AI 律师如何运作？AI 律师背后的法律 AI 与 LLM
AI 律师是一种构建在大语言模型之上的法律软件——与驱动 ChatGPT 的是同一类 AI——外面再包裹一个检索层，为其提供真实的成文法和判例法。它的工作方式是：把你的问题转化为提示词，在法律知识库中搜索相关来源，并生成一个以这些来源为依据的通俗易懂的答案，这一过程植根于大语言模型本身的架构。
本指南将打开这个黑箱：LLM 是如何训练的，检索增强生成如何让它保持时效，它能做什么、不能做什么，以及为什么最终仍需一位人类律师签字确认结果。
什么是 AI 律师——它内部包含什么？
AI 律师不是一个人。这个词拆分成两种截然不同的东西，而把它们混为一谈正是围绕这项技术的大多数困惑的根源。
“AI 律师”的两种含义——我们指的是软件
“AI 律师”这个说法可以指两种东西之一。第一种是为客户就 AI 相关法律提供建议的人类律师——数据保护、算法责任、AI 监管。第二种是利用人工智能回答法律问题或协助法律工作的软件助手。像 Eve 和 Bloomberg Law 这样的法律 AI 平台明确地作出了这一区分，因为这两者在日常交谈中很容易被混淆。本文讨论的是第二种含义：作为法律 AI 助手的 AI 律师，一款你通过聊天界面进行交互的软件，而不是你聘请的一个人。
核心是一个大语言模型
剥去界面和法律品牌包装，AI 律师内部其实是一个大语言模型——一种经过训练、用来预测文本序列中下一个词的神经网络。OpenAI 于 2022 年底公开发布的 ChatGPT 是让这一品类广为人知的模型，但它远不是唯一的一个。Anthropic 的 Claude、Google 的 Gemini 以及 Microsoft Copilot 都是能够扮演相同角色的基础模型的例子。一款专门的法律 AI 会在这些基础模型之一的外面包裹一个法律专用层：一个成文法和判例法数据库、为法律任务调优的提示词模板，以及旨在在错误抵达用户之前捕获它们的验证检查。最常被用作该核心的基础模型包括：
- ChatGPT，由 OpenAI 构建
- Claude，由 Anthropic 构建
- Gemini，由 Google 构建
- Copilot，由 Microsoft 构建
供应商有时会在这些模型之间切换，或根据任务组合使用多个模型。
LLM 是如何训练的：从文本到预测
在 AI 律师回答一个问题之前，其底层模型就已经经历了一个多阶段的训练过程，这一过程塑造了它能够可靠地做什么、不能做什么。
在海量文本语料上进行预训练
一个 LLM 的生命始于在庞大的文本语料上进行训练——书籍、网站、文章，对于聚焦法律的模型，还包括法院意见和成文法。在这个阶段，模型学习词与词之间的统计关系，更确切地说是 token 之间的关系，token 是模型实际处理的小块文本。机器学习研究通常认可三大类训练方法，而现代 LLM 在其训练流程中综合运用了这三者的元素：
- 监督学习——模型在带标签的样例上进行训练
- 无监督学习——模型在无标签文本中发现模式
- 强化学习——模型根据其输出的质量获得奖励或惩罚
对于法律用途来说，关键在于：模型并不像人类律师那样“懂”法律。它基于训练期间吸收的模式，预测统计上最可能的 token 序列。
微调与 RLHF
在预训练之后，大多数 LLM 还会经历进一步的微调，通常使用基于人类反馈的强化学习（RLHF）。人类评审员对模型的回答进行评分，模型则在一轮又一轮中被调整，以产生更有帮助、更准确、更安全的输出。这一步改善了模型的行为方式，但它并没有解决另一个更重要的问题：模型的知识在其训练数据结束的那个时间点被冻结。它没有内置的方式去了解上个月通过的一部成文法或上周作出的一项裁决——而这正是检索增强生成存在的意义所在，用以弥补这一缺口。
为什么原始的 LLM 知识对法律来说不够用
法律不断变化，而且在每个司法辖区的变化各不相同。相比之下，一个模型的参数在训练完成后就是静态的。这意味着，当你提出问题时，烙印在 LLM 中的“记忆”可能已经过时、司法辖区不匹配，或干脆就是错的。严肃的法律 AI 工具不会在任何重要的事情上依赖模型的原始内部知识——它们会为模型配备一个外部系统，在你提问的那一刻检索最新的、可核实的法律文本。
| 训练阶段 | 发生了什么 | 用于法律的关键局限 |
|---|---|---|
| 预训练 | 模型从庞大的通用文本语料中学习语言模式 | 没有内置的对法律准确性的验证 |
| 微调 / RLHF | 人类反馈塑造语气、有用性和安全性 | 知识被冻结在训练截止日期 |
检索增强生成：AI 律师如何阅读法律
那个外部系统被称为检索增强生成（RAG），它是架构中将通用聊天机器人与一款为引用真实来源而构建的法律 AI 工具区分开来的部分。
两步式 RAG 流程
研究者将检索增强生成描述为一个两步流程，来自哈佛法律与技术期刊的法律 AI 分析也以同样的方式加以阐述。第一步是检索：你的查询通过自然语言处理被转换成一个数字表示，检索系统在一个数据库——通常充满成文法、法规和先前的法院判决——中搜索与你的问题最相关的段落。第二步是生成：那些被检索到的段落连同你最初的问题一起被输入给 LLM，模型据此撰写一个答案，这个答案借助于被检索到的文本，而不是纯粹依赖它在训练期间记住的内容。
让答案立足于真实来源
这一过程常被称为“接地”（grounding），因为答案被锚定到具体的、可核查的文档上，而不是在模型内部的概率估计上自由漂浮。接地正是让法律 AI 工具能够向你展示它所依据的成文法或案例的引用或链接，并且它可以可衡量地降低——尽管不能消除——模型编造事实的风险。问题在于，这个流程的任一环节都可能引入错误：检索可能拉取到错误的文档，或者生成可能对一份被正确检索的文档的实际内容作出错误陈述。
从提示词到答案的分步工作流
走一遍从头到尾实际发生的过程会很有帮助，也就是你在一款法律 AI 工具中输入问题的那一刻。
- 你在聊天界面输入一个通俗易懂的法律问题。
- 在线 AI 律师将你的问题转换成提示词，并生成一个表示其含义的数字嵌入向量。
- 检索系统在其法律知识库中搜索，拉取与该嵌入向量最相关的成文法、法规或案例。
- LLM 将这些被检索到的段落综合成一个自然语言的答案。
- 一款构建良好的工具会在答案旁边展示底层来源，这样你——或你的律师——就可以在依赖之前核实这些引用。
每一步都依赖于前一步。一个含糊的提示词会产生一个含糊的检索，而一个薄弱的检索则会产生一个站不住脚的答案，无论底层模型多么强大。
AI 律师实际上能做什么
一旦架构就位，实际用途便落入寥寥几个类别，从研究到起草，再到日益自主的任务执行。
| 任务 | AI 律师做什么 | 通常节省的时间 |
|---|---|---|
| 法律研究 | 搜索并总结相关的成文法和判例 | 每次查询节省数小时 |
| 电子取证 / 文档审查 | 扫描大型文档集以寻找相关材料 | 数周缩短为数分钟 |
| 合同起草与审查 | 生成或标记协议和信函中的条款 | 每份文档数分钟 |
| 文档摘要 | 将冗长的诉状浓缩成简短的摘要 | 每份文档数分钟 |
| 客户接案 | 在人工审查之前梳理初始客户信息 | 持续进行，按每次接案计 |
法律研究与文档审查
法律研究意味着找到并总结与某个问题相关的成文法、法规或先前判决——这正是 RAG 被构建来支持的核心任务。文档审查和电子取证在更大的规模上运用同样的底层技术：复杂的诉讼可能涉及数十万乃至数百万份记录的文档集，而 AI 辅助审查被常规地用来把原本需要数周的工作压缩到数分钟。
起草、摘要与客户接案
起草是最成熟的用例之一。 法律 AI 工具能够产出合同、催告函和客户往来函件的初稿，法律 AI 供应商 Harvey 曾描述过将篇幅达 150 页或更多的文档在数分钟而非数小时内总结成一份可用的摘要。律考表现成为业界的头条基准。 GPT-4，即 ChatGPT 背后模型的升级版本，通过了一场模拟律师资格考试，并超越了大多数人类应试者，这是研究者 Daniel Katz 和 Michael Bommarito 发表在英国皇家学会《Philosophical Transactions A》上的一项研究的结论——这一结果助长了对法律 AI 能力的早期乐观情绪，尽管通过一场笔试与实际执业是不同的技能。律师的采用仍然落后于律师的信念。 Thomson Reuters 的一项调查发现，82% 的律师认为生成式 AI 在法律工作中有一席之地，但只有 51% 的人相信它真的应该被用于他们心中所想的那些任务，这一差距反映出对可靠性挥之不去的谨慎。
向智能体式 AI 的转变
法律 AI 的最新趋势是智能体式 AI（agentic AI）——这类系统在较少的逐步提示下执行多步骤任务，而不是等待人类去指挥每一个单独的动作。工作流不再是律师编辑 AI 起草的每一个段落，而是转向由律师审核一份 AI 在很大程度上独立产出的、更为完整的成果，这把人工审查的性质从逐行编辑变成了核实。
准确性、幻觉与局限
任何 AI 律师的最大局限并不是某个缺失的功能——而是一种内置于 LLM 从一开始生成文本方式之中的结构性风险。
什么是幻觉
幻觉是指模型以十足的自信给出、结果却被证明是捏造的回答——一个并不存在的案例、一部内容与所引用的不同的成文法、一个背后没有真实来源的引用。在大多数情境中，幻觉只是一种烦扰。而在法律中，一个提交给法院的捏造引用是一项职业和伦理上的责任，绝不仅仅是一种不便。
关于法律 AI 准确性的硬数据
斯坦福 RegLab 的研究者直接研究了这个问题，而不是照单全收供应商的说法。他们的这项研究由 Magesh 及其同事主导，发表在 arXiv 上，测试了已经使用检索增强生成的商用法律 AI 产品——而非原始的通用聊天机器人——却仍然发现了不容忽视的幻觉率：对 Lexis+ AI 的查询中约有 17%、对 Westlaw 的 AI-Assisted Research 的查询中约有 33% 产生了包含幻觉的内容。
我们的发现凸显了对法律领域 AI 工具进行严谨、透明的基准测试和公开评估的必要性，以及持续努力开发立足于法律知识语料库的 AI 系统的必要性。—— Magesh 等人，斯坦福 RegLab / 斯坦福 HAI
对于任何使用这些工具的人来说，最重要的发现是：检索能减少幻觉，但并不能消除它，而那些宣称产品“无幻觉”的供应商营销说辞应当以怀疑的态度对待。引用的核实仍然是人类的责任，而不是你可以完全甩给工具的事情。
局限：伦理、保密与谁负责
准确性风险只是全局的一部分。法律 AI 工具还运作在一个职业伦理框架之内，该框架把责任明确地归于人类律师，而非软件。
律师始终负责
根据美国律师协会的《职业行为示范规则》，一位负有监督之责的律师对在 AI 协助下产出的工作成果始终负责：
- 规则 1.1——胜任能力，包括理解律师所依赖的工具
- 规则 5.1——负有监督之责的律师对事务所行为的责任
- 规则 5.3——对非律师协助工作的责任，这一责任延伸至 AI 工具
ABA 于 2024 年 7 月发布的第 512 号正式意见（Formal Opinion 512），是该组织首次专门针对法律实践中的生成式 AI 作出的正式伦理指引。到 2025 年，已有十几个州律师协会发布了各自关于 AI 伦理的指引，反映出一旦底层技术在法律实践中成为主流，监管机构行动之迅速。
保密与数据隐私
在没有防护措施的情况下把机密的客户信息输入一个公开的、通用的聊天机器人，可能会造成一个真实的保密问题，因为许多面向消费者的 AI 产品可能会使用所提交的文本来进一步训练其模型。在把任何客户细节输入一款法律 AI 工具之前，值得核对几件事：
- 供应商是否声明输入内容不会被纳入模型训练？
- 数据在传输中和静止时是否都经过加密？
- 该工具是否有公开的数据保留和删除政策？
- 该供应商是否专门为法律用途而构建，而不是一个通用的消费级聊天机器人？
一款为专业用途而构建的专门法律 AI 工具，通常会在客户数据的存储、处理和保留方式上提供更多控制——但这种控制因供应商而异，在提交任何敏感内容之前值得加以确认。
YMYL 免责声明
免费 AI 律师是一种信息性工具，而不是持牌律师的替代品。使用它并不建立律师-委托人关系，它生成的任何内容都不应被当作针对你具体情况的正式法律建议。对于会带来真实法律后果的决定，请咨询一位在你所在司法辖区持牌的合格律师——你所在州或当地律师协会的律师转介服务，或者在费用成为障碍时的法律援助组织，是着手的正确起点。