AI能帮人读更多法规,但它更大的价值,不只是读得更快、总结得更全,而是能够把法规中的要求转化为可运用的知识,并利用不同规则之间的联系,分析和解决复杂业务问题。
当多部法规同时约束一项业务时,真正的难点往往不是分别读懂每一条规定,而是识别它们之间的关系:哪些要求相互补充,哪些存在重合或冲突,哪些可以统筹履行,哪些必须分别执行。这已经超出了简单的文本阅读和信息提取,涉及知识编译、关系识别和综合推理。
上一篇谈到“计算”:制度只有先被编译成可判定的要求,才谈得上计算。这一篇想进一步讨论,知识编译之后,AI如何运用这些知识,以及推理过程中有哪些边界。
最近研究了开源项目 awesome-legal-skills 中的 Cross-Regulatory Impact Analyzer(以下简称“该 Skill”),尝试从这个具体案例出发,进一步理解知识编译与知识推理如何衔接。
一、一个 Skill 如何分析多部法规
该 Skill 由一个 SKILL.md 和两份参考文档组成,约4.5万字符,不含代码。它试图解决一个实际问题:当一项产品或业务同时受到多部法规约束时,如何识别不同法规要求之间的关系,避免重复履行义务,也避免遗漏合规要求。
其分析过程分为六个阶段:
1. 范围判定:识别涉及哪些法规,确定分析范围。
2. 义务抽取:提取具体义务,包括适用主体、触发条件、行为要求和期限。
3. 关系分类:识别不同义务之间的相互强化、补充、重复、冲突等关系。
4. 优先级判断:结合义务性质、法律效力和紧迫程度确定处理顺序。
5. 时间线安排:梳理义务期限、前置条件和实施顺序。
6. 成本估算:评估履行义务所需的资源和成本。
最终,该 Skill 会形成一张合规矩阵,将法规条款、具体要求、期限、优先级、成本、责任人和证据等信息整理成结构化表格。
这张表的价值不只是汇总法规,而是把分散在不同文本中的要求,转化为可以比较、关联和追踪的对象。这已经具备知识编译的基本特征:从自然语言条文中提取相对稳定的知识内容,并按照一定结构组织起来。
但结构化只是第一步。要真正解决复杂业务问题,还需要进一步识别知识之间的关系,并结合实际情况作出判断。
二、一个具体问题:多部法规能否一次履行
假设一家企业生产带有AI辅助诊断功能的联网医疗设备,其业务可能同时涉及GDPR、医疗器械法规MDR/IVDR、AI Act、Data Act和NIS2。
这些法规从数据保护、产品安全、人工智能风险、数据使用和网络安全等不同角度,共同约束同一产品和业务活动。
例如,发生一起网络安全事件,可能同时涉及NIS2和GDPR。企业能否通过一次事件报告,同时满足两部法规的要求?
表面上看,两部法规都有事件报告要求。但进一步分析会发现,NIS2规定的24小时早期预警、72小时事件通知,与GDPR关于个人数据泄露后72小时内通知监管机构的要求,并不是同一项义务。二者在触发条件、报告对象、内容和程序上均有差异。
企业可以共享事件调查、事实收集和内部协调过程,但不能因此认定一次报告就自动满足两部法规的要求。
这揭示了一个关键问题:业务操作可以整合,法律义务不能简单合并。判断两项义务能否通过一次操作完成,需要考察触发条件、履行主体、报告对象、内容和期限等要求。只有这些要求能够同时得到满足,才可能实现一次履行;否则,就需要分别履行相应义务。
这也是该 Skill 最值得研究的地方:它不只是寻找相似条款,而是试图建立不同知识内容之间的联系,并据此分析具体业务问题。
三、第一层:从分类框架到关系推理
该 Skill 将法规关系归纳为相互强化、相互补充、重复、冲突和特别法优先五类。
这套分类框架有助于建立知识结构,但这些关系并不完全属于同一个维度。前几类主要描述义务内容之间的关系,特别法优先则涉及法律适用关系。
例如,两项义务内容相似,不意味着可以合并履行;两项义务存在冲突,也不能仅凭文本相似度决定适用哪一项。又如,欧盟CRA对适用MDR和IVDR的相关医疗器械产品设置了适用范围排除,但不能因此认为相关医疗器械企业整体不受CRA约束。
因此,分类框架可以预先建立,但具体关系仍然需要结合条文内容和适用条件进行判断。
这里实际上存在两个不同的动作:事先建立分类标准,属于知识整理和建模;根据具体法规判断属于哪一类,则属于知识推理。
知识编译提供推理所需的结构,知识推理则是在具体问题中运用这些结构。
四、第二层:从规则判断到事实认定
法规规定的是适用条件和法律后果,业务现场提供的则是具体情况。只有把法规要求与实际情况结合起来,才能判断某项规定是否适用。
AI Act对高风险AI系统的认定就是一个例子。医疗器械中使用了AI,并不意味着AI功能自动属于高风险。还需要判断其是否属于相关产品法规覆盖的产品或安全组件,是否需要第三方合格评定,同时考虑是否符合其他高风险类别的认定条件。
仅凭“用于医疗诊断”这样的业务描述,无法直接得出法律结论。产品的预期用途是什么,AI是否影响诊断结果,系统实际承担什么功能,这些业务事实都会影响法规适用判断。
从知识工程角度看,至少需要连接三类信息:
1. 法规知识:法规条款、义务要求、适用条件和例外。
2. 业务知识:产品、系统、流程、组织和业务活动之间的关系。
3. 事实证据:产品说明、技术文档、业务记录和实际运行情况。
这里还需要区分业务知识与业务事实。业务知识告诉AI某类产品通常具有什么功能,业务事实则说明当前分析对象实际具有什么功能。前者帮助理解业务,后者决定具体规则是否适用,证据则用于验证事实是否可靠。
AI可以辅助识别适用条件、整理证据和提出判断,但不能把未经核实的业务描述直接当成事实。
法规告诉我们在什么条件下应当做什么,业务事实则决定这些条件是否已经成立。
五、第三层:从知识推理到管理决策
该 Skill 还涉及优先级、时间线和成本估算。这些功能看起来属于法规分析流程,但实际上已经部分进入管理决策领域。
法律效力层级、强制期限和任务之间的先后依赖,可以依据明确规则或算法确定;但整改任务的优先级,还涉及风险程度、实施成本、资源条件和业务影响,需要综合权衡。
例如,两项整改都必须完成,一项涉及近期监管报告期限,另一项涉及系统长期改造。AI可以识别法定期限、提示风险、估算成本,也可以比较不同实施方案,但最终如何安排资源,仍然属于管理决策。
这里需要区分:法律规定的强制义务和期限不能通过管理决策改变,但在满足法定要求的前提下,企业可以根据风险和资源条件安排整改顺序、人员投入和技术改造计划。
从这个角度看,知识推理解决的是“适用什么规则、存在什么关系、可能产生什么后果”;管理决策解决的是“在这些约束条件下,企业应该选择什么行动”。
AI可以辅助分析和比较方案,但不能把模型给出的排序直接等同于法律结论或管理决策。
六、从法规分析到企业知识能力
通过这个 Skill,可以看到一条值得关注的技术路径:将法规文本转化为结构化知识,再通过关系识别、事实认定和规则分析形成结果。
但合规矩阵还不是完整的知识模型。真正的知识编译,需要进一步明确每项义务由谁履行、在什么条件下触发、需要采取什么行动、适用于什么对象、何时完成、有哪些例外。只有形成可复用的知识单元,后续推理才能直接利用这些内容,而不必每次都重新阅读整段法规。
同时,企业还需要保留判断过程中的关键依据,包括引用条款、业务事实、适用条件和待确认事项,而不只是保存模型给出的最终答案。这样才能让分析结果可追溯、可复核,也便于后续修正和积累。
从一个法规分析 Skill 出发,可以进一步理解知识编译、知识推理与管理决策之间的关系:知识编译是将法规要求转化为清晰、可识别、可关联的知识内容;知识推理是利用这些知识,结合业务事实解决具体问题;管理决策则是在规则约束和事实分析的基础上作出行动选择。
这也是企业知识能力建设值得持续探索的方向。企业不缺制度、规范和专业经验,真正需要解决的是如何将这些知识转化为AI能够理解、运用、验证并持续改进的能力。
制度可以被编译,规则可以被执行,但复杂业务中的事实认定和价值取舍,仍然需要专业判断。企业要建设的,不只是一个能够回答问题的AI,而是一套能够积累知识、支持判断、验证结果并持续改进的知识能力。
· · ·
本文以 Cross-Regulatory Impact Analyzer Skill(v2026-04-25)为分析对象,法规案例用于说明知识处理方法,不构成具体法律意见。具体法规适用应以发表时有效的正式文本及相关解释为准。

