然语言询问这个系统的AI Agent，哪家公司有几款游戏即将上线，还有什么合规工作未完成，这种问题就可以随时得到答案。
接下来又想到，为什么不把与这个项目相关的资质、合同、备忘录也收录进来呢？如果可以用自然语言更新这些信息呢？如果可以把OA 流程中审批通过的合同也自动加入进去呢？如果我可以把权威的法律数据库作为MCP 也接入呢？
想法这边不断冒出来，那边Codex 在做成MVP 原型验证。每天学着怎么做LangGraph、RAG、给工具写spec，做着做着发现Harvey 做的其实好像也是差不多的东西。谁一开始不是这么瞎捣鼓出来的呢？
下面几张图是产品设计早期阶段的几个原型概念。
设计产品的时候和团队成员以及同行做过很多访谈，深刻感受到能推动改变的人一定要足够懒，对懒这件事足够有激情。很多业务痛点我听了都觉得好繁琐好麻烦不能忍，结果访谈对象硬是靠着自己的勤奋，这么多年忍了过来。
我恰好是那个对“偷懒”有着百分激情的人，所以在设计产品的交互操作和数据维护时，思路就是能省则省，能从其他地方同步数据就不要手动打字，能用自然语言描述让AI 去自行理解的事情就不要人工填表。我深信当我这样的“懒人”都有动力维护这个系统的信息时，它才能真正发挥功效。
这一切听起来很简单，但实现起来并非易事。原因我认为有以下几点：
第一，从默会知识中抽取的约束和提示是核心护城河。
第二，将数据填充进上下文容器的难度不亚于一次数字化转型。
第三，Agent 工作流程需要不计其数的调优，才能贴合真实工作流程。
第四，数据的可信校验与人机对齐环节设计，也远比一开始想象得复杂。
解决了这些问题，做出一个中国版的 Harvey AI 也未尝不可。
这个产品现在从原型验证进入了正式开发阶段。后面我再随着产品开发的进展，写写开发这个产品的过程中遇到的困难和一些随想。
如果你对这个方向的法律AI 产品感兴趣，或者如果你也在法务、律师、合规、产品或企业管理岗位上，欢迎聊聊你最希望AI 替你解决的一件麻烦事，或者你最不放心交给AI 的一类工作，让我们一起想想解决的办法。
