一份请愿书以前要花我整个下午，现在几分钟就能完成。
我说的不是把通用提示词复制粘贴到 ChatGPT 里，然后直接接受第一个答案。那样做仍然很危险，尤其是在法律领域。
我说的是别的东西。
想象一个常见场景：客户发来一些 PDF、一份 Word 合同、零散的截图、一份之前的判决、一段邮件往来，以及一段混乱的语音解释。法律问题就在那里，但还没有被整理好。
以前，粗活几乎总是以同样的方式开始：打开一个一个的文件，分离事实，识别相关日期，检查条款，构建时间线，定位可能的请求，寻找法律依据，改编旧模板，复核内容，删减冗余，再次检查文件，并希望没有在某个角落里留下自相矛盾的地方。数小时的组织工作。
根据案件的不同，这就要花掉 4、5 甚至 6 个小时，连文书都还没开始写。
如今，有了设计良好的流程，第一份结构化的草稿可以在几分钟内出现。
关键不在于 AI “制作了请愿书”。
关键在于，律师不再把 AI 当成一个文本框，而是把它当成一个工作系统。
对我来说，这就是使用提示词和构建代理流程之间的核心区别。
提示词是一个孤立的指令。
代理流程是一个有组织的任务序列：上下文、文件、标准、模板、复核和决策。
用提示词，你问：“针对这个写一份请愿书。”
用流程，你教代理如何工作。
你告诉它文件在哪里。你告诉它先读哪些文件。你定义如何提取事实。你解释时间线的格式。你提供你的请愿书模板。你规定你组织法律依据的方式。你定义它在写作前应该检查什么。你确定它绝对不能编造什么。你要求它列出一份疑问清单。你要一份风险矩阵。然后才下令起草。
实际差别巨大。
一个良好的 AI 法律流程可以遵循大致如下的逻辑：
- 阅读案件文档。
- 提取相关事实。
- 按证据功能分离文件。
- 构建时间线。
- 识别争议点。
- 将事实与可能的请求关联起来。
- 将案件与之前的模板进行比较。
- 创建文书计划。
- 按章节起草。
- 检查连贯性、遗漏和风险。
- 生成 Word 最终版本。
- 生成人工复核清单。
这并没有取代法律推理。
事实上，它需要更多的法律推理，因为律师需要知道如何设计流程。
AI 本身不知道你的策略是什么、你倾向哪个论点、哪个风险值得冒、哪个论据脆弱、哪个事实需要证据、哪个文件不该使用、哪个请求可能产生费用，或者该法院适合什么样的语言。
但它可以大幅减少从文档输入到文书第一个可用版本之间的机械性工作。
这就是 LLM 的用武之地。
LLM 代表 大型语言模型。在实践中，它是一种能够根据上下文读取、解释、总结、比较、分类、重写、结构和生成文本的模型。
但单独的 LLM 仍然只是引擎。
改变工作的是处于运作中的引擎。
同一个模型可以被用得很差，也可以被用得极其出色。
如果你随意扔进一堆文件，要求写一份完整的请愿书，它可能混淆事实、夸大依据、丢失细微差别，最终交付一份漂亮但不安全的文书。
如果你组织好流程、划分阶段、提供模板、要求提供理由、要求可追溯性，并加入人工复核，结果的性质就会改变。
律师不再收到一份“AI 生成的文本”，而会收到一个工作包：提取的事实、时间线、论点结构、草稿、疑问清单、注意事项和复核清单。
这正是我感兴趣的地方。
像 Codex 和 Claude 这样的工具之所以有趣，正是因为它们能让人们超越孤立的提示词。
在这两个工具中，逻辑都是在一个有文件、指令、终端、脚本、模板和项目结构的环境中工作。
这为法律行业开辟了一个非常具体的可能性：把每个案件当作一个有组织的工作文件夹。
一个简单的律师案件文件夹示例：
/case-client-x
/documents
/templates
/drafts
/timelines
/checklists
/outputs
在 /documents 里，放入 PDF、合同、判决书、授权书、导出的邮件、报告、电子表格以及其他相关材料。
在 /templates 里，放入你之前的请愿书、已批准的结构、参考文书以及律所内部标准。
在指令文件中，你解释代理应如何处理该类需求。
内容大致如下：
“先阅读主要文件。” “提取事实，注明日期、来源和原始文件。” “不要创建未经说明需核实的法律依据。” “使用我的请愿书模板作为结构，但根据案件进行调整。” “起草前，先提交一份计划。” “草稿完成后，生成复核清单。” “标出需要律师确认的要点。”
这看起来简单，但改变了一切。
当工作涉及文件时，Codex 和 Claude 都能特别有用。它们可以在文件夹中操作、读取内容、组织文档、运行脚本、转换信息、创建结构化输出，并且适用那些不适合在普通对话中处理的中材料。
例如，如果有 PDF，流程可以包括文本提取、识别相关页面、每份文档的摘要、附件列表以及事实与证据的关联。
如果有 Word 文件，流程可以使用 .docx 模板、比较版本、生成新的草稿、保留结构、页脚和页眉而不破坏你的信笺抬头，还可审阅标题并准备一份供人工编辑的最终文件。
这和请求“写一份辩护词”大不相同。
更好的流程应该是：
“1. 读取 documents 文件夹中的 PDF； 2. 构建一个包含事实、日期、文档和页码的表格； 3. 识别法律上相关的事实； 4. 与 templates 文件夹中的辩护模板进行比较； 5. 创建辩护计划； 6. 在起草前列出疑问； 7. 计划批准后，生成 Word 草稿； 8. 进行第二次复核，查找矛盾、无依据的请求和缺乏证据的事实。”
到这一步，“几分钟搞定请愿书”就不再是一句空话。
它成为了组织工作的结果。
律师仍然需要复核。
律师仍然需要决策。
律师仍然需要回复。
但他们不再需要花费同样的精力去逐个打开文件、手动重复那些可以转化为流程的步骤。
在这里，Claude 在阅读、综合、长文写作、语言审核、推理结构化和处理大段上下文方面通常非常强大。在法律流程中，这有助于将混乱的材料转化为有条理的推理。
通过 Claude Code，其逻辑接近在项目和文件中执行代理任务，包括指令、技能、命令、专门的代理和链式任务。
通过 Claude Cowork，该逻辑可以应用到桌面上的知识工作中：本地文件、应用程序、文件夹、重复性任务、办公材料和交付物，而不一定是代码。
对于律师来说，这一点非常重要。
因为法律工作的大部分不仅仅是“写作”。
而是协调信息。
是把分散的文档转化为论点。
是把论点转化为文书。
是把文书转化为经过复核的版本。
是把复核转化为清单。
是把学习转化为可重用的模板。
Claude Cowork 可以被视为知识任务的执行助手：整理文件夹、复核文档、比较版本、准备报告、构建草稿、帮助处理 Word、Excel、PowerPoint 以及其他工作环境，始终在用户的监督和许可下进行。
收益在于委托有开头、中间和结尾的任务。
不是：“帮我处理这个案子。”
而是：
“打开这个案件文件夹，阅读主要文档，生成一个表格形式的时间线，识别证据缺口，并准备一份初稿报告供复核。”
或者：
“将此草稿与律所的标准模板进行比较，指出相关差异，突出缺失的条款，并用更客观的语言生成修订版。”
或者：
“阅读这些文件，区分哪些是事实、哪些是主张、哪些是证据、哪些仍需确认。”
这种命令上的改变表面很小，但操作上影响深远。
代理的质量取决于你教它的工作质量。
这就是技能的用武之地。
简单来说，技能是一个包含指令、参考资料，有时还包括脚本或模板的包，用于教代理执行特定类型的工作。
在法律领域，这可以变得非常强大。
你可以有一个技能用于：
- 起草消费者初步请愿书；
- 审核服务提供合同；
- 构建程序时间线；
- 分析证据文件；
- 为客户准备执行报告；
- 以连贯性和风险为重点复核文书；
- 将司法判决转化为战略摘要；
- 创建归档清单；
- 将律所模板调整到具体案件。
技能不需要只包含一个“漂亮的提示词”。
它可以包含方法。
它可以这样说：
“在起草前，总是先制定计划。”
“把事实与论点分开。”
“绝不能编造案号、判例或文件。”
“当没有证据时，标记为待定。”
“使用清晰、技术性的语言。”
“保持律所模板的结构。”
“生成最终清单。”
“指出需要人工验证的要点。”
随着时间的推移，律所不再依赖即兴发挥。
他们开始建立一个智能程序库。
这适用于 Codex。
适用于 Claude。
适用于 API 解决方案。
适用于订阅计划，当工具已经提供现成界面时。
同样重要的是，要明白“模型”并不都一样。
一个常见的错误是选择 AI 时好像只有一种选项：最出名、最贵或最受追捧的模型。
实际上，法律流程可以针对不同任务使用不同模型。
- 快速的模型可以对文档进行分类、提取简单数据或组织名称、日期和数值。
- 推理能力更强的模型可以分析论点、识别风险、构建文书计划、复核矛盾。
- 上下文更大的模型可以一次读取大量文档。
- 写作能力更强的模型可以将计划转化为清晰的草稿。
- 能访问文件的代理可以生成 Word 文档、比较版本并整理文件夹。
操作秘诀在于不要把一切都当作一次单一的 AI 调用。
流程可以分解：
- 先提取。
- 再组织。
- 再分析。
- 再计划。
- 再起草。
- 再复核。
- 再格式化。
- 再清单。
每个阶段都有其功能。
每个阶段都可以有自己的标准。
这减少了幻觉。
减少了返工。
增加了可追溯性。
并使人工复核更加客观。
一个针对初步请愿书的实际流程示例可以是：
1. 文档输入。
律师创建一个案件文件夹，放入合同、对话记录、收据、通知、之前判决、授权书、个人证件和客户意见。
2. 阅读和清点。
代理列出所有文档，识别类型、日期、相关方以及可能的相关性。
3. 时间线。
代理创建一个时间顺序表：日期、事实、来源文档和关于证据的备注。
4. 法律问题。
代理分离可能的法律依据，但标记需要验证的部分。
5. 对律师的疑问。
在起草前，代理询问缺失的信息：价值、请求、证据、管辖权、诉讼时效、和解尝试、程序风险。
6. 文书计划。
代理构建结构：事实、法律依据、请求、证据、禁令、案件金额、附件文档。
7. 适配模板。
代理使用律所模板，保留风格、结构和语言，但根据案件进行调整。
8. 草稿。
代理起草第一版。
9. 技术复核。
代理检查是否所有请求都有依据、所有重要事实都有文档、是否有矛盾、是否有段落过于笼统。
10. Word 输出。
代理生成可编辑版本，包含标题、主题和结构，准备供律师最终复核。
11. 清单。
在提交前，代理提供一份核对清单。
在这种场景下，第一份草稿可以在几分钟内出来。
但它并非凭空产生。
它源于一个系统。
而这个系统依赖三件事：好的输入、好的指令和好的复核。
没有这些，AI 只会加速混乱。
想要成熟地使用 AI 的律所需要创建一些内部资产。
它们是：
这就是话题回到治理的地方。
法律行业的 AI 不能被视为一个提高生产力的玩具。
它影响保密性、策略、职业责任、个人数据、敏感文档、程序风险以及客户信任。
因此，律师需要了解最基本的技术知识。
不是要成为工程师。而是要知道自己在委托什么。
代理可能擅长组织信息，但它不承担职业责任。
LLM 可能起草得很好，但它不知道那个论点是否最适合那位客户。
流程可以加速文书，但它不能取代法律策略。
成熟在于知道 AI 从何处介入、在何处停止。
对我来说，当律师明白可以围绕自己的工作构建一个小型 AI 运作时，法律行业才真正开始变化。
不需要从宏大开始。
可以从一个文件夹、三个模板、一篇写好的指令和一个简单的流程开始：
“读取、组织、提问、计划、起草、复核。”
之后，不断改进。
创建技能。
创建清单。
创建输出标准。
创建模板库。
创建 Word 流程。
创建 PDF 流程。
通过 API 创建集成。
创建治理。
随着时间的推移，律师不再只是和 AI 对话的人。
他们开始操作代理。
这是一个深刻的改变。
因为学会操作代理的人可以把法律知识转化为可复用的流程。
他们可以拿已有的模板，让代理应用到具体案件上。
他们可以把混乱的文档变成结构。
他们可以把数小时的筛选变成几分钟的复核。
他们可以从“帮我做这份请愿书”转变为“执行这个起草流程，使用我的模板、我的标准和我的清单”。
这就是关键所在。
当律师教代理按照自己的方法工作时，AI 就不再只是一个起草工具，而是开始作为律所的运营层发挥作用。
几分钟搞定请愿书只是可见的部分。
背后是知识储备、精心构建的模板、有序的文件、清晰的指令、合适的 LLM 选择、人工复核和治理。
这就是很多人仍然低估的地方。
真正的变革不在于产生更多文本，而在于将法律知识转化为可复用的流程。
学会这一点的律所开始获得一致性。
筛选变得更好。
复核更客观。
模板不再被遗忘在旧文件夹里。
积累的知识开始在更清晰的流程中流转。
律师获得了在法律实践中一直稀缺的东西：用于更好思考的优质时间。
最终，AI 并没有让法律工作变得不那么技术化。
它需要更多的方法。
而那些懂得构建这种方法的人，将拥有一个不容忽视的优势。
