夜雨聆风
导语
AI会写文书，不代表它能办完一场官司。LEGALWORLD用75,309对一审至二审真实案件搭建模拟环境，把咨询、文书、庭审和上诉连成一条链，测试一句事实遗漏会如何影响后续程序。
六大模型的共同短板也随之暴露：会写，未必会在法庭上应对动态攻防。
2023年，美国Mata v. Avianca案中，律师使用ChatGPT进行法律研究，把不存在的判例写进文书并提交法院，最终受到法官制裁。
错误一旦进入正式法律程序，代价就不再停留在聊天框里。
再设想一步：如果AI在第一次法律咨询时漏掉一句关键事实，随后又根据这份残缺信息写起诉状、参加一审、提出上诉，这个错误会被及时纠正，还是会一路传到二审？
这正是LEGALWORLD试图回答的问题。
先说明边界：LEGALWORLD是一套中国民事诉讼AI模拟与评测环境。AI没有进入现实法院判案，这项研究也没有证明AI“没有偏见”或者“不会判错”。
它真正测试的是：法律AI能否跑完一场连续的官司，以及前面犯下的错误会怎样影响后面的程序。
AI答对一道题，离办完一场官司还很远
现在的法律AI已经能回答咨询、检索法条、生成合同，也能起草一份看起来像模像样的诉讼文书。
但一场官司不是几次互不相关的问答。
咨询时确认的事实会进入起诉状；起诉状里的诉讼请求会限制庭审中的主张；一审没有组织好的证据，到了上诉阶段也未必能顺利补救。
如果每进入一个新阶段，都重新给AI一份完整案情和标准答案，它当然不容易“断片”。现实中的律师却只能依靠此前积累的事实、证据和文书继续工作。
LEGALWORLD把法律AI Agent评测从单点考试变成了一场连续考试：
法律咨询 → 一审文书 → 一审庭审 → 上诉文书 → 二审庭审
整个环境包含五个连续阶段、七个子场景。前一阶段形成的事实、证据、立场和文书，会直接进入下一阶段。
前面答错了，后面不能一键重来。
这也是LEGALWORLD最重要的变化：它不只看AI某一次回答得好不好，还要看一个错误会不会在诉讼流程中不断放大。
75,309对案件，怎样变成一座“AI法庭”？
根据论文，LEGALWORLD以75,309对一审至二审民事案件为数据基础，覆盖500余种民事案由。
这里的单位是“对”，不是“件”。每组数据都包含同一纠纷的一审和二审裁判。
研究团队根据案号、当事人和案由等信息进行匹配，并剔除撤回上诉、不予受理、程序性驳回等没有进入实体审理的二审记录。
保留下来的案件会被整理成结构化材料，包括当事人信息、诉讼请求、事实与理由、证据、一审裁判、上诉请求和二审结果。
这些资料不会一次性全部交给AI。
客户、律师和法官拥有不同的信息视野。客户按照自己的认知陈述事实，律师只能在权限范围内读取案件材料，法官则根据当前阶段主持程序并生成模拟裁判文书。
这种设计减少了“开卷考试”的问题：AI不能提前看到完整案情和真实结局，再围绕标准答案进行表演。
还有一项容易被忽视的数据边界。
75,309对案件是完整数据底座，不代表论文中的每项实验都跑完了全部案件。
论文主实验采用的是Light子集，即从高频案例中均衡抽取的100个案件。一个案件完成全生命周期模拟，平均需要处理约50万Token。
Token可以简单理解为AI读写文字时使用的基本单位。50万Token意味着，跑完一场模拟官司，需要反复处理大量事实、证据、文书和庭审对话。
标题可以抓人，但数据不能混用。
75,309对是真实数据底座，100案才是论文主实验的实际规模。
Agent、Bench和Skill，究竟是什么？
这些英文词看起来复杂，换成日常语言就容易理解。
Agent，也就是智能体。它不是只会聊天的模型，而是一个拥有角色、记忆和工具的“数字工作人员”。
LEGALWORLD中主要有客户、律师和法官三类Agent。客户负责陈述事实与诉求，律师负责咨询、文书和诉讼代理，法官负责主持庭审并生成模拟裁判文书。
系统中的客户也不是永远配合的“标准当事人”。
有的客户法律素养较高，有的只能从朴素公平出发；有人愿意主动说出不利事实，也有人需要律师反复追问；有人表达清楚，也有人会遗漏时间、金额和证据线索。
Bench，也就是评测基准。LongJud-Bench相当于一张覆盖整场官司的能力考卷。
Skill相当于工作手册，Tool相当于办案工具。前者告诉AI在咨询、起诉或上诉时应该遵循哪些步骤，后者负责检索、校验、导出和案件记忆读写。
LEGALWORLD还设置了两层记忆。
局部记忆保存当前咨询或庭审的对话，相当于会议记录；全局案件记忆保存事实、证据状态、诉讼请求、抗辩意见和程序进度，相当于持续更新的电子案卷。
这也回答了“AI法律工具如何落地”的问题：
面向实务的法律AI不能只有聊天框，还需要案件记忆、证据管理、权限隔离、文书版本和操作留痕。
8.96分，不等于AI判案准确率96%
研究邀请了217名具有法律背景的评审者，共收集18,992条评分。
人工评审给出的阶段真实性平均分为8.96分，角色一致性平均分为8.98分。
其中，73%的评分不低于9分，低于或等于6分的评分只占4.5%。
这些数据说明，评审者普遍认为LEGALWORLD生成的诉讼轨迹比较接近真实民事程序，客户、律师和法官的表现也基本符合角色身份。
但8.96分不能被理解为AI判案准确率达到89.6%或96%。
“流程像不像”与“结果判得对不对”，是两套问题。
前者检验模拟环境是否可信，后者还涉及证据真实性、法律适用、裁判尺度和现实后果。
75,309对真实案件能够帮助研究者发现AI可能在哪里出错，却不能给AI开出一张“不会判错”的证明。
六大模型同场办案，谁更像律师？
LongJud-Bench把律师Agent的能力拆成八项，包括问题识别、当事人识别、诉讼请求、事实组织、证据组织、立场一致性、证据攻防和法律推理。
论文测试了六种大模型，没有出现全能冠军。
Kimi-K2.5在文书起草和咨询识别上更突出；Qwen3.5-Plus更擅长组织诉讼请求；GPT-5.2在一审证据攻防和法律说理上表现更强。
DeepSeek-V4-Flash、GLM-4.7和Qwen3.5-Flash也各有局部优势，但进入需要多轮回应的庭审场景后，表现普遍下降。
原因并不复杂。
文书可以反复组织语言，庭审却要求AI同时读取案件记忆、回应对方观点、处理法官追问，还要围绕证据即时调整策略。
一句话总结：所有法律大模型文书都能打，但动态对抗庭审是集体短板。
AI能从“办砸的案子”中复盘吗？
LEGALWORLD还设计了一项探索性实验：Reflective Legal Skill。
一场模拟诉讼结束后，律师Agent会回看咨询、文书、庭审、裁判和评分记录，总结能够在同类案件中复用的办案规则。
这些规则经过筛选后，会成为下一次办案时可以调用的Skill。
在离婚后财产纠纷、民间借贷和劳动争议三类案由中，加入反思Skill后，LongJud-Bench总分从61.56分升至65.29分，提高3.73分。
这不能被解释成“AI已经学会打官司”。
实验覆盖范围有限，提升的是基准测试分数，并非现实案件胜诉率。
它更接近一个技术信号：相比孤立的问答数据，一条包含咨询、文书、庭审和结果的完整轨迹，可能更适合训练法律智能体。
法律AI真正比拼的，不在聊天框里
LEGALWORLD真正值得关注的地方，不是“AI法官”这个噱头，而是它让错误第一次变得可以追踪。
哪条事实在咨询阶段被遗漏？哪份文书改变了诉讼立场？庭审时为什么没有回应关键证据？一审的问题又怎样影响二审？
这些问题决定了未来法律AI产品的核心竞争力：
案件记忆是否稳定，证据链是否清晰，角色权限是否隔离，生成过程能否追溯，关键结论是否经过专业复核。
至于“法律AI会取代律师吗”，这项研究没有给出肯定答案。
相反，它展示了法律AI距离可靠办案还有多远。会回答、会写文书，与能够对一场真实官司负责，中间还隔着程序、证据、经验和责任。
AI走进法庭，边界必须先说清楚
论文明确说明，LEGALWORLD目前聚焦中国民事诉讼，不覆盖刑事、行政、执行和再审程序。
它也没有完整模拟管辖权异议、财产保全、反诉、专家意见等复杂分支。
LEGALWORLD用于法律AI模拟、评测和训练支持，不能替代律师、法官或现实法律决策。
它不能证明AI没有偏见，更不能证明冤假错案会因此消失。
回到最初的问题：法律AI漏掉一句事实，会不会一路错到二审？
答案是，它存在这种风险。
LEGALWORLD的意义，是让研究者更早发现这条错误链，并看清AI究竟在哪一步开始失去可靠性。
值得转发的两句话
法律AI最可怕的不是答错一题，而是一个错误顺着咨询、文书、庭审一路传到二审。
法律AI比拼的不只是聊天能力，而是全流程可追溯、可复核的案件管理能力。
论文与项目入口
论文：LEGALWORLD: A Life-Cycle Interactive Environment for Legal Agents 在线体验：Legal World法律全流程仿真系统 项目主页：LEGALWORLD Project Page 开源仓库：Legal-world GitHub 延伸案例：Mata v. Avianca案相关报道
你使用法律AI时踩过什么坑？
是法条引用错误、文书事实遗漏，还是回答看似专业却无法核验？
欢迎在评论区分享。私信回复“LEGALWORLD”，发送完整论文原文和项目入口。
觉得这篇内容有用，可以先收藏，再转给正在使用法律AI的律师、法学生和AI从业者。
