这是一篇讲思路的文章，不是操作手册。 不教你怎么装某个工具、怎么配某个参数——那些东西版本一更新就失效了。这里说的是几条可以长期用的配置思路。你可以把这些思路用在Claude Code上、用在Codex上、用在任何你选定的工具上。思路不变，工具可换。

一、先帮你重新认识AI在法律工作里该坐什么位置

去年我开始系统搭建AI辅助法律工作的工作流，中间换了五六套工具、踩了不少坑、推翻了好几次配置。到现在不到一年，总算摸到了一套稳定的思路。

这篇文章不推荐任何具体工具。你用Claude Code还是Codex、用通用模型还是法律垂类产品——取决于你的工作习惯和业务类型。但无论选择什么工具，底层的配置思路是通用的。

先说一个很多同行会犯的错误。

我第一次用AI写法律文书的时候，直接丢了一份起诉状让它写答辩状。AI十几秒就给了一篇——法规引用看起来头头是道、格式也对、逻辑也不差。但仔细一读：引用的法条是编的，关键事实细节一个没抓住。后来我才明白，这不是AI不够好，是我的用法不对。

法律工作不能把AI当“答案生成器”用。 有三个原因：

上下文高度依赖。 同一个法条，不同案情、不同证据状况、不同谈判地位，法律结论可能完全不同。AI不知道你的案件有哪些细节，它只能给最安全的、最泛化的答案。在法律工作中，最安全的答案往往是没用的答案。

AI会“用最自信的语气说最离谱的话”。 它不是在骗你——是它的工作原理决定了，输出的时候不是在“查找正确答案”，而是在“预测下一个最可能的词”。法律工作最怕的不是“查不到”，是“查到的不存在”——引用了一条不存在的法条到法庭上，这是执业事故。

法律工作不是单次问答，是多步骤流水线。 一个民事案件从收案到开庭，起草的文书可能涉及起诉状、证据清单、质证意见、代理词、庭审提纲等十几份。这些文书共用同一套案件事实、同一套证据、同一套法律依据。让AI单独生成每一份，前后矛盾几乎是必然的——因为它不知道上一份写了什么。

所以我对AI在法律工作中的定位是：不要把它当一个有问必答的专家，要把它当一套可以被编排的流水线。 你要的不是一个好模型，是一套能记住你的案件、记住你的偏好的工作系统。

二、多工具协作，不是多买几个会员

我现在同时维护六七个AI工具。不是“多多益善”，是每个工具的长板都不一样。

有的擅长长文本推理和法条分析——用来做法律研究的深度论证。有的擅长结构化输出和格式控制——用来批量生成格式统一的文书。有的在数据合规的风险识别上表现非常稳定——专门用来审查合同和隐私政策。有的是多模态的——用来处理扫描件和图片证据。

这些工具不是替代关系，是互补关系。目前没有哪一款工具能独立覆盖法律工作的全部环节。 我的做法是：同一个法律问题，至少让两个工具分别回答，对比差异。如果两个AI说的一样，结论可信度上升；如果说的有出入，差异点往往就是最需要人工判断的地方。这种交叉验证的可靠性，远高于单模型反复追问。

还有一个结构性的好处：所有工具共用同一套基础配置——案件信息模板、文件命名规范、格式偏好、引注标准——但不需要绑定在任何一个平台上。工具A打磨好的工作流程，B和C可以直接复用。这种“多工具平行、配置层统一”的架构，抗风险能力比押注单一平台强得多。

你可能会问：为什么法律行业不会出现一个“全能型选手”？

因为内部存在冲突。通用大模型不懂中国的司法实践细节，法律垂类产品有侧重但不全面，而且价格、数据安全、本地化程度参差不齐。与其等一个完美的工具出现，不如在不同的各有侧重的工具之间建立自己的调度机制。哪个问题适合交给谁——这种判断力本身就是一种专业能力。

三、把高频动作固化成流程，不要每次从头开始

我花时间最多的工作不是“用AI”，是“写流程”。

做法很简单：把自己日常工作中“每次都一样、每次都要动脑子”的环节找出来，写成标准化的操作步骤，每一段输入该写什么、每一步输出该检查什么，全部标准化。

比如一个民事答辩的流程：材料信息提取→事实时间线梳理→争议焦点识别→法律依据检索→类案匹配→答辩状起草→证据清单编制→质证提纲准备。每个步骤配一个验证规则——“引用的法条必须和数据库原文比对一致”“证据编号必须和实际案卷文件对应”“结论部分不能为空”。

这样做跟“把AI当对话框用”有本质区别。对话式使用是每次从头开始、每次靠运气、每次输出不稳定。流程化使用是告诉AI“这次按这个走、下次也按这个走”——前者的结果靠天吃饭，后者的结果稳定可控。

流程化的真正价值不在于自动化，而在于可积累。每次办一个案子、处理一个投诉，总会有些新发现——某个法院对某类证据的采纳标准、某个监管部门对整改回复的格式偏好、某个证人在庭审时被反复追问的漏洞类型。这些经验如果没有被记录下来，下次遇到类似情况还得凭记忆。人的记忆不可靠。

我的做法是把这些发现直接写进对应流程的“备注”栏或者修正流程本身。下一次调用这个流程的时候，上一次的经验自动生效。这不叫“AI变聪明了”，这叫“你自己的专业判断被系统性地保留下来了”。

做到一定程度会出现一个有意思的变化：你花在“把关”上的时间在减少，花在“思考”上的时间在增加。因为流程化已经排除了大部分低级错误——格式不对、引用出错、证据编号有遗漏。剩下的才是真正需要你来判断的地方：管辖权的选择、抗辩策略的取舍、和解方案的底线和弹性。

能标准化的交给流程，不能标准化的才是你的价值。

四、给AI接上专业数据库，它才不会编

AI在法律工作中有一个绕不过去的问题——它“记”的东西不靠谱。

这个问题不是“换个更好的模型”能解决的。大模型的工作原理决定了它不是在“查找正确答案”，而是在“预测下一个最可能的词”。当你问“民法典关于违约金的条款是什么”的时候，它不是在调取法条原文，而是在生成一段“看起来最像法条原文”的文本。

法律工作的底线不是“说得好”，是“说的东西都有出处”。一份法律意见的核心不在于文笔有多好——在于每一个结论背后都有依据。编一个看起来像真的结论，比承认不知道可怕得多。

解决办法不是训练更好的模型，是改变AI获取信息的方式。不让它凭“记忆”回答——让它直接查数据库。当AI需要引用法条时，不是从训练数据里回忆，而是发起一个真实的数据库查询，拿到原文后再组织回答。效果类似于学生写论文的时候随时对照着法条原文写字——不是在凭印象，而是在核对原文。

我现在的工作流里接入了这些专业数据源：法律数据库用来核验法条的时效性和沿革记录；裁判文书库用来比对类案和核实法院的裁判观点；国家企业信用信息系统用来查工商登记和处罚记录；还有一些行业数据库用来核实行业准入和监管动态。

这意味着当我的工作流输出“根据民法典第X条的规定……”的时候，引用的确实是那条原文。当它说“某法院在某案中认为……”的时候，那份判决书是真实存在的。法律工作的底线不是华丽，是扎实。一个说错了的漂亮结论，比一个保守的准确结论危险得多。

五、让工具记住你的偏好，别每次重新教

还有一个容易被忽略的维度：记忆。

默认的AI是“无状态”的。每次对话从零开始，它不知道你上一句话说了什么——同一个会话内知道，换个会话就不知道了。这在工作中非常低效。你每次都要重新告诉它：我是什么职业、我的格式要求是什么、我的风格偏好是什么、哪些词不能用。

解决办法是专门设计一套记忆机制，让工具在不同会话之间持续记住关键信息。比如：文件输出的格式偏好——字体、字号、行距、页边距；引注符号的规范——方括号还是圆括号、是否用英文引号；称呼习惯——对方当事人不能称“律师”；合同审查的风险等级默认值。

这些信息只需要设定一次。之后它们就变成一条自动执行的规则，你不需要每次去强调，可以把注意力放在实质内容上。

想想自己在日常工作中，有多少次在重复说同样的话——“格式用三号字”“不要称对方为律师”“结论部分不要留空”。每一次都是时间成本，每一次都在消耗你的耐心。把这些固化之后，它就不再是你的负担了。

这也是“反复使用”和“持续使用”的本质区别。反复使用是每次用每次教，用了很久还是很累；持续使用是越用越顺手，越用越精准。

六、配置的终点不是“更强”，是“更少返工”

说了这么多配置思路，说一个更重要的认知：这些工具解决的不是“能不能”的问题，是“好不好”的问题。

AI可以帮你生成一份格式完整的代理词，但它不知道你的诉讼策略是程序抗辩还是实体抗辩——你是想追加第三人还是单独应诉——你是想速战速决还是拖时间。这些判断靠的是你对案件的理解、对对方律师风格的把握、对承办法官倾向的判断。

AI可以帮你匹配出一堆相关类案，但它判断不了——这个案例对本案有没有参考价值——因为这个判决是中级法院的、承办法官偏保守、案由虽然一样但案情差异很大——这些东西AI看不懂。你跟法官说“AI帮我找到的这些案例”，法官不会多看一眼。你说“这个案例跟本案的关系是……”，法官才会认真听。

所以我的配置观用一句话总结：能标准化的就标准化，标准化不了的才是你要投入精力的地方。

格式对不对、引注错没错、法条是不是原文、证据有没有遗漏——这些是机器的活。有没有标准答案、思路怎么选、话怎么说、跟谁通过什么方式沟通——这些是你的活。没有标准答案，只有基于经验和专业直觉的判断——这才是法律工作中唯一不能被替代的部分。

说到底，用AI不是为了省掉思考，是为了把精力从不需要思考的地方解放出来，投入到最值钱的地方去。

📚 参考文献

• 本文基于个人实际使用经验写作，所有涉及法律专业判断的内容已经执业律师把关

⚠️ 免责声明：本文内容仅为提供信息之目的，不构成法律意见或技术建议。文中提及的工具配置思路基于个人使用经验，具体选择应根据自身业务需求、技术能力和数据安全要求综合判断。

📝 法律AI工具