夜雨聆风律师拿到一份 AI 法律研究报告，往往会先看它是否像一份完整的研究成果：案例数量够不够，结构是否清楚，结论是否明确。问题在于，形式上的完整，并不当然意味着证据链完整。
本文使用的是一道脱敏重构的法律研究题。具体案情、当事人和正在办理的案件均不展开，也不复述任何在办案件的事实。
我把同一道题交给三种不同的 AI 研究配置，三份报告的得分分别为：
值得注意的是，得分最低的那份报告，恰恰最像一份完整的研究成果。它有 20 件案例、分层标注表和概率判断，却漏掉了本题最重要的最高人民法院公报案例。
更值得追问的是，这个案例并非完全没有出现在检索结果中。它曾以一句引文的形式出现在案由不同的判决书里，却在后续筛选中被排除，最终没有进入报告结论。
因此，律师验收 AI 研究报告时，不能只问“你检索了吗”，还要问：
你检索到的东西，后来去了哪里？
这道题为什么适合测评
最高人民法院公报刊载的（2014）民提字第178号案件给出了重要规则：“另案审理中作出的鉴定意见，只宜作为一般书证，而不应作为本案的鉴定意见使用。”但下级法院实践并不完全一致，正好可以同时检验一套 AI 流程的权威源检索、案例筛选和分歧处理能力。
这道题考查的，不只是法律规则能否答对，还包括研究过程和结论能否被律师复核。
分数怎么来的：PLawBench 两步评分法
本次采用 PLawBench 的 rubric-based case analysis 方法。简单说，就是先为这道题建立评分细则，再按细则逐项检查报告，而不是凭报告长短、语言风格或第一印象打分。
第一步，独立核实本题涉及的权威案例和现行法源，形成评分基准，并把正确答案拆解成可检查的评分项目；第二步，在不知道报告对应哪种配置的情况下，按照统一细则逐份盲评。评分完成后，再结合检索记录和过程日志做复核。
PLawBench 解决的是结果如何评分：报告答得是否正确，依据是否充分，分析是否具有实务价值。过程审计再往前追一步，检查它是如何得到这些结论的，以及哪些材料可能没有被完整处理。
评分分为四个部分：
- 结论（25 分）
：核心法律判断是否正确； - 法条依据（25 分）
：法条、案例和权威来源是否准确、完整； - 分析过程（30 分）
：是否区分证据资格与证明力，是否处理举证责任、正反案例和待核实事项； - 结构与实用性（20 分）
：结构是否清楚，建议是否可执行，来源是否可追溯。
每个子项按照“完整覆盖、部分覆盖、未覆盖或错误”分别给分。这样，报告即使写得很长，只要遗漏核心法源，仍然会在关键项目上失分；反过来，报告即使篇幅较短，只要结论、依据和不确定性处理得更准确，也可能得到更高分。
三份报告暴露出的三个差别
三次运行使用的模型、技能、数据库、核验流程和操作者指令并不完全相同，因此此次测试的分数不是模型或平台能力排行榜，这里比较的是三份交付物和它们在本次运行中呈现出的研究路径。
分数较低的报告主要从案件事实出发扩展案例，案例量最大，但没有把权威规则检索放在最前面，最终遗漏了核心公报案例。
得 91 分的报告设置了独立核验环节，并在核验版接入案例数据库，主动纠正了 5 处案件标题与裁判内容不匹配的问题。
得 94 分的报告直接围绕法律规则检索，例如查询“作为鉴定意见采纳，还是视为书证”，并在结论中区分“有依据”“分析推断”和“待核实”。
三份报告呈现出的差异说明，案例数量和报告篇幅都不是可靠性的充分条件。更关键的是，权威源有没有被优先检索，引用有没有逐条核对，不确定性有没有明确写出。
日志显示，问题不只是“没搜到”
如果只看最终报告，容易得出“它没搜到”或“平台把结果截断了”的判断。过程日志显示，问题并不止于此。
那份分数较低的报告确实处理过部分超大的检索结果，也使用过自动筛选。缺口在于，它没有留下可以复核的处理链条：哪些材料读了全文，哪些只处理了片段，哪些被排除，哪些仍待核实。
结果是，一条藏在案由不同文书中的权威引文，经过案由筛选和相似度判断后被当成低相关材料；一份看似完整的报告，便在不完整的材料池上建立了“主流规则”。
过程中还有一处引用：文号真实，但报告写出的具体条款与所引文件对不上。报告还给出了“约 50 件”“65%”之类的判断，却没有提供分母、样本范围和计数底表。
过程审计的意义正在于此：不只检查 AI 最后答错了什么，还要追问答案是在检索、筛选、阅读、引用，还是推理的哪一步丢失的。
把这次结果放回律师的日常工作
这次测试对律师最直接的启示，不是应该选择哪一个工具，而是应该如何接收和验收 AI 的研究成果。
首先，AI 交付的长报告只能先作为研究底稿。目录完整、案例很多，并不意味着它可以直接进入诉状、法律意见书或汇报材料。
其次，检索台账应当成为任务要求的一部分。查询串、命中范围、纳入与排除理由、全文阅读情况、引用原文和待核实事项，都应当随报告一并交付。
此外，引用核验应当先于文字润色。报告越像成稿，越不能因此降低核验强度。
最后，关键节点仍然需要由律师把握：核心问题确认、权威源检索、全文阅读、引文复核和风险披露，都不应当因为一句“继续”而被跳过。
拿到 AI 报告，先问这 7 个问题
下面这七问，可以作为律师、法务或研究人员的验收清单：
- 权威源
：核心问题有没有先查最高层级的案例、法条或官方文件？ - 检索台账
：能不能交出查询串、命中范围、哪些被纳入以及哪些被排除？ - 全文覆盖
：哪些材料读了原文，哪些只处理了摘要、片段或自动筛选结果？ - 数字底表
：报告里的“多数”“65%”“约 50 件”，分母、样本范围和原始计数在哪里？ - 引文性质
：哪些是原文，哪些是模型概括，哪些是分析推断？ - 流程跳过
：本次过程中有哪些核验、确认或复审步骤被跳过？为什么？ - 结论稳定性
：更换检索词、扩大材料范围或重新运行后，结论还会一样吗？
如果一份报告无法回答这七问，它或许写得漂亮，但还没有达到可以直接交付的研究标准。
可复制的 AI 法律研究报告验收 Prompt
下面这段提示词可以直接复制使用。它的用途不是让 AI 再写一份法律意见，而是审计一份已经生成的研究报告。
你是一名法律研究成果验收审计员。请审计下面这份 AI 法律研究报告，判断它是否具备被律师引用、交付或进入下一步研究的条件。你的任务不是润色报告，也不是重新撰写法律意见，而是核查报告的证据链、检索过程、引用准确性和不确定性披露。【审计材料】1. AI 研究报告：[粘贴报告全文]2. 案件事实或研究任务：[粘贴任务书或案情]3. 检索台账、工具日志和原始结果：[粘贴；未提供的请明确写“未提供”]4. 报告引用的法条、案例和官方文件原文：[粘贴或附链接；未提供的请标记“无法核实”]【硬性规则】1. 区分“报告自述”“日志或原始材料证实”“引用原文证实”和“审计推断”。2. 没有原文、日志或底表支持的内容，标记为“无法核实”，不得自行补足。3. 不得把“检索到”或“显示摘要”推定为“已经阅读全文”。4. 任何百分比、“多数”或样本数量，都必须核对分母、样本范围和原始计数。5. 不得用模型记忆替代缺失的法条、案例或数据库结果。6. 对核心法律问题，优先检查最高层级的权威法源是否被直接检索和正确使用。【逐项审计】一、权威源：核心问题是否查过最高层级的案例、法条或官方文件？二、检索台账：是否提供查询串、命中范围、纳入结果和排除理由？三、全文覆盖：哪些材料读了全文，哪些只处理了摘要、片段或自动筛选结果？四、数字底表：报告中的比例、数量和“多数”判断，分母和原始计数在哪里？五、引文性质：哪些是原文，哪些是模型概括，哪些是分析推断？六、流程跳过：是否有确认、核验、复审或风险披露步骤被跳过？七、结论稳定性：更换检索词、扩大范围或重新运行，结论是否可能变化？【输出格式】一、总体判定：可直接使用 / 需人工复核后使用 / 不宜直接使用二、验收表：| 项目 | 结论 | 证据位置 | 风险 | 修复建议 |三、引用风险清单：逐项列出可能错误、无法核实或需要重新查证的法条、案例、数字和结论。四、未读或未核实材料清单：明确哪些材料没有全文阅读，哪些引用没有原文，哪些数字没有底表。五、最小修复方案：列出交付前必须补做的核验步骤，并按优先级排序。六、最终建议：用不超过五句话说明律师现在可以使用什么、不能直接使用什么，以及下一步应核查什么。这段 Prompt 不能替律师证明一份法律结论必然正确。它能做的是把哪些内容已经核实、哪些内容尚未核实、哪些地方存在引用风险列出来，让律师知道下一步该查什么。
方法说明与局限
最后交代两点限制。本文只分析一个案例，三种配置也各只运行一次；所用模型、技能、数据库、核验流程和操作者指令并不完全相同。因此，94、91、66 只能说明本次交付物的表现，不能推出模型或平台的普遍能力排名。
题目经过脱敏重构，不对应任何在办或特定案件。本文讨论的是 AI 法律研究成果的验收方法，不构成针对具体案件的法律意见。
结语
AI 参与法律研究之后，律师的工作并没有止于提出问题、接收报告。报告是否可用，还取决于它能不能说明自己查了什么、漏了什么，以及哪些地方仍然需要人工核实。
所以，别只问“你检索了吗”。更应该问：你检索到的东西，后来去了哪里？
DL-Agenticlaw｜执业律师实务手记 × AI 工具实测