关于法律智能体技术路线的拙见

法律智能体从演示走向产品，不过两年多时间。这两年里，行业把能想到的工程手段几乎试了一遍：检索增强、知识图谱、多智能体、领域微调。每一条路线都解决了一部分问题，但有一个问题始终悬在头顶——幻觉。本文分三部分陈述笔者的观察与判断：先梳理现行技术路线，再论证幻觉为何在生成范式内无法根治，最后提出一个与行业主流叙事相反的解决思路：法律智能体不应该试图解决所有问题，而应以"可控的窄"换"可信的准"——把"100%的场景覆盖、99%的准确率"，换成"99%的场景覆盖、100%的准确率"。

一、法律智能体的现行技术路线

当前市面上与学术界公开方案中的法律智能体，技术路线大体可以归纳为五类。它们并非互斥，成熟产品往往是多条路线的叠加。

（一）基座模型直出路线

最早的形态：直接调用通用大模型，靠提示词工程要求其扮演"法律专家"。优点是交互自然、无需额外建设、覆盖面极广；缺点也早已充分暴露——知识有截止日期、法条引用无从核验、幻觉高发且不可溯源。今天已没有产品敢于把这条路线作为独立方案，但它并未消失，而是退到了所有路线的最底层：无论上层叠加多少工程，最终"落笔"写答案的仍是这个生成式底座。这一点在后文讨论幻觉时至关重要。

（二）检索增强生成（RAG）路线

当前的事实主流。在模型生成之前，先从权威知识库（法律法规、司法解释、裁判文书）中检索相关内容注入上下文，引导模型"看着材料答题"，并要求标注引用来源。RAG 解决了两个真问题：知识时效性和结论可溯源。但它的问题是结构性的：检索质量直接决定生成质量——检索不到相关条文时，模型并不会因此停下，而是基于参数记忆继续生成，产生所谓"间接幻觉"；即便检索到了正确条文，模型也可能在概括、转述中偏离原文。此外，向量检索在法律文本上还有众所周知的顽疾：短小的定义类条文语义稀疏，容易被长文本噪声淹没；“网络”"合同"这类高频词会造成检索结果大量同质化，挤掉真正关键的条款。

（三）知识图谱与神经—符号混合路线

针对上述检索缺陷，业界引入知识图谱（GraphRAG 等）：把法条、罪名、构成要件、法律责任、案例之间的引用与适用关系结构化为三元组，检索从"语义相似"走向"逻辑推导"。对定义类、条款类查询，可以绕过向量检索，用规则直接命中法条原文并逐字引用，确定性显著提升。代价同样明显：图谱的构建需要大量领域专家参与，维护成本极高；法律本身处于持续立改废之中，图谱更新稍有迟滞就会输出已失效的知识；而图谱覆盖不到的角落，依然要退回生成式模型，幻觉问题原样保留。

（四）多智能体编排路线

模拟律师事务所的分工，把一次咨询拆成流水线：助理智能体收集案情、研究员智能体检索法条与类案、律师智能体出具意见、编辑智能体成稿，以标准作业程序（SOP）约束每一步。北大开源的 ChatLaw 是这条路线的代表方案，其"助理按知识图谱节点向用户追问、补全要件信息"的交互设计尤具启发（第三部分还会回到这一点）。多智能体通过角色分工和相互校核，确实压缩了出错空间；但链路拉长也意味着误差可能逐级传导、放大，且每一环仍是生成式模型，SOP 约束的是流程，不是输出的事实性。

（五）领域微调路线

用高质量法律语料对基座模型做微调，或采用混合专家（MoE）架构让不同专家处理不同法律任务。微调能显著提升模型"说法律话"的流畅度与专业度，在法律职业资格考试等基准上取得更好成绩。但必须指出：微调改变的是输出的分布，不是输出的机制。分数提升的同时，幻觉率下降却始终不为零——模型依然是在逐 token 地预测"最可能的下一个词"，而不是在"查询"一个确定性的法条库。

小结：五条路线的叠加，构成了今天法律智能体的典型架构——领域微调的底座、RAG 加图谱的检索层、多智能体的编排层。值得注意的是，这条演进路径本身就在不断承认同一件事：每加一层工程，都是在给生成式模型"打补丁"，补丁的方向无一例外是收窄模型的自由度——约束它的知识来源（RAG）、约束它的检索方式（图谱）、约束它的作业流程（多智能体）、约束它的语言分布（微调）。行业已经用行动投票：问题不在模型不够强，而在"自由生成"这件事与法律场景的要求在结构上不相容。但无论叠了多少层，有一个共同点始终未变：最终答案由生成式模型落笔。这就引出了第二部分的判断。

二、幻觉仍不能根治

（一）幻觉是生成范式的内生属性

大语言模型的本质是基于概率的序列生成器：给定前文，预测下一个最可能的 token。它学到的是"法律语言长什么样"，而不是"某条法律是什么"。训练数据中没有完全匹配的引用时，模型倾向于"填补空白"——生成一个格式完全正确、内容却不存在或张冠李戴的条号与案号。自回归机制只能向前看，无法在生成过程中回溯验证已写下的内容是否为真。这不是工程缺陷，而是范式属性：在生成式架构内，幻觉只能被降低频率，不能被消除。

（二）法律场景把幻觉的代价放到最大

多数领域可以容忍"大概率对"，法律恰好是最不能容忍的那一个。原因有四：

1. 引用必须逐字准确。一个错误的法条编号足以动摇整个论证，而 AI 虚构的判例往往案号、法院、日期、裁判要旨一应俱全，格式与真实判例无异，短时间内连资深律师也未必能识别。
2. 法规是动态的。立改废释持续发生，模型输出已失效条文的风险随知识截止日期增长。
3. 术语差之毫厘、谬以千里。“定金"与"订金”、“解除"与"终止”、“裁定"与"判决”，法律后果截然不同，概率生成恰恰缺乏这种语境敏感性。
4. 后果不可逆、责任未决。公开报道的案例已经足够说明问题：2023 年纽约南区联邦法院的航空事故赔偿案中，原告律师提交了至少六个完全虚构的判例，被处以五千美元罚款；2025 年美国一家知名伤亡理赔律所在法庭文书中援引八个不存在的判例，多名律师被罚款、其中一人被取消该案执业资格；国内亦有 AI"智能回答"虚构律师获刑信息被判名誉侵权的先例。幻觉已从技术缺陷演变为真实的法律风险。

（三）缓解手段的清单与天花板

现行防幻觉手段，无外乎：约束式提示词与低温度采样、RAG 锚定、强制引用溯源、输出后校验（将答案中出现的法条编号与法规库比对、案号与文书库比对）、低置信度时拒答或转人工复核。逐一检视，可以发现它们都在做"减法"而非"根除"：

• 约束式提示词（“只能依据以下条文回答，找不到就明说”）只是软约束，模型遵循指令的能力本身就是概率性的——同一个提示，绝大多数时候有效，个别时候失效，且失效不可预测。
• RAG 锚定解决"无中生有"，解决不了"有而错读"：正确检索到三份条文，模型可能概括时张冠李戴，或在多份条文中选错适用对象。
• 强制引用溯源把验证成本转嫁给用户——引用挂上了，用户不点开核对，虚构依然照常生效；而前述美国两起案例中，涉事律师恰恰是"用了 AI 却没有逐条核对"。
• 输出后校验能拦住可形式化的错误（条号、案号不存在），拦不住语义级错误（条文真实存在、引用真实无误，但适用于完全不同的情形——这类"看起来全对"的错误恰恰最危险）。
• 拒答与转人工是最诚实的一道闸门，但它的触发依赖置信度估计，而模型对"自己不知道什么"的自评能力，本身就是学界公认的弱项。

这些手段叠加起来，确实能把幻觉压到很低的水平。但低水平不等于零，且错误的分布是长尾的：无法预测下一次错误何时出现、出现在哪个用户、哪个问题上。对一个信任型产品而言，不可预测的偶发错误，比可预测的持续缺陷更致命——用户无法建立任何使用策略来规避它。

（四）为什么"根治"在可见周期内不现实

要让幻觉归零，需要模型在生成每个事实断言时都携带"可验证为真"的证明，这等于要求生成式架构转型为可验证推理架构——这不是调参和堆工程能达到的，而是范式级的更替，目前尚无可落地的技术路径。在此之前，一切宣称"彻底解决幻觉"的产品宣传，都经不起对着失效法条与虚构案号的实测。承认这一点并不丢人：承认天花板，恰恰是找到正确路线的起点——既然在生成范式内拿不到 100% 的准确率，那么产品策略就应该围绕这个约束重新设计，而不是假装它不存在。这正是第三部分的出发点。

三、解决思路：以"可控的窄"换"可信的准"

（一）前置问题：法律智能体是否应该解决所有问题

行业的产品叙事普遍追求"全场景覆盖"——什么都能问，什么都敢答。但回到真实需求：大众和企业的高频法律需求高度集中——劳动争议、婚姻家事、民间借贷、交通肇事、合同审查、公司合规流程，等等。这些场景的问题模式有限、要件相对清晰；真正开放、复杂、需要创造性论证的长尾问题，恰恰是生成式模型最不可靠的区域，也恰恰是人类律师不可替代的价值所在。**与其全而不准，不如准而不全。**这不是消极退守，而是把"智能"用在它能被验证的地方。

（二）有限问题归纳：把开放空间收敛为封闭集合

对高频场景做要件化归纳，逐一定义适用范围、必需要件事实与输出结构。以劳动争议中的"违法解除赔偿金"为例：适用条件（解除是否合法、是否属于法定除外情形）、要件事实（工作年限、解除前十二个月平均工资、解除事由）、《劳动合同法》相关条文、计算规则（2N 的适用与月工资封顶、分段计算），全部可以预先定义清楚——这是一个有标准答案的问题，而不是一个开放咨询。合同审查中的高频风险条款核查、诉讼时效的起算与中断判断、常见罪名的构成要件解释，都属于同类。

经过这一步，"用户可能问的一切法律问题"这个无穷集合，被收敛为可枚举、可逐条测试的有限问题集。这是后续一切确定性设计的地基：只有问题空间封闭了，答案的正确性才可能被穷尽验证。需要强调，归纳的对象应当来自真实咨询数据的分布统计，而非产品经理的想象——用数据决定先做哪 99%，是这条路线成败的第一道关。

（三）规范性问答设计：从"开放生成"到"受控填空"

在封闭问题集上，答案的骨架不再由模型生成，而是预先由法律专家设计并审核：适用规则、引用条文、办理流程、文书模板。模型的工作从"生成答案"退居为"匹配场景、填充要件"。最终输出由三部分构成：经过验证的模板、逐字引用的法条原文、由显式规则计算出的结果（如时效起算日、补偿金月数）。生成自由度被压缩到不触碰事实完整性的层级——模型可以组织语言，但不能新造事实。

（四）引导式信息收集：把自由陈述变成结构化要件

法律三段论的可靠性取决于小前提——要件事实——的完整与准确。让用户一次性自由陈述，得到的信息往往是缺失的、错序的、夹杂无关细节的。更可靠的做法是反向操作：智能体依据场景的要件清单逐项追问，把开放对话变成结构化的"对话式表单"。ChatLaw 的助理智能体按知识图谱节点向用户提问、补全信息的交互设计，已经验证了这条路径的可行性。信息收集完成后，问题本身已经从"开放咨询"转化为"封闭问题集中的某个确定项"。

（五）精确索引：确定性检索与确定性输出

对封闭问题集建立确定性索引：法条号、罪名、程序节点到权威文本的直接映射；定义类、条款类查询走规则与锚点命中，而非语义相似度排序。输出的每一条事实断言，要么逐字来自被索引的权威文本，要么来自显式可审计的规则，全程白盒溯源。检索环节的"语义大概齐"，在封闭场景内可以被替换为"逻辑必然对"。开源社区已有实践佐证这一方向的收益：有网络安全法律问答项目针对定义类查询设置"确定性旁路"，检测到"什么是网络运营者"这类强定义需求时，绕过向量检索，直接按谓词逻辑从图谱中提取法条原文并强制逐字引用——恰好命中了传统 RAG 语义稀疏的软肋。

同时，确定性输出天然携带可解释性：每一步结论都可以回放到"依据哪条规则、引用哪条法条、基于用户哪个回答"，这对监管备案、司法场景准入乃至产品自身的问题排查，都是生成式黑盒无法提供的资产。

（六）核心交换：99% 的场景覆盖，100% 的准确率

至此可以正面回答本文的中心命题。当前产品逻辑是"100% 的场景覆盖、99% 的准确率"——什么都答，但总有错的时候。在法律领域，这个组合的商业与社会评价都是灾难性的：错一次，信任归零；万一进入诉讼或决策链条，还可能引发侵权与执业责任。99% 的准确率，在用户体验上约等于"不可信"。

反过来，“99% 的场景覆盖、100% 的准确率”——覆盖绝大多数真实需求，但只回答有把握的问题，且回答的每一个都经得起逐条核验；剩下 1% 的开放复杂问题，明示能力边界，转介人工律师或法律援助渠道。两种"缺口"的性质完全不同：覆盖缺口是诚实的，准确缺口是致命的。用户可以接受"这个问题我不答，请你找律师"，绝不会接受"我给你的答案可能是编的"。在信任敏感、责任敏感的法律服务市场，"值得信"才是产品成立的前提；而在封闭问题集上通过全量测试所获得的、可验证的准确性，也是产品未来进入司法与政务等更高合规要求场景的通行证。

当然，这一路线的代价也应如实陈述：场景归纳与边界维护需要持续的专家投入；封闭问题集上的"100%“必须以严格的回归测试体系为支撑，每次法规修订都要同步验证；拒答会带来短期的体验落差，需要良好的边界话术与转介机制来承接。用窄换准，不是省事，而是把工程投入从"堆模型能力"转向"建验证体系”。