法律 AI 核验与治理
在同行评审测试中，Westlaw Precision 在 33% 的复杂查询上出现幻觉。Lexis+ AI 为 17%。每起事件的制裁金额已超过 $30,000。无论贵所使用的是 Harvey、Lexis Protege 还是开源模型，我们都能构建引证核验流水线、知识图谱基础设施和治理系统，让 AI 输出可以安全地用于提交立案。
33%
Westlaw Precision 幻觉率
斯坦福/JELS，2025
$30,000
第六巡回法院制裁，2026 年 3 月
Bloomberg Law
1,222
有据可查的 AI 幻觉法庭案件
Charlotin 数据库，2026
大多数律所都知道 Mata v. Avianca 一案：捏造的案件名称、$5,000 罚款、断送职业生涯的难堪。那是 2023 年。问题已经演变。制裁已经升级。而最该让您担忧的失效模式，恰恰是您当前的工具无法捕捉的那一种。
AI 凭空编造了一个并不存在的案件。 Varghese v. China Southern Airlines 有着令人信服的案卷编号、看似合理的法院，以及详尽的内部引证。它却完全是虚构的。这正是 Shepard's 和 KeyCite 能够捕捉的情形：一条在数据库中查无对应结果的引证。
专门构建的工具能大幅减少这类问题。Harvey 和 Lexis Protege 将其输出锚定在真实数据库中。但“减少”并不等于“消除”，2026 年 2 月新奥尔良一案就证明了这一点：该律师同时使用了 ChatGPT 和 Westlaw Precision AI，却仍然提交了 11 条捏造或被歪曲的引证。
AI 引用了一个真实存在的案件，用以支持一个该案件实际并不支持的主张。案卷编号有效。案件确实存在。KeyCite 返回绿色标记。但 AI 把异议意见当作多数意见的判决来引用。或者，它引用了一个案件，而该案件解释的是某项法规两年前被修订之前的旧版本。
这正是斯坦福研究中 33% 的 Westlaw 幻觉率所真正捕捉到的内容。不是虚假引证，而是对真实引证的错误分析。您的引证核验工具说该案件存在。它确实存在。只是它并没有说出 AI 所声称的那番话。而在时间压力下审阅输出的初级律师不会发现这一点，因为这条引证 看起来 是对的。
一名诉讼律师让 Harvey 研究在特拉华州法律下对违反受信义务主张的抗辩。AI 返回了一份详尽的分析，引用了 Stone v. Ritter （2006）作为董事监督责任的标准。该引证是真实的。其判决摘要对于 2006 年而言是准确的。
AI 遗漏的是：特拉华州最高法院 2019 年在 Marchand v. Barnhill 案中的判决大幅扩展了 Caremark 义务，随后的衡平法院意见进一步发展了“关键使命”监管合规标准。AI 引用的是具有约束力的权威，从技术上讲它仍是“有效法律”（未被推翻），但其实际适用范围已被后来的发展大幅收窄，而引证标记不会捕捉到这一点。 Stone 仍然带有绿色的 KeyCite 标记。但建立在它之上的分析，对于 2026 年的立案提交而言仍然是错误的。
核验流水线通过以下方式捕捉这一点：不仅检查引证标记状态，还检查后续援引该案的引用，审查后来的案件是否对该判决作出了区分或收窄处理，并标记那些核心主张已被实质性修改——即便案件本身仍属“有效法律”——的意见。
每个平台都有其长处。但没有一个能解决完整的核验问题。下表是一份参考，您可以带到下一次技术委员会会议上。
| 选项 | 其擅长之处 | 引证准确性 | 缺口 |
|---|---|---|---|
| Harvey AI | 研究、起草、智能体（agentic）工作流。25,000+ 自定义智能体。完整的 LexisNexis 数据库访问权限。$11B 估值，覆盖 AmLaw 100 中的 50%。 | 锚定于 LexisNexis 数据。优于通用 LLM。未公布独立的幻觉率。 | 没有独立的核验层。输出核验是用户的责任。智能体工作流会产生复杂的多步骤输出，需要系统化的质量保证。 |
| Westlaw AI / CoCounsel | 深度研究能力。智能体文档审阅。基于 KeyCite 引证系统构建。CoCounsel 工作流于 2026 年初推出。 | 33% 幻觉率 （Precision 上）。Ask Practical Law 上为 17%。（斯坦福/JELS 2025） | 已公布的准确性数据显示，在复杂查询上失效率显著。KeyCite 能捕捉捏造的引证，但捕捉不了情境幻觉。 |
| Lexis+ 搭配 Protege | 300+ 预构建工作流。四个专业化智能体。Shepard's 引证（黄金标准）。于 2026 年 2 月取代 Lexis+ AI。 | 17% 幻觉率。撤回了“100% 无幻觉”的声明。（斯坦福/JELS 2025） | Shepard's 对州级行政裁决的覆盖存在滞后。智能体多步骤工作流尚属新事物，在规模化场景下未经验证。 |
| 开源 LLM + RAG | 对模型、数据和核验逻辑拥有完全控制权。无供应商锁定。可构建自定义约束机制。 | 58-82% 幻觉率 （在没有专门核验的情况下）。在自定义 RAG 下高度不稳定。 | 需要大量工程投入。没有内置引证系统。数据访问难题：Harvard CAP 提供原始文本，但不提供编辑性增强内容。 |
| 四大会计师事务所 / 大型系统集成商 | 品牌公信力。全球规模。可以投入大量人力解决问题。与律所领导层已有的合作关系。 | 他们部署平台，而非构建核验基础设施。依赖供应商的准确性声明。 | 他们部署 Harvey 或 Lexis 便宣告完成。一项工作的费用在 $500K-$2M+ 之间，而本质上只是平台配置。没有自定义核验流水线的专长。法律 AI 只是综合性事务所中的一个小业务领域。 |
| 自建团队 | 完全控制。深度定制以贴合律所的业务领域和工作流。 | 完全取决于团队能力和持续投入。 | 需要招聘机器学习工程师、法律数据工程师和 NLP 专家。大多数律所无法在竞争中招到这类人才。持续维护负担相当沉重。 |
幻觉率数据来自经同行评审的斯坦福 HAI/JELS 研究（2025）。Harvey 未公布独立的准确性基准。这些缺口是结构性的，而非对质量的评判。表中的每个选项都能提供有价值的东西。
我们不替换您的研究平台。我们构建核验、治理和基础设施层，让您现有的工具能够安全地用于高风险业务。
在 AI 输出与人工审阅之间的自动化质量保证层。接收来自 Harvey、Lexis、Westlaw 或任何来源的研究输出。对照引证数据库运行引证存在性检查。标记负面处理。针对特定司法管辖区和法院级别验证具有约束力的权威。通过分析后续援引该案的引用，对情境准确性进行置信度评分。
当某业务领域具有密集的引证网络（税务、监管、专利申请）时，我们会采用基于图谱的核验。对于核验需求较轻的场景（合同审阅、合规备忘录），我们构建采用基于规则的检查与 LLM 交叉验证的精简流水线。
基于 Neo4j 构建的特定业务领域知识图谱。以法规、案件、规章和法律概念为节点。以引证关系、负面处理、管辖层级和时效性为边。我们从开放数据起步：Harvard Caselaw Access Project（670 万案件）、eCFR、Federal Register 和公开法庭记录。
在法律查询的检索相关性方面，GraphRAG 比向量 RAG 高出 14%。这一优势在多跳推理上最为突出：“找出第二巡回法院最近一个适用 Twombly 合理性标准的案件”是一次确定性的图谱遍历，而非模糊的文本搜索。我们为引证密度足以证明投入合理的特定业务领域构建图谱。
不是一份躺在共享盘里的政策 PDF。而是一个可强制执行的系统，落实 ABA 第 512 号意见的要求：按业务领域设置的工具审批工作流、追踪哪些 AI 工具被用于哪些客户事务的使用日志、带完成情况核实的培训追踪，以及能让职业责任险承保方满意的审计轨迹。当 68% 的法律从业者都曾使用过未经批准的 AI 工具时，您需要的是强制执行，而非指导方针。
该系统包含常规命令合规功能：一个收录 300+ 各法院特定 AI 要求的数据库、当立案进入有披露规则的司法管辖区时的自动标记，以及与每项命令具体要求相匹配的模板化披露用语。随着新命令的发布持续更新。
Harvey 的 25,000+ 自定义智能体和 LexisNexis Protege 的四智能体架构如今已能自主处理多步骤工作流。一个基金设立智能体生成一份 40 页的分析。一个诉讼智能体跨多项主张起草证据开示请求。这些工作流需要系统化的核验，而非临时的抽查。
我们为智能体法律 AI 构建监控与验证层：在每个工作流阶段设置输出核验检查点、记录智能体查阅了哪些来源的溯源追踪、对每条主张和引证进行置信度评分，以及在律所自行设定的决策点上设置人在回路（human-in-the-loop）关卡。核验的规模随智能体工作流的复杂度而扩展。
这是我们为律所构建的逐步流程。它位于 AI 生成的输出与律师审阅之间，在错误进入立案提交之前将其捕捉。
流水线接收 AI 生成的文本（来自 Harvey、Lexis、Westlaw 或任何来源），并使用模式匹配和 NLP 提取每一条法律引证。这包括标准判例汇编引证（678 F. Supp. 3d 443）、简略引用（“Id. at 445”）和法规引证（28 U.S.C. § 1332）。每条引证都被规范化为唯一标识符，将“the Mata case”“Mata v. Avianca”和“678 F. Supp. 3d 443”解析为同一实体。
每条提取出的引证都会对照权威数据库进行核验。对于判例法：该案件是否存在于所引的汇编卷册中？对于法规：该条款编号在所引法典中是否有效且现行？对于规章：该 CFR 条款是否存在于当前版本中？未通过存在性检查的引证会被标记为 捏造。这正是本可以捕捉到 Mata v. Avianca 的那道检查。
有效引证会接受负面处理检查。该案件是否已被推翻、撤销、撤销原判或区分处理？该法规是否仍然有效，还是已被修订或废止？流水线超越引证标记本身：它分析后续援引该案的引用，以发现那些核心主张已被收窄、但案件仍保有正面引证状态的案例。这正是捕捉上文所述 Stone v. Ritter 问题的那道检查。
最难的一道检查。流水线将 AI 归于所引案件的主张，与该案件的实际判决进行比对。如果 AI 写道“法院判决，在没有明显警示信号的情况下董事不负监督义务”，而所引案件实际判决恰恰相反，这就会被标记为 情境幻觉。这会使用第二次独立的 LLM 调用，输入真实的案件文本和 AI 的表述，并对照知识图谱中编码的判决进行交叉验证。
在该立案提交所在的司法管辖区，所引案件是具有约束力的还是仅具说服力的？在第二巡回法院的诉状中引用第九巡回法院的意见仅具说服力。州初审法院的意见没有先例价值。流水线验证具有约束力的权威是否被正确识别，并标记那些被当作控制性法律呈现、实则仅具说服力的引证。
输出是一份与 AI 生成工作成果并列的结构化报告。每条引证都获得一个状态： 已核验、 需注意 （有效但已被收窄/区分），或 未通过 （捏造、已被推翻或情境上不准确）。审阅律师能清楚看到哪些引证需要人工关注，将审阅负担从“逐项检查所有内容”降低为“检查被标记的项目”。该报告成为事务卷宗的一部分，用于审计轨迹之目的。
每一项合作都始于了解贵所特定的风险状况、业务领域和现有技术栈。我们为您的工作流量身构建，而非套用通用方案。
第 1 阶段
第 1-3 周
第 2 阶段
第 4-10 周
第 3 阶段
第 11-16 周
回答这些问题，以了解贵所当前的风险敞口和核验成熟度。无论您是否与我们合作，结果都会为您提供一个框架，用于排定 AI 治理投入的优先级。
2025 年发表于《Journal of Empirical Legal Studies》（实证法律研究期刊）的一项经同行评审的斯坦福研究，对两个平台进行了系统化测试。Westlaw Precision 有 33% 的时候出现幻觉，仅有 42% 的回应完全准确。Lexis+ AI（现为 Lexis+ 搭配 Protege）有 17% 的时候出现幻觉，仅有 20% 的回应完全准确。这些数字适用于复杂的多跳查询，也就是律师在诉讼和监管工作中每天处理的那一类。更简单的查询表现更好。
关键的细微之处：在该研究之后，LexisNexis 悄然撤回了其“100% 无幻觉”的营销用语，澄清该承诺仅适用于关联的法律引证，而不适用于围绕它们的推理。情境幻觉——即引用一个真实案件来支持一个它实际并不支持的主张——并不会被引证关联准确性指标所捕捉。核验流水线需要同时检查两点：案件是否存在，以及它是否说出了 AI 所声称的那番话。
已有超过 300 名联邦和州法官采纳了规范立案中 AI 使用的常规命令或地方规则，且它们差异显著。有些仅要求披露曾使用 AI 及使用了哪些工具。另一些则要求证明每一条引证都已经过独立核验。北卡罗来纳州西区实际上完全禁止使用生成式 AI 进行起草，仅允许标准研究平台。佛罗里达州于 2026 年 2 月颁布了新的 AI 披露强制规定。一家联邦法院已裁定，AI 生成的文件不受律师-当事人特权保护。
合规挑战不在于读懂某一份命令。而在于追踪贵所立案所涉每一个司法管辖区的 300+ 份命令，随着法官修订要求而保持更新，并为每一次立案生成正确的披露用语。我们构建自动化的常规命令合规系统：一个按法院映射的现行要求数据库、当新立案进入有 AI 规则的司法管辖区时的自动标记，以及与每项命令具体要求相匹配的模板化披露用语。系统会随着新命令的发布而更新。
Harvey 在它所做的事情上非常出色。凭借 $11B 估值和 50% 的 AmLaw 100 采用率，它是研究、起草和工作流自动化方面领先的法律 AI 平台。随着 25,000+ 自定义智能体在该平台上运行，它正在成为基础设施。但 Harvey 是一个生成式平台，而非一个核验系统。它产出法律分析。它不会独立地对照第二个来源去核验那份分析。
引证核验流水线是另一回事。可以把它看作针对 AI 输出的质量保证，就如同律所设有独立于起草工具之外的文档审阅流程一样。我们构建核验层，接收 Harvey 的输出（或 Lexis Protege、Westlaw 或任何来源），并运行自动化检查：对照 KeyCite/Shepard's 检查引证存在性、标记负面处理、针对特定司法管辖区验证具有约束力的权威，以及置信度评分。
这一点在 Harvey 的智能体工作流中尤为重要，那里的长程智能体处理诸如基金设立之类的多步骤流程。一个自主智能体产出 40 页的分析，需要的是系统化的核验，而非临时的抽查。
ABA 第 512 号正式意见于 2024 年 7 月发布，是关于法律实务中生成式 AI 的首份全面的职业伦理指引。它涉及六项义务：胜任能力、保密、沟通、对法庭的坦诚、监督责任和收费。
实务要求很具体。胜任能力意味着律师必须理解 AI 的能力与局限，并定期更新这种理解，而不只是参加一次 CLE。保密意味着在将客户信息录入任何 AI 工具之前评估数据暴露风险，而大多数律所对于 Harvey、Lexis 或内部工具尚未系统化地做过这件事。监督意味着管理层律师必须制定全所范围的 AI 政策并确保培训，不仅针对律师，还针对所有接触 AI 工具的员工。在收费方面，律师不得就学习他们将经常使用的工具所花费的时间向客户收费。
合规不是一份政策文件。它需要一个可强制执行的系统：记录哪些工具被授权用于哪些业务领域的工具审批工作流、当未经批准的工具被用于客户事务时进行标记的使用监控（68% 的法律从业者至少使用过一次未经批准的 AI 工具）、带完成情况核实的培训追踪，以及能够经受住职业责任追究的文档记录。
标准向量 RAG 依靠语义相似性运作。它找出看起来像您查询内容的文本。法律知识图谱则依靠结构化关系运作。它知道案件 A 解释了法规 B，案件 C 推翻了案件 A，以及来自第二巡回法院的案件 D 具有约束力，而来自第九巡回法院的案件 E 在第二巡回法院仅具说服力。
这一差异对三种具体的失效模式至关重要。第一，负面处理：向量 RAG 无法区分引用一个案件与推翻一个案件。一个被充分讨论的已被推翻案件在语义相似性上得分很高。而知识图谱拥有一条明确的 OVERRULES（推翻）边，能阻止将该案件作为具有约束力的权威检索出来。第二，多跳推理：诸如“找出第二巡回法院最近一个适用 Twombly 合理性标准的案件”这样的问题，需要从法规遍历到解释、再到巡回法院、再到日期。向量 RAG 检索出零碎片段，并寄希望于 LLM 将它们连接起来。而图谱会确定性地遍历这条路径。第三，管辖层级：如果文本相似，向量搜索会把州初审法院的意见与最高法院的裁决同等对待。而知识图谱编码了法院层级，会优先返回具有约束力的权威。
基准测试显示，在法律查询的检索相关性方面，GraphRAG 比向量 RAG 高出 14%。我们在 Neo4j 上构建特定业务领域的知识图谱，从引证网络最密集的监管合规和税务领域起步。
职业责任险承保方在 2026 年正积极将 AI 使用纳入承保决策。其风险敞口是具体且有据可查的。如果律所律师允许 AI 在没有律师监督的情况下作出关键的法律判断，承保方可能会将其归类为未经授权的法律执业，而这通常被排除在承保范围之外。其逻辑是：没有律师监督就意味着没有律师提供专业服务，这意味着职业责任保单不予适用。
这在律所最为暴露之处造成了一个承保缺口。影子 AI 加剧了这一问题。当 68% 的法律从业者都曾使用过未经批准的工具时，律所在客户事务上就存在无据可查、没有审计轨迹的 AI 使用。如果一条幻觉引证导致制裁或不利结果，承保方会问：你们的 AI 治理政策是什么，你们能证明它得到了遵守吗？
AI 治理系统提供了这条文档轨迹：哪些工具获得批准、谁接受了培训、每项事务采取了哪些核验步骤。这并不是要回避 AI。而是要建立一份证据记录，在出事时让您的承保保持有效。
我们对法律 AI 引证强制架构的详细分析，包括 GraphRAG 技术设计、知识图谱模式和实施蓝图。
$5,000 的幻觉与“套壳时代”的终结：面向企业级法律 AI 的引证强制 GraphRAG对图约束解码、法律知识图谱模式设计以及引证核验系统架构的技术深度剖析。
第六巡回法院于 2026 年 3 月处以 $30,000 的制裁。有些案件的制裁与律师费合计已超过 $100,000。
为您风险最高的业务领域构建一套引证核验流水线，只需数周即可完成，其成本只是一次制裁事件的零头。保护您职业责任险承保的治理系统，所需成本更低。问题不在于您是否负担得起构建它。而在于您是否负担得起不去构建它。