一　大模型幻觉

其实“模型幻觉”这事并不完全是AI的弱点，如果在一些文学艺术领域，这个反倒是一种创新能力，只不过来到法律、医学这种专业性和准确度要求非常高的垂直领域，一旦出现幻觉就可能要命了。实践中，AI常常编造不存在的法律条文、案例等，而且虚构能力太强，常常令人难以分辨，导致已经出现了律师使用了AI幻觉生成的内容被法院处罚的案例。

解决思路：

1.接入自己的知识库。

让模型从知识库中找信息，通过构建可靠的知识库约束模型。这里必须提一下腾讯刚上线的IMA知识库，依托于微信生态，是非常好用的知识库产品。实际上今后在模型能力上大家很难拉开差距，但知识库构建能力却可能差异巨大。

2.接专用模型。市面上会出现越来越多的垂直模型，他们会使用行业的专用数据库（如法条、案例库等）挂载到模型上，特别是之前就做专业数据库的公司，有这方面的先天条件，所以用这些第三方专用模型相对更可靠。

3.提示词限制+多模型交叉验证。

在使用模型的过程中时刻通过提示词要求它不可以胡编乱造，要对相关的案例、数据等提供出处，此外也不要过分相信一个模型的生成结果，完全可以把一个模型的结果让另一个模型校验。

4.有能力把自己作为最后一道保险。

笔者并不主张在自己完全不熟悉的领域使用（特别是依赖）大模型进行工作，这种情况下使用大模型应该是用于学习而非工作。将模型用于工作应该是在自己熟悉和专业的领域，且自己有自信作为最后一道保险，能够一眼从模型生成内容中发现问题。我们常说“没有金刚钻不揽瓷器活”，如果我们在知识和经验方面驾驭AI的水平不够，就很有可能被AI幻觉所迷惑，只有你的专业知识储备到很高的程度，才会形成挑剔的眼光和敏锐的直觉。

二　数据安全和保密

从事一线实务工作的法律人（特别是律师和法务）使用AI，常遇到数据安全的困扰。很多涉及公司业务的信息如果投喂给大模型，担心泄密（参考三星的前车之鉴），但不提供这些素材，AI的作用又难以发挥（例如，让AI审合同或者结合证据起草诉状）。

解决思路：

1.本地化部署。

很多人会想到本地化部署，这种方式因为数据不出本地，在数据安全方面确实可以起到一定的保护作用，但部署需要一定的技术门槛和成本，且后续的模型更新升级也需要维护，所以不一定满足所有的用户需求，主要适合机构用户（如公司法务部或者律所）。

2.脱敏。

对上传的内容进行脱敏，或者对客户问题进行提炼之后再投喂给模型，脱敏除了可以人工操作，还可以通过一些本地的脱敏工具来完成，如WPS、Adobe等文档编辑软件自带的一些脱敏功能，或者使用更专业的脱敏工具。

三　生成内容AI味太强

“AI味”是因为AI生成总是有结构化的风格，这跟大模型本身的算法逻辑有关系，对此笔者不做过多介绍。实际上，在法律领域AI味道太强不一定是坏事，因为很多时候法律文本本来就是结构化的，要呈现出强烈的逻辑性和结构性。

但问题是，AI味太过明显会让读者一下子发现这是AI的“作品”，进而怀疑人的参与度不够，而离开了人的参与，内容的准确性和创造性就会大打折扣。特别是在客户看来，他自己也会用AI，为啥还要请律师呢？

解决思路：

1.写一段示范样本让AI模仿学习，AI在模仿能力上还是非常强的。

2.提示词给出使用场景，如告知AI面向的对象是谁，应该使用什么样的风格。笔者之前用AI解读某个技术原理，结果解读的内容是准确的，但太过于专业，难以呈现给法官，所以通过提示词要求它“用通俗语言描述但不能失去准确性以便没有技术背景的人理解”，结果AI给出了很好的类比来说明问题，非常直观。

3.人工去AI味。实际上，笔者更倾向于用人的能力为AI生成内容进行“润色”和“点睛”，这才是人的价值的体现。说白了AI完成80%的部分就可以了，剩下的20%必须手动操作，目的就是体现人的价值，不但是去AI味，更重要的是让AI生成内容真正可用，体现使用者的逻辑和思考，并且有使用者的创造性思维从而画龙点睛、锦上添花。