!封面

有个现象正在拉开律师之间的差距，但它不是你想的那样。

不是谁用的模型更贵，不是谁充的Token更多，而是——三个月后，同样用WorkBody或Claude Code，有人得到的是一个能自动审核合同、分析案件、追踪监管动态的专属Agent；有人得到的还是一台贵一点儿的搜索引擎。

这个差距来自什么？不是天赋，不是学历，是你会不会"养"规则。

一、一个问题检测你是否需要这篇文章

先做个小测试：

你在用Agent类产品（比如WorkBody、Claude Code、Codex）处理法律工作吗？

如果答案是"用了，但每次都是一次性问答，答案还是要自己改"，那这篇文章正是写给你的。

如果你已经能说出"Harness"、"工作区规则"、"MCP"这些词，说明你已经在路上了，后面的内容可以帮你校准方向。

如果你正在带团队用Agent，但发现"不同人用出来的效果完全不一样"，那这篇文章同样值得你转给团队成员。

二、Chatbot和Agent的本质差异，不在于模型

讲清楚这个分水岭，要先回到一个最基础的问题：Chatbot和Agent到底有什么区别？

两者底层都是大语言模型，核心差异只有一个：Agent有"手"，Chatbot没有。

Chatbot的工作模式：你问一个问题，它返回一个答案，你把答案复制到Word文档里，再改一改。

Agent的工作模式：你描述一个任务，它直接在本地文件夹里生成文件、调用工具、自动完成全流程，最后给你一个可以直接用的成果。

这两种模式产出的差异，在三个月后会变得非常明显。

实现这个差异的底层结构，叫做Harness——你可以理解成"控制框架"。大模型是"大脑"，Harness是围绕大脑的一整套"神经系统"，负责让输出更稳定、更符合你的工作场景。

为什么Harness重要？因为大模型天生有高度不确定性——同样的输入，大概率不会得到同样的输出。在发散性场景（聊天、头脑风暴）里，这没问题；但在法律工作里，这恰恰是最大的短板。Harness的作用，就是控制这个不确定性，让输出从"大概能用"变成"稳定可用"。

这是理解后面一切的前提：你选什么模型，意义已经不大。当前主流大模型在法律场景里基础能力都够用。真正的差距，来自你会不会用Harness搭建一套属于自己的规则。

三、律师的真正分水岭：会不会"养"规则

1. "养"规则不是写提示词

很多人以为"用好AI"就是学会写提示词（Prompt）。这是一个常见的误解。

提示词是临时性的指令，每次对话都要重来。但规则是沉淀下来的工作流程，存在工作区文件夹里，每次打开Agent都会自动加载，输出自然就带着你的习惯和标准。

"养"规则的完整含义是：

你在工作过程中，每次发现Agent哪里做得不对，就告诉它怎么改。Agent把这次纠正写进工作区规则里。下一次，它就会按照新的规则运行。随着时间推移，这个Agent越来越像你，越来越贴合你的工作场景。

这个过程有一个非常形象的名字：默会知识蒸馏。

我们做律师的，脑子里有很多"凭感觉"的判断——审核合同时看到某个条款就觉得不对劲、遇到某类案件马上能想到风险点在哪里。这些东西，你自己都说不清楚是怎么来的，但它在工作里就是有效。

默会知识，就是这种"说不清楚但很管用"的经验。

以前，这些东西只能靠"传帮带"慢慢带新人。现在，Agent提供了一个绝佳的工具：你在纠正它的过程中，实际上是在把你的默会知识一点点逼出来、写成规则、变成可传承的资产。

这不是在教AI，这是在用AI教自己把经验显性化。

2. 规则从四步开始，不需要完美

有些律师看到"养规则"三个字就退缩了，觉得"我又不是程序员，从零开始太难了"。

实际上，规则不需要从完美开始，从四步就够：

第一步：接收问题

第二步：查法规

第三步：做分析

第四步：出解答

这就是一个法律咨询工作区的最小起点。后面每次用的时候，发现哪里不对，就在对话里告诉Agent哪里要改。它会自动把这次纠正写进规则。

一个月后回头看，你会发现自己已经拥有了一套完整的、贴着你工作习惯的法律咨询规则——别人拿过去用，效果完全不一样，因为那是你的经验凝结出来的。

这就是为什么同一个Agent产品，不同人用一段时间后产出质量差距极大的原因。 不是模型不同，不是工具不同，是使用者沉淀的规则不同。

3. 幻觉率累加：为什么工作流不是越长越好

大模型的幻觉率（输出错误信息的概率）是会累加的。

一个工作流里，如果每个环节都有大模型参与，每经过一个环节，幻觉率就在上一个环节的基础上继续累积。链路越长，最终结果的错误概率越高。

这个知识点对律师特别重要。

律师的工作流程天然比较长：接收任务→检索法规→分析案例→撰写文书→审核修改。每一个环节如果都让大模型独立完成，幻觉率就会在最终成果里体现为"法条引用错误"、"案例张冠李戴"这类问题。

控制幻觉率有两个有效方法：

方法一：减少不必要的大模型节点。 能用工具（如北大法宝MCP查法条、企查查MCP查企业信息）解决的，就不要让大模型自己生成。

方法二：在关键节点强制人工确认。 在工作流里，某个环节的结果必须经过你确认，才能进入下一步。这看起来降低了"自动化"程度，但实际效果是把每一步的准确率重新拉回到100%，整体输出质量反而更高。

在四明山法师AI夜校的课程里，我们反复强调这一点：Agent的价值不是让你省力，是让你把精力放在机器做不好、你最有价值的环节上——识别风险、把握商业需求、做出最终决策。

4. 一个真实场景：规则是怎么长出来的

举一个课程里演示过的真实过程。

一个律师想搭一个"法律咨询工作区"。他的起点描述是：

"每次收到法律问题，新建文件夹，存入原始问题，查阅本地知识库，做法律研究，调用北大法宝核验法条，最后输出解答。所有解答里涉及法条的内容，都要标注来源。"

Agent基于这段描述，自动生成了一套工作流规则，包含文件夹命名规则、执行步骤、法条标注要求。这就是起点。

第一次测试，问题收到了，但Agent没有把原始问题存档。

律师在对话里直接说："规则需要升级：每次咨询，无论是否提供了附件，都必须将原始问题存入原始材料文件夹。"

第二次测试，原始问题存档了，但输出的解答用了"结论先行"四个字，律师不喜欢这四个字。

继续在对话里说："把'结论先行'全部换成'结论'。"

第三次测试，输出格式完全符合要求了。同时，Agent顺手把上一轮遗漏的原始问题也补上了。

三次对话，三次纠正，一套越来越贴合个人习惯的工作区规则就长成了。

这个过程像什么？就像带实习生——犯一次错，说一次，下一次就不会再犯。区别是，Agent不会忘记，而且会把这个纠正固化成规则。

在四明山法师AI夜校，我们把这种工作方法叫做"规则迭代法"。核心不是技术，是习惯：每次用Agent都要打开过程窗口，检查它有没有跳过关键步骤，发现问题当时就纠正。这才是让Agent真正好用的方法，而不是等出了问题再抱怨"AI不靠谱"。

四、为什么这是资产，而不是成本

有人问：花时间养规则，值得吗？

这里有一个反直觉但经得起验证的判断：规则是资产，模型是基础设施，谁都能用，但你的规则是你自己的。

首先，规则可以跨工具迁移。

你用WorkBody养出来的规则，换到Claude Code上，只需要在该文件夹里新建一个文件，写一句话让Claude Code读取WorkBody的规则文件，两套工具就能共用同一套规则。工具会迭代、会过时，但规则是你自己的，迁到哪个工具都能用。

其次，规则会越来越厚实，成为真正的竞争力。

一年后，同样是法律咨询，你的工作区规则可能已经有几百条细节——怎么核验法条、怎么判断风险大小、什么情况下要提示客户做额外尽职调查。这些规则凝结了你处理过的所有类型案件的经验，新来的助理或者实习生，只要加载这套规则，就能得到一个"有你判断影子"的初稿。

你不是在被AI替代，你是在用AI把你的经验复制、放大、传承下去。

第三，数据端是机构可以做的，规则端是个人必须自己做的。

大模型厂商能提供通用工具，能提供模型能力，但他们没办法替你沉淀你脑子里的默会经验——只有你自己在每天的使用、纠正、迭代里，才能把这些东西逼出来。

所以我们在四明山法师AI夜校坚持用"实战驱动"的方式：不是先听课学理论，是先搭工作区先用起来，在使用过程中遇到问题，带着问题来交流，纠正方法现场就能改。这就是规则生长的正确路径。

五、操作门槛：你不需要会写代码

写到这里，可能还有律师觉得"这听起来很复杂，我不懂技术"。

实际上，你只需要会描述你的工作流程。

搭一个法律咨询工作区，一共四步：

第一步：在本地建一个文件夹，命名为"法律咨询"。

第二步：在Agent产品（WorkBody或Claude Code）里新建任务，选择这个文件夹作为工作空间。

第三步：用自然语言描述你的需求——你要怎么干，Agent自动生成工作区规则文件。

第四步：测试，发现问题，在对话里告诉Agent哪里要改，它自动更新规则。

不会写代码？不需要。你只需要能说清楚"我平时是怎么干这件事的"。

四明山法师AI夜校的学员里，有相当比例是没有任何技术背景的资深律师，他们用这套方法都上手了。真正的门槛不是技术，是意识到"规则需要养"这个认知。

六、边界：什么情况下这个方法不适用

任何方法都有边界，规则沉淀法也不例外。

第一，不值得为一次性任务建工作区。

如果一个任务这辈子只会遇到一次，专门建工作区投入产出不划算。判断标准是：同一个类型的活，连续干了三次，值得建工作区。

第二，保密要求极高的场景要单独评估。

涉及重大交易、敏感案件的文件，规则里需要调用的数据源、上传方式都要单独设计，不能直接套用通用工作区。这不是否定规则沉淀的价值，而是提醒：规则设计本身也要有安全意识。

第三，短期看不到回报是正常的。

规则沉淀不是立竿见影的事。前面两周可能觉得"怎么还没比直接问答好用"——这是正常的。真正的变化发生在两三个月后，当你发现"同样的法律咨询，新人用三十分钟，你用三分钟，结果还更全面"的时候，你就会理解前面投入的时间都去了哪里。

结语

AI时代律师的分水岭，不是"会不会用AI"，而是"会不会养规则"。

会养规则的律师，Agent是智能放大器，把自己的经验放大十倍、百倍；不会养的，Agent就是一台贵一点的搜索引擎，每次问答都要从头开始。

四明山法师AI夜校从创办至今，一直在推广这个理念：AI工具用得多不等于用得好，用得好的标志，是你的工作区规则越来越厚、越来越像你。

规则是一步一步生长出来的，不是一蹴而就的。

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，宁波市律师协会常务理事、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。