王祿生：論大模型的法律能力邊界 | 法律科學202603

【作者】王祿生（東南大學法學院教授，北大法律信息網簽約作者）

【來源】北大法寶法學期刊庫《法律科學》2026年第3期（文末附本期期刊目錄）。因篇幅較長，已略去原文注釋。

內容提要：大模型需要借助法律知識習得、法律事實建構、法律規范發現與法律論證推理能力完成法律任務。受內生技術邏輯決定，大模型的法律能力邊界呈現出不均衡與非線性分布的樣態。在法律知識習得維度，大模型長于顯性、隱性與非具身默會知識的習得，卻失于動態知識的習得；在法律事實建構維度，大模型長于描述性建構、弱于規范性建構；在法律規范發現維度，大模型長于規范解釋、弱于規范識別與規范自洽、失于規范檢索與規范續造；在法律論證推理維度，大模型長于內部證成而弱于外部證成。因此，應基于大模型的法律能力邊界，劃分法律任務的風險等級，形成明確的大模型適用指南，在此基礎上建立兼具啟發性、反思性與監督性的遞進式法律領域人機協作框架，并從認知素養、運用素養與評估素養三個維度塑造法律職業群體的人機協作能力。

關鍵詞：大模型；法律能力；法律職業素養；人機協作

目次 引言 一、大模型法律能力理論的提出 二、大模型法律能力邊界的具體表征 三、大模型法律能力邊界的法理啟示 結語

引言

隨著生成式人工智能的飛速發展，大模型正在被日益運用于知識密集的法律領域。法學界圍繞大模型賦能法治建設等議題已經形成了一定的前期成果，并在大模型的輔助定位與應用潛力等方面形成初步共識。上述研究為大模型在法律領域的運用提供了重要指引。然而，大模型的賦能作用無法憑空產生，它需要在與法律職業群體的日常互動中，通過協助完成法律任務來實現。理想狀態下，大模型應當充分引入法律知識對案件事實進行抽象判斷，并通過一系列邏輯推理得出最終結論。因此，在宏觀的“總體定位”證成與中觀的“場景潛力”討論基礎上，聚焦微觀的“實際能力”研究，是駕馭大模型技術并使其安全、可靠地服務法治建設的關鍵。但法學界對于大模型在何種程度上能夠勝任法律任務的議題關注較為有限。部分附帶性研究認為大模型善于處理高度結構化、重復性和低創造性的簡單法律任務（如法律規范檢索等），而不善于處理需要邏輯推理、利益衡量、價值判斷的復雜法律任務。上述“全有”或“全無”的觀點沒有充分結合大模型技術邏輯展開，過于簡化了大模型在法律領域應用潛力的分析框架。事實上，不同的法律任務需要不同的法律能力支撐，比如三段論式的法律推理主要依托法律內部證成能力，而提取案卷信息則依賴法律事實建構能力。上述能力并非均質地隨案件復雜程度而線性變化。實踐中，法律職業群體對大模型的“法理想象”正以另類“莫拉維克悖論”（Moravec’s Paradox）呈現——大模型在部分法律職業群體認為它能勝任的領域表現差強人意，而在部分被認為不能勝任的領域卻成效較著。如，大模型的原生能力難以有效完成法律規范檢索，但卻可以在法律邏輯演繹、隱性法律知識習得中表現出色。與之對應，學界圍繞知識幻覺、推理邏輯等主題展開了關于大模型在法律領域應用的評估性研究。此類研究偏重技術，未能與法學理論形成深度對話。比如將知識幻覺區分為開放式與封閉式兩類，固然有其價值，但卻無助于為法律實踐提供有效指引。正因為部分技術性評估并未充分使用法律職業群體熟悉的話語框架，法律職業群體難以有效地參與大模型的法律能力評估進而形成準確的應用預期。可見，學術界對于大模型在法律領域的應用潛力還缺乏整合法學理論與技術邏輯的統一分析框架。本文嘗試在大模型“潛力”與“實效”的“中間地帶”，提出“大模型的法律能力”理論，旨在通過融貫的法理邏輯與技理邏輯分析，系統回答在功能主義視角下，法律職業群體能夠在何種程度上信任大模型這一關鍵問題。

一

大模型法律能力理論的提出

大模型的法律能力理論并非空中樓閣，而是與“法律職業能力”的理論資源一脈相承。法律業務的展開不僅需要對法律知識的記憶，還需要具備將知識整合為實踐操作的能力。因此，對大模型法律能力理論的討論，必須借助法律知識習得、法律事實建構、法律規范發現以及法律論證推理四大核心能力框架展開。

（一）大模型法律能力的理論基礎

法學界對職業能力問題的討論由來已久，討論議題主要分布在律師能力、法律職業轉型、法律職業素養、法學教育改革、法律人思維等領域。我國關于法律職業能力的系統研究可追溯到20世紀90年代的法律職業化運動期間，學者們認為法律職業能力需要長時間訓練才能形成，以法律思維和法律方法為核心要素。在全球范圍的相關研究中，有學者對法律職業能力作了基礎能力與職業技能的二元區分，前者主要指向問題解決、法律分析與推理、法律研究等能力，后者則包括組織、管理、協作、創新、發展等技能。也有學者將法律職業能力區分為對法律理解、分析與推理的技術（technical）能力以及以服務為導向與客戶和他人合作的關系建構和維護能力，并認為卓越的法律人需要有效整合技術能力與關系能力。還有學者主張從三個維度解讀法律職業能力，包括對法律規范理解等知識維度，法律寫作、口頭表達、談判、證據運用等技能維度，以及正直、責任感、執行等個人特質維度。可見，盡管學界對法律職業能力的綜合性定位具有高度一致性，但對其內涵和外延的表述卻存在一定差異。廣義論者將法律職業能力視作是一種知識、技能和經驗的綜合體，認為它涵蓋實體性、程序性、人際關系、職業倫理等方面的知識、技能與經驗，從而使法律服務對象能夠獲得適當的法律服務。法律職業能力不僅包括獨屬于法律職業群體的能力，也包括很多其他職業必須具備的共性能力。狹義論者則聚焦法律職業本身，將法律職業能力視作一種涵蓋法律知識記憶與運用的綜合性、實踐性能力，認為法律職業能力在本質上是基于深厚法律知識的專業技術，而非單純的實用技巧。狹義的法律職業能力又可以進一步區分為法律認知能力和法律行動能力。前者意指了解（或發現）、闡明決定問題的法律標準，并根據標準確定和評估事實，以便作出合理判斷，具備“像法律人一樣思考”的能力；后者主要指向思考之后付諸行動的能力，包括但不限于組織證據、出庭辯護等，即“像法律人一樣行動”的能力。從內容上看，職業能力測試主要聚焦狹義層面的法律能力。

本文提出“大模型法律能力理論”，旨在為分析大模型完成特定法律任務的能力提供體系性框架。在本文中，大模型的法律能力是指大模型從海量數據中習得法律知識，并在此基礎上建構法律事實、發現法律規范以及進行法律論證推理的綜合能力，其本質是對法律職業群體職業能力的一種參數化的呈現。大模型要成為法律職業群體的稱職助手，就必須具備上述法律能力。需要特別指出的是，大模型的法律能力理論主要聚焦狹義法律職業能力的認知與分析維度，而非實踐與行動維度。這一定位主要基于以下考量：其一，法律認知能力是法律職業能力最基礎、最核心的能力。法律職業群體的行動能力，如出庭辯護、組織證據等，無法脫離知識習得、事實建構、規范發現、論證推理能力。法律職業群體借助認知和分析能力，可找到解決法律問題的方案，然后通過實踐與行動能力落實方案。因此，認知與分析能力構成了法律能力的內核，是實踐與行動能力的前提與基礎。沒有基礎認知能力，就無法高質量完成任何法律任務。盡管語言運用、生成文本也屬于能力范疇，但無法脫離事實建構、規范發現、論證推理能力而存在。以撰寫法律文書為例，法律職業群體可以將文本作為媒介，提供法律建議、贏得辯護、分配風險，也能滿足訴訟程序要求等。在此語境中，撰寫文本的行動應被視為傳遞知識與專業能力的媒介，而非知識與能力本身。其二，法律人一般遵循IRAC的框架來決斷法律任務，即確定問題（Issue）、發現規則（Rule）、用規則分析（Analyse）事實并得出結論（Conclusion）。上述能力覆蓋了從知識獲取、事實認定、規范適用再到結論推理的完整法律思維鏈，符合法律職業群體的職業實踐特征。其三，大模型的法律能力主要聚焦知識獲取與認知建構，依賴邏輯推理與參數化知識表征，而非人際互動與實踐，它們共同構成了大模型在法律領域認知和判斷的能力基礎。這一界定避開了大模型需要與真實世界交互的能力（如談判、溝通等）難以實現的問題。其四，上述范疇也符合認知層次理論從記憶（remembering）、理解（understanding）到分析（analyzing）、應用（applying）的層次化區分。一言以蔽之，大模型法律能力理論的提出旨在評估大模型可以在何種程度上完成功能主義維度的“像法律人一樣思考”。

（二）大模型的法律知識習得能力

法律行業“擁有高度復雜的知識體系，只有經過漫長的教育才能獲得”，“由于該知識的復雜性，對于將借助其幫助的外行來說，它在很大程度上是難以理解和無法測試的”。與法律職業群體圍繞長期學習、經驗積累與批判性反思習得法律知識不同，大模型的法律知識習得能力是指大模型在海量非結構化法律語料的預訓練過程中，通過將法律概念、規則、原則等知識編碼為神經網絡參數，從而提取、整合、內化并復現法律知識的能力。因此，大模型的法律知識習得能力更大程度上是對非結構化法律數據的模式識別。上述能力使得大模型在功能上具備法律職業群體通過多年學習與實踐積累的法律知識體系。

在認知科學領域，知識可以通過顯性（explicit）、隱性（implicit）和默會（tacit）的方式在認知系統加以表征。其中，顯性知識是指在認知系統中以公式、概念等元素明確表示的知識；隱性知識是指在認知系統中未直接呈現，但可以由顯性知識在邏輯上推導出來的知識；默會知識則是指內建于認知系統之中，難以通過顯性或隱性表征，但卻影響認知結構或具體行為的知識。顯性知識是隱性知識的基礎，而默會知識是顯性知識的基礎。因此，顯性法律知識是以顯性編碼的方式表征于法律規范、法律文書、法律文獻等載體中的知識，如“憲法是國家的根本大法”；隱性法律知識是沒有被明確表征，但卻可以從顯性知識中推導而來的知識，如在海量裁判文書中“隱含”的量刑規律；默會法律知識則是來源于法律職業者個人經驗與直覺，難以被表達與分享，具有實踐性、經驗性與具身性的知識，如律師個人在庭審上詢問證人的技巧。大模型在進行有效法律決策時，不僅需要習得顯性與隱性知識，而且需要在識別默會知識方面取得重大突破。按照上述框架，大模型的法律知識習得能力可以進一步從顯性、隱性和默會知識三個次級展開。此外，大模型還需要具備動態法律知識習得的能力。

（三）大模型的法律事實建構能力

法律實踐起始于對法律事實的把握，但并非對日常事實的簡單復刻，而須嵌入規范性的專業建構。因此，法律職業群體高度強調法律事實建構能力，即經過法律圖式的轉換，將生活事實重構為法律事實。從敘事學角度來看，這是一個將孤立事件整合成具有說服力、符合法律邏輯的法律敘事過程。盡管這個過程在外觀上具有“描述”的特征，但本質上卻是包含主體視角與價值判斷的主動選擇，是一種“建構”。不同法律人可能會從同樣的原始事實中獲得不同的法律事實，而法律事實建構的質量將直接決定法律實踐的走向。如果說日常事實是“形式”，那么將日常事實與法律規范結合形成規范事實就“建構”了日常事實的“法律意義”。與法律職業群體通過規范學習與經驗直覺建構法律事實不同，大模型的法律事實建構能力是指大模型在接收到結構化或者半結構化的案件信息時，運用強大的法律語言處理能力，自動提取、識別、歸納具有法律意義的關鍵要素，從而組織為邏輯連貫的法律事實的敘事能力。上述能力使得大模型可以模擬法律職業群體從紛繁復雜的信息中提取與法律構成要件相關的元素并重構為“案件事實”。當然，法律事實建構的實踐并非一個單一、扁平的過程，而是多層次、動態的認知過程。它可以被區分為法律事實的描述性建構與規范性建構兩個次級能力。描述性建構是從生活事實中篩選出潛在法律爭議的要素（如關鍵的時間、地點、人物、事件、因果關系等），形成連貫、有序的敘事，是法律事實建構的基礎層次；規范性建構則是將描述性建構獲得的事實與法律概念、法律規范匹配、涵攝，從而形成法律事實。

（四）大模型的法律規范發現能力

法律規范發現能力是指在有效建構法律事實的基礎之上，法律職業者從多層次法律規范體系中，精準定位、識別與法律事實最相關和最適配法律規范依據的綜合能力。它既涉及法律條文的檢索，也包括對判例、原則、習慣的識別。在面對復雜案件時，法律職業群體還必須通過多維度聯想與校驗來有效整合層次化的法律規范，從而為案件的解決尋找最為適配的規范基礎。此外，作為法律認知能力的當然組成部分，法律解釋貫穿于法律規范發現的全過程。這是因為法律規范的發現并非機械的檢索與查詢，還需要法律職業群體綜合運用文義解釋、體系解釋、目的解釋等多種方法，探索法律規范的真實意涵。此外，法律的穩定性雖然有助于為人們的社會行為建立穩定的預期，但卻難以避免內容滯后于社會的發展和變化，此時就需要法律職業群體進行法律規范續造。概而言之，法律規范發現能力要求法律職業群體不僅應系統了解相關法律規范體系，而且應具備扎實的法學理論功底、法律解釋能力以及高度的法律思維敏感性。作為對法律職業群體法律規范發現過程的模仿，大模型的法律規范發現能力是指大模型根據給定的案件事實或規范描述，通過法律知識的參數化記憶語義映射等機制，定位、關聯并輸出最適配的法律規范的能力。根據法律認知的復雜程度，我們可以將法律規范發現依次劃分出五個相互關聯和銜接的次級能力。（1）法律規范檢索能力：精準查詢和檢索有關法律規范或指導案例。（2）法律規范的識別能力：準確地識別與當前法律事實相關的法律規范。（3）法律規范的自洽能力：當涉及多個可能適用且存在潛在沖突的法律規范，解決規范之間的沖突從而實現規范體系自洽。（4）法律規范的解釋能力：在確定最適配法律規范的基礎上進行文義、目的與體系解釋。（5）法律規范的續造能力：在法律存在漏洞或空白時，基于法律背后的精神與價值取向，創造性地提出具有說服力的解決方案。

（五）大模型的法律論證推理能力

法律論證推理能力是法律職業群體將法律事實與法律規范聯結，形成具有正當性、合法性與說服力的法律決定的能力，是法律職業的核心能力之一。它要求法律職業群體不僅能夠進行三段論式的法律邏輯推理，還能夠展開實質性的、考慮多重因素的衡量與論證。法律論證分為內部證成（internal justification）和外部證成（external justification）兩個部分。從理論上看，法律推理并非簡單的邏輯演繹，而是在事實、規范與價值之間進行解釋與權衡的復雜過程，從而形成公眾可以理解、可檢驗的論證以回應社會期待。按照上述框架，大模型的法律論證推理能力是指大模型基于法律事實和法律規范，通過參數化分析、語義理解和邏輯推理，生成符合法律邏輯的論證過程與法律結論的能力。它可以被進一步細分為法律內部證成和法律外部證成兩個次級能力。上述能力對應法律職業群體的邏輯推理、法理說服和價值判斷等能力。

二

大模型法律能力邊界的具體表征

針對包括大模型在內的人工智能技術在法律領域的應用潛力，存在功能主義與實質主義的兩大解釋進路。前者關注技術在外觀上呈現的功能，后者關注技術在本質上是否具備理解法律任務、進行復雜價值判斷的能力。實質主義視角在分析大模型為何無法取代法律職業群體時具有強大的解釋力。典型的觀點認為大模型只能模擬人類的語言形態，而無法真正理解語義與語用。本文關注的重點是，在人機協同框架中，大模型的應用潛力及其邊界，因此將從功能主義視角予以展開討論。

（一）大模型法律知識習得能力的邊界

法律知識是顯性、隱性與默會知識的綜合體。大模型的技術特征使其在顯性、隱性與非具身默會法律知識層面表現出強大的學習和整合能力，具備法律職業者個體難以企及的法律知識總量，但在掌握具身性默會法律知識與動態法律知識層面面臨困境。

1.長于顯性法律知識的模塊化識別

本質上，大模型習得的是參數化的法律知識——編碼在大語言模型參數中的知識。參數化的知識源自訓練文本中高頻共現的詞組和鄰近位置。當某個詞組出現的頻率高于其他詞組，這些詞組相關神經網絡連接就會被強化、儲存于模型參數中。因此參數化的知識并非以顯性事實或規則的形式編碼，而是以權重形式表征在神經網絡的連接關系中。隨著參數持續提升，模型能夠捕捉更多詞語、短語乃至更廣泛語言結構之間的多種關聯。這些語詞、短語和語言結構反過來反映了模型在訓練數據中遇到的諸多事實或觀點。因此參數化知識的本質是一種參數化的記憶。大模型獲取的顯性法律知識的本質是法律知識顯性表征高頻共現關系的一種參數化記憶。當然，大模型主要是在通用的語料庫上進行預訓練，法律語料所占比重較低，由此，在大模型中，法律知識相較于其他知識而言是一種低頻的長尾知識。不過，這一問題可以通過法律領域的專門訓練加以改善，因此并不影響大模型在技術邏輯上善于模塊化識別顯性法律知識的能力。

2.長于隱性法律知識的結構化識別

與一般認知不盡相同，大模型可以識別隱性法律知識。對此，大模型的注意力機制發揮了至關重要的作用。舉例而言，有兩份故意傷害的判決書，判決書A提及“被告人張三，初犯，具有自首情節，積極賠償被害人損失，判處有期徒刑一年，緩刑兩年”；判決書B提及“被告人李四，累犯，曾因盜竊罪被判處有期徒刑三年，且拒不認罪，判處有期徒刑五年”。在預訓練過程中，大模型通過注意力機制對向量化后的判決書計算會發現“緩刑”與“自首”“積極賠償”等詞匯之間的相關性權重極高，“有期徒刑五年”則與“累犯”“拒不認罪”等詞匯之間呈現高度相關性。隨著大量故意傷害罪的判決書在預訓練過程中被注意力機制向量化計算，詞組的高頻共現被升級為“概率”——模型不僅關注“緩刑”與“自首”之間高頻共現的次數，且在輸出“緩刑”的結論時，大概率會將“自首”作為伴隨性依據一并呈現。因此大模型獲取隱性法律知識的本質并非理解知識本身，而是通過數十億、百億次、千億次的計算，將隱性知識的識別建立在極其復雜且高維的關系權重網絡基礎上。當然，與顯性法律知識相比，隱性法律知識往往缺乏足夠明確的標簽，無法通過參數化學習被大模型完全捕捉。因此，大模型獲取隱性法律知識的能力要弱于獲取顯性法律知識的能力。然而，這也只是相對的“弱勢”。大模型獲取隱性法律知識的能力仍強于法律職業個體獲取隱性法律知識的能力。

3.長于默會法律知識的情境化識別

默會知識具有實踐性、情境性和具身性等多重特征，無法完全被符號化表達。在前大模型時代，法律人工智能主要采用符號主義范式，將法律知識明確地、結構化地編碼與儲存，難以直接捕獲默會知識。盡管大模型極大地提升了人工智能在知識獲取方面的能力，但各界仍然形成了大模型“難以言說”默會法律知識的“前見”。原因在于，默會知識存在于高度分散的個體且做結構化處理的成本極高。庭審直覺、辯護技巧等往往隱藏在少量長尾案例或在法律領域訓練語料的邊緣語段，文本載體少且分布稀疏，共現次數不足，缺乏顯著的統計信號，難以在傳統法律語料的大規模預訓練中被大模型捕獲。然而，最新研究顯示，大模型可以通過多模態感知與人機互動來捕獲無法被語言模型直接學習的默會知識。一方面，默會法律知識能夠通過訪談記錄、討論記錄或非正式交流記錄等載體固定并外顯；另一方面，大模型可以通過對上述數據的預訓練統計出低頻或者隱含模式，從而實現對默會知識的識別。以律師庭審詢問技巧為例，它包括了何時施壓、如何設置陷阱、如何觀察證人表情等內容，這些知識難以通過規則進行表述，但卻可能通過庭審筆錄、庭審視頻等載體呈現。換言之，盡管默會法律知識往往并非以符號的形式表征，但只要其具備內建性的功能結構，就可以被還原為數值，進而被統計模型接近和捕獲。在語料充足、適配且技術路徑正確的前提下，大模型具有模擬默會法律知識的能力。這種能力同樣會超過法律職業個體通過經驗和直覺所能獲取相關知識的能力。當然，上述大模型對知識的“捕獲”，在本質上是以統計學的模式復現默會法律知識的外部表征，但卻無法理解必須通過物理身體在真實世界中進行感知、互動和體驗才能產生的“具身默會知識”。

4.失于動態法律知識的習得

眾所周知，部分法律知識具有極強的時效性。法律規范的立、改、廢、釋會直接導致法律知識更新。以新或舊的法律規范生效時間為節點，同一知識的應用可能產生截然相反的結果。法律規范更新將使原有裁判文書部分甚至完全喪失知識價值。與此同時，部分法律知識具有動態性，社會環境和價值觀的變遷可以改變人們對法律的理解與適用。然而，當前大模型預訓練的知識有明確的時間界限，一經訓練內部知識永遠固定。相當部分用戶發現當調整上下文的表達時，大模型會改變后續輸出的內容，并據此認為大模型可以實時學習知識。這是對大模型最大的誤解之一。實際上，用戶每次輸入都會被大模型作為上下文打包在輸出計算中。輸出內容的變化是臨時的調整但不改變模型權重本身。一旦關閉對話，該新的設定將被完全遺忘。與之形成鮮明對比的是，大模型的訓練昂貴、耗時、需要海量計算資源，因此它不是實時的，而是周期性的后臺工作。盡管大模型可以通過外接知識庫或互聯網檢索增強（RAG）方式在一定程度上緩解知識更新的困境，但這僅是外部信息的臨時調用，并未實質改變模型的參數知識結構。與動態法律知識習得瓶頸相關的是，法律立改廢釋可能同時體現在預訓練的語料中。由于前文提及的大模型的技術邏輯是以權重為核心的代碼化知識，在時間序列區分能力上存在固有缺陷，這就導致在法律職業群體視角下理所當然地區分不同版本法律的能力，在大模型技術框架下尚無法穩定地實現。

（二）大模型法律事實建構能力的邊界

作為法律實踐的起點，法律事實建構包括描述性建構與規范性建構兩個相互關聯的次級能力。大模型的技術邏輯使其長于描述性建構卻弱于規范性建構。

1.長于法律事實的描述性建構

大模型在法律事實描述性建構中表現突出的深層原因在于其完美契合大模型模式識別與信息提取兩大核心能力。大模型的訓練語料中包含大量的事實描述性內容，通過海量文本的預訓練可以對“誰做了什么”等固定句式有極強的識別能力，其注意力機制則可以準確捕捉主語、謂語、賓語并將它們準確、流暢地組織起來。此外，描述性建構是一種收斂性任務（convergent task），通常具有唯一或最佳答案。大模型的技術邏輯善于從現有、分散的信息中收斂到一個確定的點，因此能夠較好地避免大模型的知識幻覺與主觀臆斷。從這個角度看，大模型長于法律事實的描述性建構，能夠從紛繁復雜的生活事實中篩選出與法律要素相關的事實要素，準確、清晰地呈現所篩選的事實，形成一個相對完整的敘事框架。典型的表現是由大模型從案件卷宗、當事人陳述、庭審記錄等法律文本中識別案件的時間、地點、事件等關鍵要素，并對事件按時間線索與因果關系進行梳理。一項人機共同參與的法律實戰測試顯示，在主要通過法律事實描述性建構能力完成的任務中，法律大模型得分均超過或接近人類律師。如果將人類律師得分標準化為100分，法律垂域大模型在兩項案件信息提取類任務中分別得到118和133分，超過人類律師的平均得分。更重要的還在于，法律大模型響應速度最低比人類律師快6倍，最高比人類律師快80倍。

2.弱于法律事實的規范性建構

對于法律事實的規范性建構，大模型無法通過簡單的統計語義關聯實現，而是需要借助于模型在高維向量空間隱式學習到詞語的上下文分布。假設有以下生活事實的描述：“李四于周二晚趁鄰居王五外出就餐時偷偷撬開房門，拿走了一臺價值3萬元的筆記本電腦。”大模型獲得的知識并非以規則的形式儲存，而是將高頻共現關系以權重的形式進行參數化表達。因此，當要求大模型將上述生活事實提煉為法律事實時，大模型并非對文字進行閱讀理解，而是將每一個字和詞轉換為數學向量。在此過程中，大模型的注意力機制介入，建立了“李四”與“拿走筆記本電腦”“撬開房門”與“鄰居王五”之間的緊密數學關系。隨后，大模型將上述向量表達與預訓練中獲得的參數化表達模式進行比對。眾所周知，在海量的盜竊罪法律文本中，“嫌疑人”“未經許可”“進入他人住所”“入室竊取”“數額較大”等類似表達反復出現并被大模型以參數形式固定。因此在生成內容前，大模型的注意力機制會將向量化的提問與預訓練形成的所有模式進行比對，可能發現“李四”匹配了“嫌疑人”的模式、“撬開門”匹配了“入室盜竊”的模式、“拿走筆記本”匹配了“竊取財物、“3萬元”匹配了“數額巨大”。此時，在生成案件法律事實時，大模型就將上述要素與預訓練中捕獲的法律術語與法律句式串聯起來，生成“嫌疑人李四入室盜竊價值3萬元的筆記本電腦一臺，數額巨大”。可見，大模型對法律事實的規范性建構的實質是將“李四撬門拿電腦”的向量表示，在數學上映射到大模型預訓練海量文本中與“盜竊罪”場景高度相似的向量區域。與法律事實的描述性建構不同，規范性建構并非單純語義的替換，而是建構出原文不存在的、具有法律意義的敘事，是一種發散性任務（divergent task），可能沒有唯一的正確答案。在此過程中，大模型需要將“李四”抽象為“犯罪嫌疑人”，將“拿走”抽象為“竊取”，將“撬門”抽象為“入室”。其成敗的關鍵在于大模型在預訓練過程中是否有足夠多體現上述抽象語義的關聯語料。考慮到揭示上述關聯關系的語料總體上屬于低頻的長尾知識，大模型盡管可以完成法律事實的規范性建構任務，但卻不夠穩定。在對ChatGPT和GPT-4的中文案件描述性建構的任務測試中，大模型對事實建構的準確率分別達到了90.7％和96.19％，而當需要結合規范性內容進行爭議焦點凝練時（規范性建構），大模型對事實建構的準確率分別下降到57.16％和80.50％；當需要綜合描述性建構與規范性建構的案件摘要任務時，大模型對事實建構的準確率分別下降到41.01％和42.72％。

（三）大模型法律規范發現能力的邊界

結構、語言和相互依存性共同造就了法律規范的復雜性。與一般公眾的認知不同，大模型的技術邏輯決定了其失于法律規范檢索與法律規范續造，弱于法律規范識別與法律規范自洽，卻長于法律規范解釋。

1.失于法律規范檢索

法律規范檢索是指基于對具體規范的描述實現對法律規范的定位與召回。大模型在預訓練過程中識別了法律文本的模式，因此可以利用參數空間記憶，并基于語義相似度而不是僅僅根據關鍵詞瞬間激活預訓練法律規范所形成的知識網絡，迅速生成相關法律規范或司法判例。相較于法律職業群體依靠手動檢索和經驗篩選的方式，大模型在法律規范檢索的覆蓋面與效率方面具有明顯的優勢；同時基于語義的法律規范檢索也顯著優于基于關鍵詞的機械檢索。然而，大模型對法律規范的“學習”并非以數據庫的形式儲存于可以直接查詢的條目中，而是以一種分布式、抽象化的方式記錄在數以億萬計的參數里。當大模型被要求引用某個特定法條時，它不是從數據庫中“提取”該法條，而是“重新生成”該法條。這種過程是“概率性”而非“確定性”的，完全不同于傳統法律數據庫意義上的“檢索”與“返回”。因此，在不接入外部法律法規庫的前提下，當用戶需要大模型逐字逐句地背誦法律條款時，大模型難以有效地完成該任務。對于不常見或者有多個版本的法律規范，大模型在生成時還可能出現拼接、遺漏或者混淆等現象。

2.弱于法律規范識別

與法律規范檢索的封閉性與確定性不同，法律規范識別是一種基于案件事實的發散性、多維度、非線性的匹配過程，是一種復雜的法律認知活動。法律職業群體在識別法律規范時，目光往往需要在案件具體事實與一般法律規范之間反復穿梭以實現最終的動態匹配。然而，大模型對于法律規范的學習以一種權重化的參數呈現。因此，大模型在識別法律規范時會將用戶輸入的案件事實文本轉化為高維向量，通過多層注意力機制捕捉詞語間的關聯并在大模型預訓練的向量空間中尋找距離最近的法律規范，最終生成概率最高的法律規范。其在本質上是一種語義相似度的計算。除了可能遭遇法律規范檢索的短板，上述技術邏輯還使得大模型在以下情形時遭遇不同程度的法律規范識別缺陷：其一，表面相似、實質不同。實踐中部分案例核心實體和核心行為具有高度相似性，僅在部分細節上存在差異，如是否具有非法占有目的就是區分非法吸收公眾存款罪和集資詐騙罪的關鍵。因為共享了大量的語義結構，它們在大模型向量空間的距離非常接近。當高語義重合度掩蓋了關鍵的法律變量差異時，部分大模型有可能被表述的表面相似性誤導，在民刑交叉、此罪與彼罪等問題上出現錯誤。其二，表面不同、實質相似。實踐中的案件往往可能出現事實描述與相關法律規范沒有任何的重合，法律行為模式卻完全符合的情形。此時，部分大模型可能因為文本相似度過低而無法將新型案件與既有法律規范關聯。綜上，與法律職業群體平均水平相比，大模型在法律規范的精準識別方面顯得差強人意。實證研究顯示，基于事實的法律規范識別，GPT-3.5Turbo和GPT-4的準確率分別只有29.5％和52.5％。

3.弱于法律規范自洽

在大模型的預訓練過程中，根本法、基本法、一般法等層級效力規范只是不同概率分布的文本數據。因此，大模型的無監督學習技術架構無法內在地、先驗地識別法律的權威與效力差序并在規范沖突時精準、穩定地選擇適配的規范。盡管可以在監督微調過程中對法律層級規范進行顯性標注來優化并獲得法律層次化知識的權重函數，但這種函數是概率性且分散化的，難以形成穩定、可靠、準確的適用機制。實證研究顯示，不僅是通用大模型，就連法律垂域大模型，如域外頭部信息服務企業Lexis、Westlaw、湯森路透開發的三款法律垂域大模型，均難以理解法律權威的等級制度。可見，與法律職業群體通過專業訓練掌握、規則驅動、經驗支撐的法律規范自洽邏輯相比，如上位法優于下位法、特別法優于一般法、新法優于舊法等，大模型參數化的記憶和模式匹配缺乏內置的法律位階規則與法律沖突規則，因此在深度解決規范沖突時呈現出明顯的劣勢。與之對應，大模型在法源模糊、多效力層級、規范沖突等情況下無法穩定選擇適配的規范。

4.長于法律規范解釋

法律的意義不是純粹的客觀發現，而是在解釋過程中被建構的。因此，法律規范的解釋是法律能力的重要面向，它強調運用特定歷史、文化和情境中的意義去解讀法律規范文本。文義解釋是嚴格根據法律條文的字面含義、語法結構和上下文關系理解其含義的解釋方法，是所有法律解釋方法的基礎。大模型在包括法律文本在內的數萬億量級的語料上進行預訓練，將詞語映射到更高維度的向量空間，并通過編碼向量之間的距離與方向，實現對詞語之間關系的固化。當執行法律規范解釋任務時，預訓練時形成的龐大概率分布與語義網絡將被激活。相較于法律職業群體的平均水平而言，大模型具有超強的語法和邏輯結構解析能力。即使在針對超長和超復雜邏輯的法律文本的解釋時，大模型都能準確追蹤主謂賓結構、指代關系與邏輯關系。與此同時，現代大模型的上下文窗口不斷提升（可達百萬token），在解釋法律規范時可以將一部或多部法律規范作為上下文窗口。在這個巨大的上下文窗口中，大模型的注意力機制可以計算待解釋規范與其他規范之間的距離，從而形成最具體系一致性的法律解釋結果。在上下文窗口已知立法目的與多法律版本的情況下，大模型也可以對法律規范進行目的解釋與歷史解釋。因此，總體而言，大模型在法律規范解釋方面的表現優于法律職業群體的平均水平。一項對20個大模型的法律能力的測評顯示，其法律規范解釋方面的平均得分比法律規范識別的平均得分高55.6％。

5.失于法律規范續造

與法律解釋澄清法律文本意義相比，法律續造是對法律漏洞進行填補或對法律錯誤進行修正，是一種更高層次的法律規范發現活動，需要遵循專門的方法論。大模型續造法律規范面臨以下實質瓶頸：其一，法律續造往往意味著原有語料中缺乏相應的實踐，因數據不足，缺乏大模型可以模仿的模式。其二，大模型無法理解法律規范續造的正當性基礎，無法進行真正意義的價值權衡，未充分內化理解法律的核心精神，容易產生違背法理的“創新”。其三，大模型在法律規范續造時可能無法充分帶入社會背景與現實需求。因此，在面對全新問題時，大模型可能出現在形式上將知識碎片按邏輯拼接的東施效顰式的“法律續造”。

（四）大模型法律論證推理能力的邊界

法律論證推理圍繞事實、法律及其銜接關系展開，其正當性的獲取需要滿足兩個條件：一是認定的事實和引用的法律都必須是真實存在的，二是結合事實和法律得出的裁判結論或主張是正確的。前者是“真實性宣稱”的外部證成，后者是“正確性宣稱”的內部證成。大模型長于內部證成而弱于外部證成。

1.長于法律內部證成

邏輯是法律推理的基礎工具，用于確保推理過程的有效性，以及從前提到結論在推導形式上的正確性。在預訓練過程中，法律語料所包含的法律推理邏輯可以被大模型捕獲，這是因為大規模預訓練強化了法律概念之間的情境驅動關系。法律數據中集中出現的重復關聯，有助于模型將特定的法律事實、法律觀點與法律規范聯系起來。與此同時，在生成內容時，大模型所依賴的自注意機制對于上下文的語義結構和語法規則有著極強的捕獲能力。這使其在邏輯推理能力上取得了突破性進展，甚至可以發現人類所忽略的相關關系，完成較為復雜的邏輯推理。正因此，大模型能夠勝任針對“大前提＋小前提→結論”形式邏輯的序列預測任務。在給定清晰的大前提和小前提時，經過有效訓練的大模型可以完成邏輯上近乎完美的內部證成。這表現為大模型善于基于事實和法律規范確認罪名、預測刑期。評估顯示，基于已知法律規范和已知法律事實的法律問答類任務，法律垂域大模型的得分為82.8，顯著高于人類律師的得分70.1。

2.弱于法律外部證成

法律外部證成需要結合證據材料、道德原則、立法精神、法律價值、社會共識等元素綜合證明法律推理邏輯前提的實質正當性。具體而言，法律外部證成需要從法律規范選擇論證與法律事實認定論證兩個維度展開。前者指向“為何選擇該法律規范”，后者指向“為何如此認定案件事實”。大模型在法律外部證成方面的優勢在于說理的邏輯性與全面性。盡管大模型無法像法律職業群體那樣具身理解法律價值、道德倫理與社會共識，但上述內容可以在大規模法律語料中以顯性或隱性知識的形式被參數化記錄。因此，在法律規范確定的前提下，大模型可借助良好的法律解釋能力實現較高水平的法律規范外部證成；在事實認定維度，法律職業群體需要基于證據的基礎展開事實的實質認定，也即綜合全案的證據進行經驗與理性的綜合判斷。大模型還可以通過附件上傳等多種形式將各類證據納入大模型的上下文窗口，生成基于證據的事實認定分析結果。大模型在預訓練時從判決書的法官說理部分參數化了證據鏈的邏輯，因此在條件明確的前提下，如存在明確的法律規范、已被采信的證據時，大模型在功能上可以產生外部證成所期待的“說服效果”。

在實踐中，大模型的外部證成之所以難以達到預期效果，主要原因在于，在開放性的外部證成任務中，大模型受制于法律規范識別能力的弱項，可能選擇錯誤的法律規范進行外部證成。在已知犯罪事實和法律規范的前提下，GPT-4和ChatGPT對于中國刑事犯罪罪名的推理準確度分別為100％和99.28％；而在開放性推理中，比如已知民事案件事實和訴訟請求，推理民事裁判結果時，由于規范并非已知，其推理準確性分別下降到53.14％和37.08％。更重要的原因在于大模型難以高質量地完成基于證據認定事實的外部證成。其一，現有的數據化邏輯難以建構每個證據與事實之間的證明概率，也就難以準確把握案件裁決對證據證明力的判斷需求。在證據相互沖突時，大模型無法真正判斷其證明力差異，其建構的證據鏈也只是一種高頻共現關系的概率生成，穩定性和準確性存在極大缺陷。其二，“神經網絡能夠捕捉詞之間的相關性，但它們并不具備內在的事實驗證能力”。大模型無法接觸訓練語料之外的現實世界，無法建構文本形式與語言之外現實之間的關聯并獲得“意義”。這意味著大模型事實上無法完成證據真實性的判斷。在開放性法律外部證成能力的對抗性測試中（基于LEXam基準），受試大模型在客觀推理問題上的推理準確率均低于50％、主觀題得分率約為60％。

三

大模型法律能力邊界的法理啟示

在肯認大模型輔助性定位和人在回路重要性的基礎上，我們需要客觀準確評價大模型的法律能力及其邊界，為法律職業群體借助大模型完成各種法律任務提供全面、系統、準確的指引，從而確保大模型在真實法律場景中得到高效與安全的應用，并通過有效的人機協作框架實現對大模型依賴的風險治理。

（一）劃定基于能力邊界的大模型適用邊界

大模型的法律能力邊界對應著其在法律任務中的適用邊界。根據所依賴法律能力的不同，可以將法律任務分為高、中、低三類風險任務。高風險法律任務是指完全超出大模型法律能力邊界的法律任務。此類任務主要由動態法律知識習得、法律規范檢索、法律規范續造能力單獨或共同支撐，如政法內網部署大模型的時效性法律知識問答、不依賴外接法律庫的法律規范檢索、無明確法律規范支撐的疑難案件分析等。中風險法律任務是指在大模型法律能力邊界之上，但大模型表現弱于法律職業群體平均水平的任務。此類任務主要由法律事實規范性建構、法律規范識別、法律規范自洽、法律外部證成等能力單獨或共同支撐，比如基于特定的案件事實匹配相應的法律規范、復雜或新型案件分析、合同條款審核與修訂、開放式法律推理（事實或法律不明確）、非常見法律文書生成、裁判要旨與爭議焦點提煉、證據鏈分析、法律風險提示、法律規范效力層級判斷等。低風險的法律任務則是指大模型法律能力邊界之內，大模型表現明顯優于法律職業群體平均表現的任務。此類任務主要由法律知識識別（顯性＋隱性＋非具身默會）、法律事實描述性建構、法律規范解釋、法律內部證成等能力單獨或共同支撐，比如法律法規理解、法律條文歸納、封閉式法律推理（事實與法條明確）、常見法律知識的問答（法律概念、法律原理、法律體系等知識）、法學理論梳理與歸納、常見法律文書生成、案件卷宗的歸納與摘要撰寫、案件事實梳理與抽取、案件材料收集與整理、證據相關性判斷（詳見下表）。法律職業群體應該根據模型法律能力的不同，形成應用大模型完成法律任務的合理預期與風險意識。三類法律任務并非平均分布。實踐中處于大模型法律能力邊界之內的低風險法律任務往往可能耗費初級法律職業群體最多的工作時間。這也從另一個側面解釋了大模型在法律領域的應用潛力。

表 大模型法律能力對應的法律任務風險分級

在此基礎上，有關機關或部門應圍繞各系統法律任務，聯合或分別出臺兼顧效率提升和風險防控的行業性大模型應用指南與標準。一方面，出臺《大模型法律能力測評標準（試行）》，聯合技術專家設計一套模擬真實法律場景的大模型測評基準，覆蓋大模型的四個一級法律能力和十三個次級法律能力；大模型評估是一個系統工程，由政法機關主導的同行評估可以形成大模型治理的合力，從而有效回應法律領域的專業性與復雜性；通過貼近法律領域實戰的方式對大模型的應用潛力進行科學全面的測評，為系統部署大模型提供指引。另一方面，借鑒中央網信辦2025年10月出臺的《政務領域人工智能大模型部署應用指引》所明確的應用場景與部署規范，制定《政法領域大模型應用指南（試行）》，明確大模型的適用范圍、核心原則、分類框架、典型任務等核心內容，既鼓勵法律職業群體探索大模型的應用，減輕基礎性與事務性法律任務的負擔，又明確列明推薦、優先推薦、不推薦使用大模型完成的法律任務清單，從而為大模型在法律領域的應用提供有效、可操作的路線圖。

當然，大模型的法律能力邊界并非一成不變。通過領域微調、檢索增強、思維鏈技術可以有效提升大模型在完成法律領域任務方面的魯棒性。比如，通過領域微調獲得的法律垂域大模型在法律推理方面的表現優于通用大模型；盡管尚存在諸多無法克服的瓶頸，但借助檢索增強生成技術（RAG）接入高質量法律法規庫和互聯網，可以在一定程度上緩解大模型在法律規范檢索與動態法律知識習得方面的能力缺陷。因此，應建立大模型法律能力的周期性測評機制，并根據測評結果動態調整大模型的應用邊界。

（二）建立遞進式的法律領域人機協作框架

當前，學術界在強調大模型輔助性地位時普遍強調確保“人在回路”，即大模型的法律知識輔助處于法律實體判斷過程的中間環節而非最終環節。然而，在技術正向偏見效應下，法律職業群體往往會放棄過去憑借有限能力和個體經驗進行決策的模式，而不自覺地服從于人工智能模型給出的結論。由此，日漸成熟的大模型可能會成為法律職業群體案件辦理的一種習慣性“依靠”，從而影響他們的獨立性與自主性。可見，僅僅將法律職業群體放置到自動化決策流程中并不能實現其對法律決策的實質性參與。對此，需要注重人機協作的框架設計，為法律職業群體的實質參與決策留足空間。考慮到人類社會發展過程中對于技術的深度依賴以及技術對于人類行為的隱性控制，應面向人在回路著力打造法律領域的人機協作框架。

人機交互的本質是人與機器在動態環境中通過多個界面進行交互和通信。肇始于1940年代工業1.0時期的人機關系經歷了四次迭代，其間人類角色呈現從控制者到合作者的關鍵變革，交互內容也從物理意義的信息傳輸延伸至認知、情感等多重維度。進入2020年代，大模型的迅速發展正在深刻影響法律領域的人機關系。此前，從未有一款人工智能應用可能如此大范圍地與法律職業群體形成日常關聯。從深層次而言，這不是簡單的任務轉移，而是復雜的能力互動與人機關系的動態調整。法律領域人機協作的關鍵在于如何有效整合法律職業群體與大模型的能力，并最大限度共同推動法律任務的高質量、高效率完成。此時，大模型與法律職業群體之間決策權重的分配成為問題的關鍵所在。以大模型的能力邊界為參照系，以法律任務的風險區分為標準，法律職業群體應該校準自身在人機協作關系中的“生態位”，建立一套符合法律職業倫理、體現專業壁壘、具有可操作性的法律領域遞進式人機協作框架。盡管遞進式框架的內涵存在層次性，但其共性在于強調法律人在人機協作中對于法律知識驗證、法律知識創新與法律價值判斷的主導權力。找到法律職業群體的生態位，也就找到了大模型時代法律領域良好人機協作關系的制度框架。

其一，完成高風險法律任務盡管超過大模型的法律能力邊界，但絕不意味著應完全放棄大模型的輔助功能。對此，應建立啟發性人機協作框架。在該框架下，不推薦將大模型視作標準答案的提供者，而應將其視作法律思維的激發器，通過提供背景信息、生成多樣性觀點來激發法律職業群體獲得更高層次的法律認知——擴展思路、打破定式、帶來頭腦風暴。在啟發性的人機協作框架中，法律職業群體應該起到絕對的主導作用，負責適當設定問題，提出探索的方向與邊界。大模型對高風險法律任務的響應大概率存在精準性和可靠性不足的問題。法律職業群體的核心價值在于基于專業的知識與經驗，從中篩選、提煉與重組各種潛在可能性，捕捉各類具有啟發性的思維火花。法律職業群體可憑借專業技能與直覺，將獲得的靈感放置到法律場景中進行邏輯推演、理論建構與體系擴展，最終形成原創性的法律理論或法律實踐方案。比如檢察官可以設定一個刑事案件的基本事實和證據鏈條，要求大模型模擬被告方辯護律師提出最苛刻的、各角度的庭審抗辯。由此，公訴人可以發現可能的薄弱環節，完善公訴策略。

其二，中風險法律任務是大模型的完成能力總體弱于法律職業群體平均完成水平的任務。對于此類任務，應當根據審慎應用大模型的總體基調，建構反思性人機協作框架。反思性人機協作框架以大模型對中風險法律任務的響應可能存在事實、邏輯或判斷上的錯誤為基本前提，目標是引入法律職業群體的專業智慧，通過穿透性、實質性的審查，修復錯誤，提升特定法律任務的完成質量。反思性人機協作框架在機制上聚焦嚴謹的法律人在回路的工作流程，通過建立“驗證—修正”“指令—反饋”雙循環，實現對大模型賦能法律任務的有意義控制，確保輸出內容的精準性與可靠性。一是法律職業群體需要明確任務邊界，將法律任務拆解成大模型能夠理解、無歧義的指令。二是對于大模型生成的法律內容，不能止于簡單的校對，而應帶著反思性的視角進行事實與邏輯等方面的多重交叉驗證。三是發現任何錯誤，都應該通過指令調整實現大模型的正向反饋。“發現錯誤—優化指令—內容修訂”是反思型人機協作框架的關鍵所在。四是不斷反思與學習，提升運用大模型的綜合能力。這是因為法律職業群體使用大模型的經驗與技巧是重要的知識資源，可以塑造大模型被運用的方式，決定法律職業群體能否高效、準確地與大模型進行交互，并影響生成內容的準確性與可用性。概而言之，在反思型人機協作框架中，法律職業群體與大模型的關系可以類比為驗證者與初級助理之間的關系。

其三，低風險法律任務的完成完全處于大模型的能力邊界之內。對于此類任務，應該根據推薦應用的總體基調，建構監督型的人機協作框架。監督型的人機協作框架的基本前提是認為對于低風險的法律任務，大模型能夠有較高水準的表現。對于這類任務，法律職業群體的主要職責是通過輕量化的監督機制，對模型輸出結果進行程序性、關鍵點的審查。在此基礎上，法律職業群體應當將大模型的能力整合到已有的法律任務之中，實現最大化的效率提升，從而使自己有更多時間投入復雜性與創造性的法律任務中。輕量化監督機制的核心內容包括：（1）對低風險的任務進行事先驗證；（2）將通過驗證的、高頻、重復性強、低風險法律任務的提示集進行標準化、結構化與工程化。這一過程的本質是將個性化、情景化法律經驗所導致的離散、具體的提問方式轉換為大模型可以精準執行的顯性指令。大模型目前面臨輸出質量穩定性不足的問題，同一個模型由不同法律人使用，由于提示詞素養的差異，大模型最終輸出的結果會有根本不同。此時，就必須借助工程化封裝的方法來解決。具體而言，應將高頻發生、在大模型法律能力邊界之內的任務進行流程整合；設計涵蓋角色、背景、任務、要求、限制等完整要素的最優提示詞模版；通過試驗和迭代找到最優的指令設計方案；進行工程化封裝，以功能按鍵而不是開放式的輸入進行呈現。每次點擊按鍵，大模型接收到的都是結構化、高質量、統一格式和法律邏輯的指令。這樣，大模型可擺脫法律人的個體差異，實現輸出結果的穩定與可靠。同時，可以由專家團隊經過大量測試與驗證，針對特定法律任務的提示詞進行持續優化與迭代。（3）對輸入和輸出內容的匹配性、生成內容的格式與規范、最重要的變量（如合同金額、當事人名稱等）等進行審核。一言以蔽之，在監督型人機協作關系中，法律職業群體與大模型的關系可以類比為監督者與高級助理之間的關系。

（三）塑造法律職業群體的人機協作素養

以大模型為代表的人工智能在中國法律領域的運用是一個長期的過程，必然會面臨各類艱巨的挑戰，需要既擅長人工智能技術，又精通法律知識的雙棲人才長期、專注地投入與堅持。因此，我們必須秉持長期主義思維，通過強化法律職業群體的大模型素養建構良好的大模型應用生態。大模型在法律領域的應用應該被視作目標導向的法律職業群體在特定場景中基于個人能力的與技術系統互動的過程。從當前大模型發展的趨勢來看，未來意義的智慧法治將在“人機協作”的意義上展開。因此，在此過程中應當著力提升法律職業群體的人機協作能力，從而促進大模型應用的落地見效。將大模型視作協作者而非替代者，并通過制度途徑著力提升法律職業群體的大模型應用素養，符合未來法治實踐形態的現實需求。

人機協作素養是指法律職業群體通過與人工智能系統有效互動，充分發揮主體能動性與技術可供性，共同完成法律任務的綜合素養。人機協作素養可以放置到技術素養的理論框架中，從技術認知、技術運用和技術評估三個層面展開。（1）技術認知素養。培養法律職業群體的人機協作能力，首先要求法律職業者建構對大模型技術的基礎認知能力。這并非要求法律人像專業技術人員那樣全面了解技術的細節甚至是代碼，而是把握大模型的主要功能和適用場景，理解其技術局限與潛在風險，知悉在何時可將大模型引入已有的法律任務流程。（2）技術運用素養。法律領域人機協作能力要求法律人具備能在長時間多輪復雜交互中，引導大模型生產和優化輸出結果的能力。這種引導能力突出體現在選擇專業、適當、清晰、上下文關聯的提示語的能力，或者說“提問題的能力”。（3）技術評估素養。法律領域人機協作能力還要求使用大模型的法律人評估技術輸出內容的準確性與合法性，識別潛在專業性錯誤、偏見和不足，并在技術運用能力支撐下調整和優化輸出結果，從而確保法律任務的高質量執行。

考慮到技術素養是一個綜合能力體系，因此在強化人機協作能力時也需要采用長期的，涉及教育、培訓和實踐等多維度綜合回應的策略。對此，政法院校要在國家政策的支撐下提升法科學生運用大模型的參與度。首先，更新高等學校法學院系的課程設置，增加設置法律人工智能技術素養的相關課程，覆蓋法律人工智能技術的基本原理、應用場景、倫理規范等內容，培養學生對法律人工智能技術的整體性系統性認知；結合全國范圍內文科實驗室的建設與探索，通過實驗課程的設置，培養學生對各類法律人工智能系統的實操技能。如大模型的法律知識幻覺實驗、大模型的法律價值對齊實驗、大模型的法律提示工程實訓等；鼓勵法學院學生修讀計算機科學、數據科學等相關課程，建立交叉學科的知識背景。其次，有條件的高校可以探索“法學＋人工智能”雙學位、“數字法學微專業”的本科生人才培養模式改革，在本科階段培養具有法律和人工智能雙重知識背景的法律人才。最后，推動針對法律人群體人工智能技術素養提升的培訓計劃，重點講授前沿法律人工智能系統的實用技能和對模型輸出結果的評估與運用方法。

結語

2017年Transformer架構被正式提出，它引入的注意力機制給傳統自然語言處理技術帶來了革命性突破，并為大模型時代的到來奠定了堅實基礎。隨著大模型技術走出實驗室，全面進入社會各個領域，法律職業群體可能已經不知不覺地站在了如何面對大模型的時代門檻上。法律垂域大模型的高水平創新，可以實現法律能力邊界的不斷擴展。法律職業群體以大模型的法律能力邊界為起點的每一次探索，都可以為更具韌性的人機協作提供可能，其最終將指向法律職業群體自我法律能力的革新與進化。因此大模型的法律能力邊界不應成為法律職業群體拒絕應用大模型的理由，相反，法律職業群體應該以此為錨點，以更加開放的心態去迎接法治可能的“未來形態”。

-向上滑動，查看完整目錄-

《法律科學》2026年第3期目錄

【習近平法治思想研究】

1.更加注重法治與改革、發展、穩定相協同

江必新（3）

【新科技與新法學】

2.人民城市理念下智慧城市治理的立法保障

王怡（21）

3.論大模型的法律能力邊界

王祿生（33）

4.OpenClaw類自主智能體的分層治理

傅宏宇（48）

5.AI智能體跨平臺代理執行的競爭法評價

鮑奕含（60）

【法律思維與法律方法】

6.司法三段論的邏輯刻畫

舒國瀅（72）

7.“違法請托”被騙財物的司法處置

孫國祥（88）

8.外觀設計專利侵權判定新探

彭學龍（102）

9.期待可能性在行政處罰中的適用

熊樟林（116）

【法律制度與部門法理】

10.陜甘寧邊區參議會的制度創新與實踐特色

馬成（128）

11.論逆向揭開公司面紗規則的正當性與謙抑性

劉俊海（141）

12.企業家精神在公司法中的制度性嵌入

李安安（161）

13.生存權保障視角下子女撫養費用財政支持制度的完善

任宛立（175）

14.論駁回起訴裁定上訴利益的判斷

李凌（187）

《法律科學》是由西北政法大學主辦的、面向國內外公開發行的學術性刊物。《法律科學》主要發表法學學術理論文章，辟有法律文化與法律價值、法律思維與法律方法、人權與法制、部門法理學、法制現代化、法律制度探微、法學新問題研究、域外法評、長安法史、立法研究、法律實踐等欄目，注重學術性、專業性、知識性。本刊列入中文核心期刊、法律類核心期刊、中文社科常用期刊、法學類最重要的核心期刊、中文社會科學引文索引來源期刊（CSSCI）。

點擊進入下方小程序

獲取專屬解決方案~

責任編輯 | 郭晴晴

審核人員 | 張文碩 韓爽

本文聲明 | 本文章僅限學習交流使用，如遇侵權，我們會及時刪除。本文章不代表北大法律信息網（北大法寶）和北京北大英華科技有限公司的法律意見或對相關法規/案件/事件等的解讀。