面向法律的本地 AI Agent：无数据外泄的特权文件工作流

2023 年 10 月，纽约一家律所发现一名助理律师使用 ChatGPT 研究案例法。模型虚构了三个不存在的案例引用。法官对该律所进行了制裁。但虚构问题虽然真实，却不是法律实践中云 AI 最危险的风险。最危险的风险是特权放弃。

律师-客户特权是法律职业与客户信任关系的基石。但特权是脆弱的。它可以通过向第三方自愿披露而被永久放弃。

当律师将特权客户通信粘贴到云 AI 服务中时，这是向第三方的披露。本地 AI 完全消除了这种风险。数据永远不离开律所网络。

法律伦理框架

ABA 示范规则 1.6（保密性）： 律师不得披露与代理客户相关的信息，除非客户给予知情同意。

ABA 示范规则 1.1（能力）： 律师应提供胜任的代理，包括理解执业中使用的技术。

ABA 正式意见 477R（2017）： 律师在使用技术时必须采取合理努力防止机密信息的无意或未授权披露。

满足所有这些要求的最简单方式：将客户数据保存在你控制的基础设施上。

四个法律 AI Agent 用例

1. 合同审查

Agent 摄入合同 → 分析每个条款 → 识别非标准语言 → 生成修订标记和评论 → 标记高风险条款供律师审查。 节省：$150K-$750K/月

2. 发现中的文件审查

Agent 分类文件为特权、相关、不相关或需要律师审查 → 生成特权日志。 节省：每个案件 $75K-$225K

3. 法律研究

Agent 搜索律所内部先例数据库和案例法 → 生成附引用的研究备忘录。

4. 尽职调查

Agent 访问 M&A 数据室文件 → 提取关键条款 → 识别危险信号 → 生成尽调摘要报告。

法律 AI Agent 架构

模型层

推荐法律工作使用 14B 参数模型（Qwen2.5-14B、Llama 3.1）。微调至关重要。

训练数据： 500-1,000 个对照你的合同手册的合同审查示例。

知识层

本地向量存储包含律所合同手册、批准的条款库、内部案例库、客户案件文件和案例法数据库。

审计层

记录每个 Agent 操作：查询、访问的文件、执行的分析、生成的引用和交付的输出。

法律 AI 的数据准备

文档结构复杂性

法律文件的结构复杂度以破坏简单文本处理的方式存在：嵌套条款、交叉引用、定义术语、序言和实体条款。

领域特定标注

标注法律训练数据需要法律专业知识。预算律师参与标注过程的时间。

训练管道中的保密性

训练数据本身就是客户机密信息。

微调优势

使用你律所 500 个合同审查示例微调的 7B 模型在识别你律所特定风险标准方面优于 GPT-4。 因为微调模型了解你的合同手册。GPT-4 了解合同法的一般知识——但它不知道你的律所将 24 个月竞业禁止视为标准但 36 个月视为非标准。

入门

1. 从合同审查开始
2. 将合同手册构建为知识库
3. 标注训练数据
4. 本地微调
5. 律师审查试点
6. 扩展到文件审查