!封面

不是 AI 能力不够。是封装好的产品天然解决不了法律服务的个性化需求。你要么接受"标准答案"，要么学会自己造工具。

三个翻车场景

前段时间在一个 AI 共学课上，几个律师分享了用 AI 产品做实际工作的经历。三个场景，三种翻法，指向同一个问题。

场景一：50 份背调报告，不如手动复制粘贴快

一位做国企常法的律师，客户是大宗贸易公司，每周要对几十个潜在交易对手做简易背调——工商信息、涉诉情况、经营异常。他想用 AI 自动化这个流程。

用了一个封装好的 AI agent 产品。

结果：每次都要先去企查查下载专业版报告，再手动上传给 agent，然后 agent 按内置逻辑消化并输出。10 次有七八次格式不对。他想要的是"给一个名字就出一份报告"，实际是"下载、上传、调整格式、重新生成"——四个步骤下来，比手动复制粘贴还慢。

场景二：800 行打卡数据，AI 算了 20 遍全是错的

一位兼职劳动仲裁员的律师，需要根据劳动者七八个月的打卡数据计算加班工资。规则很明确——工作日记 8 小时、休息日记 6.5 小时、中间扣除休息时间、打卡前后几分钟取整。他把规则和脱敏后的数据给了 DeepSeek。

统计全错。反复纠正——这一周算错了重新算，下一周又错了再重新算。花的时间比 Excel 函数手动计算还长。

他的原话："你设定好了规则，让 AI 按规则运行，这个路数肯定没错。但它就是没办法把你的规则贯彻到底，你要不断检视它的输出。"

场景三：我问他 A，他回答了我之前问的 B

一位律师第一次用 Cherry Studio，先问了一个哲学问题（"AI 与人类能否产生灵魂共鸣"），中途终止了。然后上传了一份最高法知识产权裁判规则的文件，让它分析专利方面的裁判意见。

AI 思考了一会儿，跳出来——开始回答那个哲学问题了。关于专利裁判意见，一个字没提。

三个场景，一个根因

表面看，三个问题各不相同——数据获取、数学计算、上下文混乱。根因是一个：这些产品用同一套逻辑处理完全不同的场景。

就像去一家餐厅，不管点的是牛排、沙拉还是汤，后厨都用同一口锅、同一种火候、同一个时间来做。

三个层面的错配：

一、流程定死，律师的工作是活的

目前合同审核 SaaS 产品的典型形态：上传合同，选代表方（"我是甲方"），选风险偏好（"严格/适中/宽松"），系统出一份批注。不管张三还是李四是你的客户，同一份合同传进去，出来的结果一模一样。

但真实的律师工作不是这样的。

同一个客户，专项业务里的合同和常年顾问业务里的合同，审法完全不同。有的客户不喜欢你提太多问题——"只打七寸，帮我把业务推进下去"。有的客户要求把所有制问题都挑出来。还有的客户对某些条款特别敏感——国企客户对国资监管条款零容忍，对商业条款相对弹性大。

这些个性化的习惯和尺度，封装的产品没有地方让你"存"。

二、数据源封闭，律师需要活数据

第一个场景里，律师最大的痛点不是分析，是获取数据。每周查几十个公司，每个都要手动在企查查下载报告。

这个问题的解法其实已经存在——企查查上个月推出了 MCP 工具（机器可读的数据接口），可以直接用 API 调取企业数据。但封装好的 AI 产品接不了这个接口，它的数据通道是封闭的。

开放的 agent 可以直接调企查查 MCP，批量拉数据、分析、生成报告。封装的产品只能等你手动喂。

三、底层模型在"猜"，律师需要的是"算"

第二个场景最反直觉。

大语言模型做四则运算不是"计算"，是"生成"。它生成的 2+2=4 和生成的法条"民法典第 999 条"，本质是同一件事——基于概率猜下一个最可能的 token。只不过 2+2=4 在训练数据里出现太多，猜对概率极高。但规则一复杂（工作日 8 小时、休息日 6.5 小时、中间扣除 1.5 小时、打卡取整……），猜错的概率就急剧上升。

正确的做法：不要让大模型直接做计算。让它写一个 Python 脚本来做计算。脚本是确定性的——同样输入永远产出同样输出。大模型的能力用在"理解规则、编写脚本"，计算本身交给脚本。

但封装的产品不会给你这个选项。它是黑箱——你不知道内部是直接用模型算的还是调了脚本。只能看到输入和输出，中间不可见、不可干预。

不是产品经理的错

前段时间和一个做法律 AI 的创业者聊了这个问题。他说的一段话很有意思：

"你说的都对。但从我们的角度，只要现在这个产品形态有人买单，商业上就成立。我需要做的就是收集反馈，然后迭代。"

这句话没错。产品要卖钱，必须标准化。标准化的代价是牺牲个性化。这是商业逻辑，不是产品经理水平问题。

但问题在于：法律服务的价值恰恰在于个性化。如果法律服务可以被标准化到 SaaS 产品一键生成的程度，律师行业本身的的存在逻辑就动摇了。

所以不是"产品做得不够好"。是"产品这个形态本身"与"法律服务本质"之间的结构性矛盾。

那怎么办？

可标准化的部分，用产品。 法条检索、案例检索、基础合同模板生成。这些场景输入输出相对固定，产品标准化反而保证一致性。

需要个性化的部分，学会自己造工具。 不是学写代码。是学一个 agent 工具（比如 Claude Code），理解基本逻辑——怎么设规则、怎么编排流程、怎么接外部数据源。不需要成为技术人员，但至少要知道"这件事理论上能不能自动化"以及"大概怎么做"。

高度个性化的核心业务，保持人工。 复杂交易结构设计、客户谈判策略、诉讼策略制定。AI 在这些场景里是做准备的助手，不是替代判断的主体。

<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 600 250">
  <rect width="600" height="250" fill="#fff" rx="6"/>

  <!-- Left column -->
  <rect x="30" y="30" width="250" height="190" rx="4" fill="#f5f5f5" stroke="#ddd" stroke-width="1"/>
  <text x="155" y="60" text-anchor="middle" font-size="15" font-weight="700" fill="#c41e3a">封装的法律 AI 产品</text>
  <line x1="60" y1="72" x2="250" y2="72" stroke="#ddd" stroke-width="1"/>
  <text x="155" y="100" text-anchor="middle" font-size="12" fill="#555">✓ 法条/案例检索（标准化）</text>
  <text x="155" y="125" text-anchor="middle" font-size="12" fill="#555">✓ 基础合同模板生成</text>
  <text x="155" y="150" text-anchor="middle" font-size="12" fill="#999">✗ 个性化审查尺度</text>
  <text x="155" y="175" text-anchor="middle" font-size="12" fill="#999">✗ 客户习惯积累</text>
  <text x="155" y="200" text-anchor="middle" font-size="12" fill="#999">✗ 数据源灵活接入</text>

  <!-- Right column -->
  <rect x="320" y="30" width="250" height="190" rx="4" fill="#f5f5f5" stroke="#ddd" stroke-width="1"/>
  <text x="445" y="60" text-anchor="middle" font-size="15" font-weight="700" fill="#333">自建 Agent 工具</text>
  <line x1="350" y1="72" x2="540" y2="72" stroke="#ddd" stroke-width="1"/>
  <text x="445" y="100" text-anchor="middle" font-size="12" fill="#555">✓ 定义自己的审查规则和尺度</text>
  <text x="445" y="125" text-anchor="middle" font-size="12" fill="#555">✓ 积累客户偏好和习惯</text>
  <text x="445" y="150" text-anchor="middle" font-size="12" fill="#555">✓ 灵活接入外部数据源（MCP）</text>
  <text x="445" y="175" text-anchor="middle" font-size="12" fill="#555">✓ 可见的中间步骤，可调试</text>
  <text x="445" y="200" text-anchor="middle" font-size="12" fill="#555">✗ 需要学习成本和动手能力</text>
</svg>

有朋友跟我说，现在市面上的法律 AI 产品，功能用 Claude Code 基本上都能实现，而且还能做得更符合自己的习惯。这个说法可能有点绝对，但方向是对的——"买鱼"和"学渔"之间的差距，会随着 AI 工具的成熟越来越大。

打个比方：封装的法律 AI 产品像连锁快餐——方便、稳定、味道一致。自建 agent 像自己下厨——得学、得练、得花时间，但做出来的东西是你要的味道，而且越做越快。

两种都有存在的价值。但如果对专业服务有要求，至少要知道厨房在哪。

作者简介： 陈石律师，浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，宁波市律师协会副秘书长、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办"首宗百亿地王""长春第一高楼""台州第一高楼"等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。四明山法师 AI 夜校（legalAGI.cn）发起人。