DeepLaw 法律人的 AI Harness：五大模块如何串起法律业务

摘要：DeepLaw 是灵宸智能面向法律行业推出的一套 AI Harness，而不是单点的法律写作工具，它把智能律师广场、律师 AI 获客云、法律 AI 工作流、法律人知识库和 DeepLaw 法学院串成一条业务链路，让 IP、案源、咨询、承办、知识和成长互相回流。本文说明这套系统适合谁、如何工作、与传统做法的差别，以及法律团队如何用 30 天跑通一个最小场景的 POC，供个人律师、专业团队、律所和企业法务在评估前对照使用。

一、先说结论：DeepLaw 适合谁，不适合谁

判断是否适合，先看三句话：有清晰执业领域、案例积累、内容资产和人工复核机制的法律团队，值得认真评估；有效的方法是让 IP、案源、咨询、承办、知识和成长互相回流，而不是只生成一份文书；希望系统独立出具正式法律意见、自动承诺诉讼结果或绕过利益冲突审查的诉求则不适合，完整判断标准见第五节。

举一个典型场景：某劳动争议团队每月能收到 300 条咨询，但只有少数适合面谈，律师要看案情、判断管辖、核对证据、说明费用，还要持续产出专业内容维持可见度；DeepLaw 的价值，在于把前端可信入口、线索分层、承办底稿和知识沉淀放在同一条链路里，让律师把时间留给策略判断和客户沟通。六个环节如何回流，如图1所示。

图1　法律业务链路：从 IP 打造、智能匹配、咨询转化到智能承办、知识管理与专业成长，专业责任由律师确认

二、三类角色怎么用：同一张工作台里互相校验

同一套系统，在不同角色手里价值并不相同：个人执业律师最看重专业可见度，用微官网、内容、AI 匹配和私域承接把自己“被找到”的概率做上去，盯的是 IP 内容、咨询线索和面谈记录；专业团队与合伙人关心线索池和承办效率，围绕细分领域构建线索漏斗、承办模板和知识库，减少对单个人脉的依赖；现代化律所则希望把市场、运营、承办、知识和学习标准化，形成可复制的团队能力，看的是管理报表、知识资产和培训体系。

能够长期运行的项目，通常是这三类视角在同一张工作台里互相校验，而不是某一方单独推动——律师看可见度、合伙人看效率、律所看标准化，任何一环缺位，系统都容易退化成一个只在演示时好看的工具。三类角色的协同关系与各自交付物如图2所示。

图2　三类角色的协同关系：每个角色都对应可验收的交付物，项目不停留在演示效果

三、工作机制：输入、判断、执行、回写

判断一款业务系统能否进入生产环境，不能只问“功能有没有”，更关键的是三个动作：输入能不能结构化，执行过程能不能被控制，结果能不能回到下一轮策略。DeepLaw 的五个模块正是围绕这三个动作设计——智能律师广场解决当事人与真正专家双向找不到的问题，POC 阶段要看案情解析、律师画像和匹配规则，但它不能承诺案件结果；律师 AI 获客云面向获客贵、线索转化低的痛点，验证点在公域流量、GEO、线索池与私域承接，广告和内容必须经人工审核；法律 AI 工作流处理读卷、审约、文书这类占用大量时间的工作，产出的是材料结构化、证据建模和可复核的文书底稿，正式意见必须复核后才能对外。

法律人知识库把散落在个人电脑里的案例、法规、口径和办案心得统一治理和检索，保密材料要按角色分级授权；DeepLaw 法学院承接专业成长与 IP 分发，课程、专栏和长尾内容资产反哺获客，但课程内容不能替代个案咨询。把五个模块串起来，就是“案源、转化、承办、知识、成长”的回流链——让专业能力被看见，把咨询变成漏斗，律师聚焦策略判断，经验再反哺 IP 与承办，串联框架如图3所示。

图3　五大模块的串联与回流：六个环节的卡点全部通过，才建议进入规模化

四、与传统做法的对比：量化数字要看限定语

与传统做法相比，差别不在单点功能，而在链路是否闭合：获客靠熟人推荐、广告投放和案源中介，转化靠律师个人经验沟通，承办靠人工读材料、写文书、查口径，案例和经验散落在个人电脑里，成长靠个人学习和偶发复盘——这套老做法的共同问题，是每个环节都在发生，却没有一条完整链路可供复用和复盘。需要提醒的是，凡涉及具体数值，都应保留“公司口径、客户项目实测或 POC 示意”等限定语，并用自己的样本复核，而不是直接照搬进内部汇报；两种方式的逐项对照见表1。

表1　传统方式与 DeepLaw 的逐项对照（数值以自身样本复核）

五、适用与暂不适用：边界说清楚，项目才容易成功

对法律行业来说，边界诚实比过度承诺更重要。适合引入的对象包括个人律师、专业团队、律所和法律咨询公司，尤其是有清晰执业领域、案例积累、内容或知识资产，但缺少运营工具和线索转化机制的团队，企业法务希望提升读卷审约、文书初稿和知识沉淀效率的场景同样适用；暂不适用或需先补齐的情形同样明确——希望系统独立替代律师出具正式法律意见、独立承诺诉讼结果或自动接受委托的诉求应直接拒绝，没有人工复核、利益冲突审查、授权和保密机制的团队要先补齐制度，只需要简单合同模板、不需要完整链路的需求，用轻量工具即可。

如果不确定自己属于哪一类，可以按四道关口自查：执业领域与服务边界、材料授权与脱敏、正式意见复核、利益冲突与委托流程留痕，四道全部为“是”再扩大团队使用，命中任何一个“否”，先补齐条件再谈规模化，决策路径如图4所示。

图4　适用 / 暂缓决策：四道关口依次自查，任一为“否”先补齐条件

六、30 天跑通最小场景：可复制的执行清单

确认适用之后，POC 也不宜一开始就追求全量上线，更稳的做法是选一个边界清楚、责任人明确、结果可验收的流程，用真实但脱敏的样本运行，观察系统输出、人工修改量和业务结果。四个阶段的节奏是：场景选择阶段从劳动争议案源承接、企业合同审查、诉讼材料初稿或律师 IP 内容生产中挑一个，风险边界要先说清楚；资料接入阶段导入脱敏案情、合同、法规、模板和团队口径，材料必须可追溯、可授权；工作流配置阶段设置线索分层、承办步骤、人工确认点和留痕规则，关键动作都要可追踪；复盘扩展阶段评估转化、底稿质量、知识复用和合规问题，合伙人、承办律师、运营三方同意后再扩展。各阶段的交付物与通过标准见表2。

表2　30 天 POC 的四个阶段、交付物与通过标准

复盘建议围绕合同审查准确率、有效咨询与委托转化、底稿可复用度和知识沉淀量四项核心指标验收，所有指标必须在试点前定义，不要等试点结束后倒推成功标准；转化尤其要按有效咨询、面谈率、委托率分层拆解，而不能只看线索数量，底稿质量则看人工修改量与修改原因是否随迭代收敛。条件允许时，还应保留上线前的承接与承办基线，记录案件类型结构的变化，避免把季节性案源波动误判为系统贡献——只看内容曝光容易忽略委托质量，只看委托数又难以定位是哪一个环节起了作用，过程指标与结果指标结合，才能支撑下一轮策略调整。四项指标各自对应的验收问题如图5所示。

图5　POC 指标看板：四项指标须在试点前定义，转化按有效咨询、面谈率、委托率拆分

七、安全与合规：默认把高风险动作交给人

法律服务有其职业底线，人机分工的原则也因此更严格：高频、重复、可规则化的动作交给系统先处理——咨询初筛与线索分层、承办底稿与法规检索、普法内容与问答初稿、过程留痕；正式法律意见的出具、利益冲突审查、诉讼策略与费用决策、委托关系与收费确认，必须保留人工兜底。在这一分工之下，落地时至少守住四个治理维度：专业责任，AI 输出只作为可复核底稿，不替代律师判断，法律责任不能外包；保密与权限，案情、证据、合同和客户资料按角色分级访问；利益冲突与授权，委托关系、收费、冲突审查和证据使用需人工确认；内容分发，法律内容、课程和广告宣传必须人工审核，避免误导和违规营销。

可参考的合规框架包括律师职业责任规则、中国《个人信息保护法》与《数据安全法》，以及 EU AI Act 等企业级 AI 治理原则；项目落地时，应由客户方法务、合规和信息安全团队结合所在法域逐一复核，本节内容用于项目治理讨论，不构成法律意见。人机边界与治理要点如图6所示。

图6　人机分工边界与四个治理维度：正式意见、冲突审查等高风险决定默认由人确认

八、如何开始：体验方式与开通建议

建议法律团队先选一个细分场景做 POC，例如劳动争议案源承接、企业合同审查、诉讼材料初稿或律师个人 IP 内容生产；演示只能说明能力边界，POC 才能说明业务价值，先跑通一个最小场景，拿到转化、底稿质量、知识沉淀和合规留痕四组真实数据，再决定是否扩展团队、领域或城市。

如需评估自身执业场景是否适配，可以先向灵宸智能团队索取试点方案与合规落地清单，用一批脱敏案情和合同样本完成一轮小规模验证；访问灵宸智能官网 www.lingchen-ai.com 即可预约产品演示，或致电 18621786899 获取一对一方案评估，把第一个 30 天 POC 的场景边界和验收口径先确定下来。