从经验到范式：律师构建AI技能的五个关键问题

2026年4月，一场特殊的法律AI竞赛吸引了业界的目光。某知名律师事务所举办了第二届AI实操奖金赛，19组来自不同分所的律师团队展示了他们将个人经验转化为可复用"Skill"的实践成果。这场历时四个多小时的比赛，不仅是一次技术应用的展示，更折射出法律行业正在经历的一场深刻变革——律师正在从"使用AI工具"转向"制造AI工具"。

经验蒸馏：提炼规则而非堆砌知识

比赛中最引人深思的命题是：律师积累多年的实战经验，如何才能从个人大脑中提取出来，转化为可复用的知识资产？多位选手不约而同地触及了这一核心问题。有人将团队深耕专业领域多年积累的案件经验进行系统化提炼，形成标准化的审查要点；也有人作为技术新手，仅用消费级AI工具摸索数天，便成功处理了涉及大量专业技术材料的复杂案件。

技能粒度：在拆分与整合之间寻找平衡

比赛中有一个被许多选手忽视但至关重要的方向——Agent Friendly。在可见的未来，决定效率的关键不是Agent运行速度有多快，而是如何确保律师有限时间内的"人在回路"做出最佳判断。AI产出的结果仍需人工审核，但我们可以追求让Agent先把能做的判断都做了，最后由人工验收即可。当Agent效率足够高后，光是验收可能就要占用大量时间，所以现在就应该把自动化的部分全部自动化，减少人作为瓶颈的带宽占据。

自动化友好：释放律师的专业判断力

法律类Skill的评价标准很难定义。不像代码能跑测试用例有明确的pass或fail，法律领域最终的结果往往是高度个性化的。同一份文书，不同律师的措辞偏好、风险容忍度、论证风格可能完全不同，很难界定哪个是"标准答案"。这意味着法律AI领域需要一套完全不同的评价体系——衡量一个Skill能在多大程度上适配特定律师的工作偏好和判断标准，而非追求统一的正确答案。这个问题的解决，是法律AI从"能用"走向"好用"必须跨越的一道坎。

评价体系：法律AI的特殊困境

回到本质来看，Agent与Skill的组合正在开创一种全新的工作范式。AI不再只是被动回答问题，而是可以按照封装好的经验主动完成一系列任务。未来一到两年的窗口期，谁能总结出更优质的Skill，谁就能真正实现效率提升。随着模型能力越来越强，它或许能够自主理解复杂的法律场景，但Skill的真正价值不仅在于当下帮助律师提效，更在于这个过程中积累下来的、关于法律人如何思考和判断的结构化数据——这些数据才是未来更智能系统的养料。

如有侵权，请联系删除。