OpenClaw 法律

    以 OpenClaw 處理文件審閱、郵件分類與案件管理的律師事務所,必須決定客戶文件要送往何處。Ertas 以事務所自己的法律工作成果訓練專屬模型,OpenClaw 在事務所掌控的伺服器上呼叫該模型,代理日常讀取的文件都留在事務所內部。

    The Challenge

    OpenClaw 能分類郵件、審閱文件、擷取合約條款、草擬往來信函,天生適合法律工作流程。但律師事務所負有保密義務,預設的雲端 API 架構很難說服事務所自己的風險委員會。

    律師與客戶間的特權,保護雙方之間的溝通不被揭露。律師透過雲端 API 使用 OpenClaw 審閱受特權保護的文件時,文件內容會作為提示輸入送到模型供應商的伺服器。這是否會讓特權面臨風險,取決於供應商的條款、所在法域以及事務所自身的保護措施,許多事務所寧可不必為此爭論。

    除了特權之外,事務所對客戶資料還負有其他義務。澳洲《隱私法》、GDPR(適用於有歐盟客戶的事務所)以及律師公會規範,都涉及客戶資料如何儲存、處理與傳輸。每多一個處理客戶文件的商業 AI API,就要依上述每一項規定多評估一家供應商。

    OpenClaw 擅長的工作(文件審閱、郵件分類、條款擷取、備忘錄草擬)正是最耗費律師助理與資淺律師時間的工作。效率提升是真實的,尚待解決的是模型要在哪裡執行。

    The Solution

    Ertas 讓律師事務所把 OpenClaw 架在事務所自行託管的專屬模型上。做法很直接:在 Ertas Studio 中以事務所的法律領域資料微調模型,匯出為 GGUF,在事務所掌控的伺服器上以 Ollama 提供服務,再把 OpenClaw 指向這個本地端點。

    訓練在 Ertas 的雲端 GPU 上進行,因此訓練集會上傳到 Ertas。事務所應先去識別化或盡量精簡,並確認將這些資料用於訓練符合委任條款。匯出後,模型在事務所的伺服器上執行,OpenClaw 日常讀取的文件、郵件與案件細節都留在事務所網路內。

    以事務所真實工作成果訓練的模型,會學到事務所的具體標準:什麼樣的賠償條款算是不利、不同交易規模可接受怎樣的責任上限、哪些特定法域的條款需要標記。通用模型運用的是一般法律知識,訓練過的模型運用的是事務所自己的標準;事務所會先以自己預留的範例衡量兩者差距,再決定是否倚賴它。

    有多個業務領域的事務所,可以為每個業務組訓練獨立的模型。公司法務組的模型學習併購文件與實地查核清單,訴訟組的模型學習證據開示回覆與書狀草稿,智慧財產組的模型學習專利說明書與審查歷程。每個模型都是事務所擁有的檔案,可以架設在事務所自己的存取規則之後。

    Key Features

    Hub

    為 OpenClaw 提供本地推論

    OpenClaw 透過 Ollama 把請求送到事務所自有伺服器上的匯出模型。代理日常讀取的文件、客戶郵件與案件細節都留在事務所網路內。

    Studio

    依執業領域微調

    Studio 以事務所的領域資料微調開源模型,包括合約審閱標準、文件分類體系、案件受理流程與條款擷取規則。可以平行執行多次訓練,比較後再選定。

    Studio

    每個業務組一個模型

    為公司法務、訴訟、智慧財產與監理事務分別訓練獨立模型,每個模型只用該組自己的資料。每個模型都由事務所保管,並由事務所決定哪些團隊可以使用。

    Hub

    匯出並擁有模型

    Hub 會列出事務所訓練的所有模型。可下載為 GGUF 格式供 Ollama 或 llama.cpp 使用,或下載為 safetensors 供 vLLM 使用。模型執行不依賴 Ertas,代理在某個案件中如何被使用的任何紀錄,都保存在事務所自己的系統中。

    Example Workflow

    雪梨一家中型商務律師事務所導入 OpenClaw,加快公司諮詢業務的合約審閱。目前,事務所的律師助理每週要花 8 到 12 小時審閱供應商協議、標記不利條款,並把關鍵日期與義務登錄到案件管理系統。事務所從文件管理系統匯出 400 份已標註的合約,每份都有律師助理標記的條款(需注意或可接受)與擷取出的資料欄位,並移除客戶名稱與可辨識交易的條款。資料集上傳到 Ertas Studio 後,以 LoRA(rank 16,3 個 epoch)微調 Llama 3.1 8B 基礎模型,同時執行一次 Qwen 2.5 7B 作為比較。團隊以相同標準,在一組預留合約上為兩者評分,並與先前測試、經過提示工程的前沿模型比較。選定的模型以 GGUF 格式匯出(Q5_K_M 量化),在事務所機房的一台 Mac Studio 上以 Ollama 提供服務,OpenClaw 設定為使用這個本地模型。現在,合約審閱代理會讀取透過電子郵件收到的合約,把關鍵條款擷取為結構化 JSON,標記不利條款並依事務所標準說明原因,再為負責的合夥人草擬審閱備忘錄。律師助理核對被標記的項目,他們的修正會成為下一次訓練的範例。執行成本是事務所自有的硬體加上 Ertas 訂閱費,代理的日常工作不會產生按 token 計費的 API 帳單。

    Compliance & Security

    某種部署方式能否保全特權,或是否符合澳洲《隱私法》、GDPR 或律師公會執業倫理規範,由事務所自行判斷,Ertas 不對此作任何表態。這套架構改變的是:訓練在 Ertas 的雲端 GPU 上進行,因此訓練集會上傳到 Ertas,應先去識別化或盡量精簡。資料集會被保存,以便重複訓練,你也可以刪除它們。匯出後,模型在事務所自己的伺服器上執行,OpenClaw 日常讀取的文件都留在該伺服器上。存取控制、日誌以及客戶盡職調查問卷所需的紀錄,由事務所在該伺服器周邊的系統提供。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.