版权与内容来源声明本文为原创整理。文中涉及官方文档、开源仓库、论文与公开报道的内容均在附表 A 中标注来源引用官方原文保持原样不作改写。文中命令、版本号与界面截图以本文成文时的实测/核验结果为准标注「待验证」的部分请以你本地环境实际输出为判断依据。本文不推荐任何不合规的软件获取方式也不对任何收益结果作承诺。转载请注明出处。第 1 章 为什么法律场景的验收标准不一样1.1 「像对的」不等于「对」做法律相关工作的人对一句话的容忍度很低结论哪怕说得有板有眼只要引用的条文对不上整段话就不可用。这和很多其他行业不一样——在别的场景里模型给出一个听起来合理的回答往往就能先凑合用但在法律场景验收的判据不是像不像对的而是能不能指到具体条文、且条文原文对得上。这一步差之毫厘结果就谬以千里。比如把应当写成可以、把条号写错一位、把已经废止的版本当成现行有效的对外行看差别不大对内行就是硬伤。所以法律场景对大模型的要求天然比一般问答高一个档次结论必须可溯源、可核验。1.2 一条可核验链路的样子本文不堆概念而是围绕一条能跑起来的链路讲清楚输入一个问题系统要依次过四道关——维度普通问答场景法律场景验收标准回答像不像对的必须指到具体条文且原文对得上出错代价多数可重问条文错一位就可能误导判断对出处的要求一般不强制出处要能自动核验兜底方式重新生成即可关键问题直接转人工检索层把和条号、法律名、章节相关的语料先找出来生成层强制模型输出结论 条文出处 原文摘录三段式而不是只丢一个结论校验层把出处当成可以自动核验的字段核验不过就转人工兜底层哪些问题根本不该让模型自己下结论直接交人。1.3 这篇文章的读者和你能带走的东西如果你原来做律师、法务想往 AI 方向走这篇文章帮你把我原来懂法转化成我能设计一套让模型不乱说话的系统。如果你反过来是技术岗、想做法务科技这篇文章给你一套法律场景特有的验收思路避免用通用问答的标准去糊弄专业领域。读完你会带走一条可核验链路的拆解、四层的职责划分、一个能写进简历的小项目形态法条问答 引用卡片以及我到底做了哪些校验怎么讲清楚。第 2 章 检索层条号是强符号纯向量检索会失手2.1 法律语料的特殊性先解释两个术语。向量检索也叫语义检索是把文字变成一串数字用意思近不近来找内容RAGRetrieval-Augmented Generation检索增强生成就是先检索资料、再让模型基于资料回答的套路。法律语料有个特点条号是强符号。一个条号、一个法律名称、一个章/节本身就是精确指向改一个字含义就变。更麻烦的是同一部法会有修订版本旧版条文和新版可能只差几个字但效力完全不同。这就导致纯向量检索会失手用户问某法第几条怎么说模型靠语义相似度很可能把意思接近但不是那条的条文召回来甚至把已废止版本的条文召回来。语义对了符号错了——在法律场景里这就是不及格。2.2 关键词 向量的混合检索解决办法是混合检索用关键词检索去兜住那些强符号——条号、法律名、章节号先精确命中再用向量检索去兜住用户不会背条号、只用大白话描述的长尾问题。两份结果融合排序既保精确、又保召回。对比项纯向量检索关键词 向量混合检索条号/法律名精确命中容易跑偏关键词层先锁死用户用大白话提问表现好向量层兜底表现好不同版本条文区分容易混关键词带版本字段可区分适用前提语料无强符号语料有强符号如法条2.3 一个混合检索的伪代码下面是一段检索流程的伪代码用来说明融合思路。⚠️代码待验证# 混合检索关键词命中条号/法律名 向量语义召回再融合排序defhybrid_search(query,legal_corpus,top_k10):kw_hitskeyword_match(query,legal_corpus)# 匹配「条号 / 法律名 / 章节」vec_hitsvector_search(query,legal_corpus,top_ktop_k)# 语义召回fusedreciprocal_rank_fusion(kw_hits,vec_hits)# 融合两份排序returnrerank(fused,query)[:top_k]这段伪代码没有跑过核心在先关键词锁符号、再向量补语义的顺序落到真实工程里要接具体的检索库和重排模型。第 3 章 生成层强制结论 条文出处 原文摘录三段式3.1 为什么不能只给结论大模型幻觉hallucination模型一本正经地编出不存在的内容在任何领域都有但在法律场景尤其危险因为编得很像反而更误导人。召回recall把相关资料找全的能力再高如果生成阶段只输出一个光秃秃的结论读者没法验证风险就全压在你信不信模型上了。所以生成层的第一条规矩不许只给结论。结论必须配着出处和原文摘录一起出来让读者自己能去核。3.2 三段式的设计所谓三段式就是让模型每次回答都按固定结构输出结论一句话回答用户的问题条文出处指明来自哪部法、哪一条原文摘录把那条规定的原文逐字贴出来不改写、不概括。这三点里原文摘录是关键中的关键。只有贴了原文校验层才能拿去逐字比对只有标了出处校验层才知道去哪部法的哪个版本查。3.3 输出结构把三段式直接约定成结构化输出比让模型写自由文本更稳也方便下游自动校验。⚠️代码待验证{conclusion:结论摘要一句话,citations:[{law:法律/法规名称,article:条号,excerpt:原文逐字摘录,status:现行有效/已修订/已废止}]}这里status字段先让模型填但最终要以校验层的核对结果为准不能信模型自己写的现行有效。顺带提醒一个容易踩的坑如果你不是自己约定输出结构而是直接用平台官方的引用能力例如 Anthropic 的 Citations要留意官方文档写明引用功能与结构化输出不兼容——同一批文档既启用引用、又要求结构化输出格式时接口会直接返回错误。截至 2026-09-29 如此。本文推荐的三段式 JSON 属于你自己约定的输出规范与官方引用功能是两条路选一条走不要混着用。第 4 章 校验层把出处当可自动核验的字段4.1 出处核验的三件事生成层给了出处不代表出处是真的。校验层要做的是把出处当成一个可以机器核验的字段而不是一句人话。具体看三件事——核验项要回答的问题核验不过的处理条文存在性这部法的这个条号真实存在吗转人工原文一致性摘录和官方原文逐字一致吗转人工效力状态该条文是现行有效、已修订还是已废止转人工注意第二点逐字一致模型常常把条文润色一下读着通顺了但和法律出版社的官方表述对不上这在法律场景就是不合格必须拦下来。4.2 核验不过就转人工校验层不是装饰。它存在的意义就是在模型没把握的时候别硬撑。只要上面三件事里任意一件过不了就走人工通道由有资质的人复核。这比让模型自己圆回来可靠得多。4.3 校验流程伪代码⚠️代码待验证# 出处核验存在 / 逐字一致 / 现行有效任一不过则转人工defverify_citation(citation):ifnotexists_in_code(citation.law,citation.article):return转人工条文不存在ifnotexact_match(citation.excerpt,source_text(citation)):return转人工原文不一致ifnotis_current(citation.law,citation.article):return转人工非现行有效return通过source_text应当指向官方条文库如全国人大网、国务院、司法部发布的现行版本而不是模型记忆或网页快照否则核验本身就不可信。第 5 章 兜底层哪些必须转人工哪些只检索不生成5.1 必须转人工的四类问题有些问题模型从一开始就不该自己下结论。凡是结论会直接绑定具体数字或具体程序的建议默认转人工。问题类型典型例子处理方式涉及时限“这个上诉期还有几天”转人工核对起算点和中止中断涉及金额“违约金上限是多少”转人工核对计算基数与比例涉及管辖“该去哪个法院起诉”转人工核对管辖连接点涉及时效“这笔债权还能不能主张”转人工核对起算与中断中止这四类之所以必须转人工是因为它们都依赖具体事实哪天、多少额、什么地点模型没有这些事实就无法给出可信结论硬给就是误导。5.2 可以只做检索不做生成反过来有些需求其实不需要模型编答案用户只是想把相关条文都找出来我自己看。这类场景检索层把候选条文按相关度排好、附上原文和效力状态就够了生成层可以只做摘录汇总、不做法律判断。这样既保留了 RAG 的检索价值又避开了模型做法律结论的风险。5.3 四层的职责边界把四层放在一起看职责就清楚了层级核心职责失败时的动作检索层找全、找对候选条文补关键词、调混合权重生成层输出结论出处原文强制三段式禁止裸结论校验层核验出处真实性不过即转人工兜底层划定必须人工的边界直接交人不生成结论这份资料是什么把四层职责和哪类问题必须转人工的对照表整理成了速查卡和第 5 章的兜底判断直接相关。放在资料包里扫码即可获取第 6 章 可交付的小项目法条问答 引用卡片6.1 项目形态把上面四层收口成一个能演示的小项目形态很简单输入一个法律问题返回 3 条候选条文 原文 生效状态。不追求替人下结论而是把能溯源的材料摆齐、标清状态把判断留给人。这种项目的好处是边界清晰它做的是检索 引用 校验不是法律判断所以立项时风险可控也更容易讲清楚你做了什么。6.2 怎么讲清楚我做了哪些校验简历和面试里最怕的一句话是我做了个法律问答机器人。更扎实的讲法是我做了检索混合检索、生成三段式、校验存在/一致/效力三核验、兜底四类问题转人工四层并输出了带溯源的引用卡片。这四个词一出来懂行的人立刻知道你不是在调个接口糊弄。6.3 引用卡片的结构一张引用卡片长这样既是产品输出也是你做了校验的证据⚠️代码待验证{question:用户问题,candidates:[{law:...,article:...,excerpt:...,status:现行有效},{law:...,article:...,excerpt:...,status:现行有效},{law:...,article:...,excerpt:...,status:现行有效}],checks:{existence:true,exact_match:true,effectiveness:true}}checks三个布尔值就是校验层跑过的结果只要有一个是false卡片上就应当标注建议转人工复核而不是默默给出结论。第 7 章 给你的落地建议7.1 律师/法务转这个方向优势在哪原来做法律、法务的人转大模型最大的优势不是写代码而是对条文必须可核验这件事有肌肉记忆。很多技术同学做 RAG 只关心召回率而你天然会追问出处对不对、版本新不新、效力还在不在——这恰恰是法律科技最缺的那一层校验意识。所以你的切入点不该是我也去训模型而是我来定义验收标准和校验规则这是工程同学普遍薄弱、而你本就擅长的部分。7.2 简历上怎么讲这个项目讲项目时建议按问题—链路—校验—边界四段来讲法律场景验收标准和别处不同我设计了检索—生成—校验—兜底四层校验层做了存在/一致/效力三件事兜底层明确四类问题转人工。这样讲听到的要么是这正是我们要的要么是能继续追问的具体技术问题都比我做了个问答有力。7.3 常见误区误区为什么是坑正确做法让模型直接给法律结论幻觉风险 责任边界模糊只给溯源材料判断交人拿网页快照当条文库版本可能过期、来源不可信用官方现行版本建库只在乎召回不在乎出处找全了但核不了出处与原文一起进校验层把像对的当对的法律场景零容忍逐字核验 效力核对这份资料是什么把法条问答 引用卡片项目的四层结构和引用卡片字段做成了可照着搭的骨架说明和第 7 章的落地建议配套。放在资料包里扫码即可获取附表 A本文引用事实与出处对照表#事实出处本文位置1《生成式人工智能服务管理暂行办法》第四条五规定“基于服务类型特点采取有效措施提升生成式人工智能服务的透明度提高生成内容的准确性和可靠性。” 该办法由国家互联网信息办公室会同国家发展改革委、教育部、科技部、工业和信息化部、公安部、国家广播电视总局联合公布国家互联网信息办公室令第 15 号2023 年 7 月 10 日公布自 2023 年 8 月 15 日起施行。中国政府网公报gov.cn《生成式人工智能服务管理暂行办法》全文https://www.gov.cn/gongbao/2023/issue_10666/202308/content_6900864.html第 1 章、第 2 章条号强符号示例2RAG 原始论文 Lewis et al. 2020《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》(arXiv:2005.11401) 摘要称提供决策的可溯源依据“providing provenance for their decisions”仍是开放问题且 RAG 模型能生成更具体、更多样、更贴近事实的语言“more specific, diverse and factual language”。arXiv 论文摘要页https://arxiv.org/abs/2005.11401第 2 章、第 3 章RAG / 幻觉背景3Anthropic 官方文档对 Citations 的说明“Citations return the exact passages that support each claim, so you can verify answers and surface sources to your users.”引用功能返回支撑每项论断的确切段落便于核验答案并向用户展示来源。Anthropic 官方 API 文档https://docs.anthropic.com/en/docs/build-with-claude/citations第 3 章、第 4 章引用溯源 / 校验思路参考说明本文未对具体案件、具体律所、具体律师作出任何引用或断言也未对法律服务效果作任何承诺不涉及AI 取代律师之类判断。OpenAI 的 file search 能力也支持返回引用来源但本文未逐字核验其官方表述故未列入本表。附表 B术语速查表术语一句话解释在本文哪里用到RAG检索增强生成先检索资料、再让模型基于资料回答第 2、3 章向量检索把文字变成数字按意思近不近找内容第 2 章混合检索关键词精确命中 向量语义召回后融合排序第 2 章大模型幻觉模型一本正经地编出不存在或不准确的内容第 3 章召回把相关资料找全的能力第 3 章引用溯源让回答能指回具体出处、可被核验第 3、4 章现行有效条文当前仍在施行、未被修订或废止第 4 章写在最后这篇用到的资料写这篇文章时把相关的官方文档和源码又翻了一遍顺手也整理了几份配套的东西大模型学习路线图从零基础到能自己动手做 Agent按阶段说明每一步该学什么、哪些可以先跳过《LangChain LangGraph MCP 智能体开发实战》视频课7 个模块从私有化部署、EmbeddingRAG 到 MCPAgent 全流程AI 大模型知识库在线可查Agent Skills 从入门到落地、Claude Skills 完全指南等专题按目录浏览即可640 套 AI 大模型行业报告 经典 PDF 书籍看行业落地案例和别人怎么做的时候用得上大模型零基础到精通教学视频跟着敲一遍比只读文档快得多资料是我自己整理的放在下面这个码上扫码即可获取添加时备注「AI」优先通过。资料按「先路线、再动手、最后查漏」的顺序整理好了建议先看学习路线那一份照着它挑一条适合自己当前基础的路径再往下看。