李伯阳 · 北京市隆安（广州）律师事务所
北京市隆安（广州）律师事务所
隆安湾区人工智能法律研究中心主任
十余年互联网法律实务经验
大家已经高频使用 AI，但可以更进一步提升效率。
内部调查｜有效答卷 n=33；多选题采用问卷平台统计口径
近期，英国就业仲裁激增。法官发现，越来越多自行诉讼的当事人使用 ChatGPT、Grok 起草申诉、申请和损失计算。
英国就业法庭主席 Barry Clarke 和 Susan Walker 联合发布的备忘录显示：该法院今年 3 月受理案件增长 39%，积压案件增加 55%。
许多 AI 生成的诉状长达数百页，内部充斥着完全不存在的法条和不切实际的请求。
越来越多普通人已经在接触并使用 AI，如果我们还在一味否决，可能会逐渐脱离时代。
总结一份材料、改一段表达、解释一个概念、提供几个思路。
律师脑中有案件背景、文书经验和判断口径；Chatbot 看到的，可能只有眼前这一句话。
你要写得更像律师一点“像律师”是什么样：给谁看、采取什么立场、使用何种文体，都没有说明。
给我说说这个能获得2N的依据很多网页 AI 模型都设定了“讨好型人格”：先给了“果”，AI 就容易“倒果为因”。
感觉不对，再改改没有指出哪一段不对、为什么不对，以及修改后应当达到什么标准。
普通网页 Chatbot 的“联网、记忆、改图和读文件”，通常都有产品权限与处理方式上的边界。
对 AI 的常见偏见，往往来源于被免费版Chatbot“坑过”。
想让它改对，就要清楚补足目标、指出问题、规定做法，并尽可能提供可以模仿的参考。
不要用“这里”“哪里”，文字说不清，就附图。
如果要AI改错，要说清哪里错、如何错、应该怎么做，不要来一句“你自己看看哪里错了，改一下”。
把刚才的目标、问题、步骤和示例，用标题、层级、列表和引用分开写清楚。
AI 能读纯文本，但结构越明确，越不容易漏掉重点。
# 一级标题 ## 二级标题 这是**加粗**、*斜体*、`行内代码`和[链接](https://example.com)。 > 这是一段引用，先给结论，再补依据。 - 无序列表 - 第二项 1. 有序列表 2. 第二项 | 字段 | 内容 | | --- | --- | | 结论 | 先行 | ```text 先给结论，再列依据 ```
# 下班途中受伤，是否属于工伤？ ## 结论先行 符合**合理时间、合理路线及责任条件**时…… ## 正文 判断时不能只看事故发生在“下班之后”，还要结合**通勤目的、路线偏离和事故责任**综合判断。 如果中途绕路接孩子，应说明绕路原因、距离和耗时，再分析是否仍属于合理通勤。 ## 常见争议 ### 绕路接孩子是否合理？ ## 实务建议 - 保存事故认定材料 - 保存考勤与通勤证据 ## 依据与来源
符合合理时间、合理路线及责任条件时……
判断时不能只看事故发生在“下班之后”，还要结合通勤目的、路线偏离和事故责任综合判断。
如果中途绕路接孩子，应说明绕路原因、距离和耗时，再分析是否仍属于合理通勤。
Markdown 作为纯文本，天然适配各类 AI 工具和网站，无需劳心劳力改格式。
内容只写一次，
输出可以有很多种。
包括 AI 爬虫在内的
非人类流量 ＞ 人类流量
《时代》开始识别 ClaudeBot、PerplexityBot，并向它们返回专门的 text/markdown 页面。
页面装修争的是人看流量；
结构化内容争的是AI 引用机会。
2026 年首次越过一半，Agent 与爬虫已经成为网络上的重要读者。
2025 年春季为 22%，至 2026 年 6 月已升至 52%。
用户让 AI 搜索、研究和回答时，Agent 会直接访问网页取材。
普通读者看到完整网页；AI 爬虫收到更容易解析的 Markdown，其中甚至已经出现面向 AI 的赞助内容。
长期看，人类访问和 AI 访问会被分开识别、分层服务。内容不仅要让人愿意读，也要让 AI 容易提取、核验和引用。
连《时代》都在适配 AI；
律所也要开始考虑：文章究竟写给谁看。
“查看本案文件夹，梳理事实与证据，起草一份起诉状。”
读取材料
提取信息
发现缺项
调用模板
检查交付
服务商提供一定额度的受控工作区。Agent 可以运行代码、连续处理文件，并把结果交付回来。
在授权范围内，Agent 主动寻找材料、调用电脑现有工具，并把结果写回指定位置。
大部分任务可以推进
前提是权限允许、目标明确、步骤可以拆解，而且结果有办法验收。
可以模仿参考图和既有风格，但“高级不高级”“顺不顺眼”仍需要人给出标准并最终判断。
图片过于模糊、扫描严重缺损时，模型不能凭空恢复信息；往往需要图像增强、OCR 组合流程和人工复核。
“再好一点”“感觉不对”没有明确边界。没有示例、规则或验收标准，Agent 只能继续猜。
Agent 的边界，往往取决于任务是否说得清、读得到、验得了。
请读取 X:\案件\张三劳动争议 中的全部材料。 请 起草一份用于法院立案的劳动争议起诉状（Word）。 如需补充案例，只检索 2023 年 1 月至今的广东地区裁判文书，并标明裁判日期与来源。 按照 文件夹内既有模板；事实仅依据材料，缺失信息标黄，不得自行补全。 完成后 保存至 X:\案件\张三劳动争议\输出，不得覆盖原始文件；同时附上材料清单和待补信息。
第一次先跑一份：先确认它能做对，再把同类任务批量交出去。
下面是一次真实使用：说清案件文件夹、文书类型、代理律师和保存位置后，Agent 全程自行读取材料、调用 Skill、生成并校验。
【内部截图】
【内部截图】
【内部截图】
Agent 可以直接从案件文件夹中寻找当事人、案号、案情等所需信息，再把信息填入正确字段。
不需要人工逐项找信息，也不需要在材料与 Word 之间反复复制粘贴。
【内部截图】
图形界面更直观，适合从办公文件和日常电脑任务开始，不需要先学命令行。
工具本身开源，可以连接本地模型或自选服务，适合低成本体验代码 Agent。
适合复杂编码、脚本和连续工程任务，也更容易把一次尝试沉淀成可重复工作流。
不必一开始就追求“最强”。先选择愿意每天打开、能解决当前任务的 Agent。
需要法条，就调用法规库；需要案件信息，就读取案件系统；需要材料，就访问获准的文件目录。
把所有接口统一起来，Agent 就可以在其中自行寻找并调用所需功能。
一份让 AI 学会怎么执行的“说明书”。
读取 Skill → 打开百度 → 搜索中国气象网 → 自己定位输入框 → 读取并整理页面。
网页怎么找、结果是否可靠，都要模型自己判断；任何一步都可能走偏。接收 city → 调用 script.py → 接收 JSON → 校验字段 → 返回结果。
边界已经写进脚本：缺字段或来源不可用就停止。Agent 少做判断，Token 更省，结果更稳定。
【内部截图】
【内部截图】
等等…… 怎么大家都没发现有错别字……
授薪律师把同一份文书的修改前、修改后版本交给 Agent，让它提取带教或合伙人的稳定偏好，并持续更新成可复用的 Skill。
事实经过写在前面，诉讼请求放在后面。
多处使用“明显”“恶意”等评价性表达。
事实与证据没有逐项对应。
诉讼请求提前，事实按时间线展开。
删除评价性措辞，改为客观描述。
每项事实标注对应证据编号。
循环几轮后：老板反复坚持的修改规律，就被“蒸馏”进 Skill。
不同的模型在不同的Agent框架中，能力性能甚至大不同，但基本都会比网页版聪明。
每一步都有入口、规则和检查点。发现资料缺失或引用对不上，就停下来补证据。
搜什么、信什么、如何组织，主要依靠模型当场判断，通常缺少固定的校验和停止条件。
幻觉率可以大幅降低，但不会绝对归零；Agent 能赋予的，是稳定。
你只需要说清楚想运行哪个模型、准备用来做什么。Agent 可以把检测配置、选择版本、安装启动和验收交付连续做完。
不必先学会部署。先把“检测 → 选型 → 安装 → 验收”交给 Agent，再检查它交付的结果。
开源项目日日新，足以覆盖大部分日常任务。
把录音整理成可检索材料，也可以用于短视频配音和原声翻译。
哪些地方还没讲清楚，哪些任务最值得现场拆解？
从安装开始，现场走完一次真实任务，掌握 Agent 的具体应用与关键技巧。
建议自带：电脑，以及一项脱敏后的真实任务，现场跟做。
欢迎继续交流 AI 工具、工作流，以及适合在律所落地的真实场景。
