AI 法律问题库
面向律师、企业法务、律所管理者与法律科技从业者，整理生成式 AI 合规、工具采购、工作流落地与电子证据审查中的高频问题。每条给出可直接引用的简要答案，并链向站内深度文章，便于人工阅读与 AI 搜索引用。
先按主题筛选问题，阅读简要答案，再点进对应文章看规则边界、实务步骤与风险提示。
需要快速对齐口径的法务与律师，评估法律 AI 工具的采购与合规团队，以及关注 AI 搜索引用质量的内容与研究团队。
内容为行业观察与信息参考，不构成针对具体事项的法律意见；涉及上线、采购或诉讼时，请回到现行规范与个案事实核验。
生成式 AI 服务上线前要做哪些合规准备？
通常先确认服务是否面向公众，再逐项处理模型与算法评估、训练语料与数据来源、内容安全、个人信息保护、生成内容标识，以及用户投诉与处置流程。准备不足时，问题往往出在职责不清和日志留存不完整，而不是缺一两句提示语。
AI 生成内容标识和水印怎么落实？
标识不是简单加一句“由 AI 生成”。服务提供者需要在界面提示、显式标识、隐式标识、水印、日志留存和用户协议中形成闭环，避免误导公众，也便于争议发生时核验真实性与传播路径。
AI 透明度只加一句提示够吗？
不够。提示语只能解决“用户是否知道内容可能由 AI 生成”，无法覆盖训练数据边界、人工复核、权限隔离和争议处置。企业更需要把透明度写进产品流程：何时提示、何时阻断、谁复核、日志如何保存。
推荐算法合规最容易被忽视的责任是什么？
很多企业只关注备案或隐私政策，却忽视算法歧视、过度个性化、用户选择权、未成年人保护和日志留存。算法合规不只是技术备案，也涉及产品设计、内容治理和内部审计。
深度合成和 Deepfake 进入诉讼时，证据真实性怎么审查？
不能只看视频、录音或图片“像不像真的”。更可靠的路径是审查原始载体、生成痕迹、上传平台记录、时间戳、哈希值、鉴定意见和上下文证据链，并记录审查步骤本身。
遇到疑似 AI 生成的电子证据，最先做什么？
先固定载体和来源：原始文件、设备、账号、传输路径与时间信息；再判断是否需要鉴定或技术比对。不要只在播放器里“肉眼辨真假”，否则后续质证空间会被压缩。
法律检索 Agent 接法院数据后，团队要保留哪些记录？
至少保留检索问题、数据来源、版本或抓取时间、输出摘要、人工核验结论和采用理由。效率提升之外，诉讼团队更需要证明“结论从哪里来、谁复核过、能否复现”。
合同审查 AI 能不能替代律师？
合同审查 AI 适合做条款识别、风险提示、版本比对和初步清单，但不能直接替代律师对交易结构、谈判策略、责任分配和商业取舍的判断。法律 AI 更适合作为工作流中的一层，而不是最终意见本身。
法律 AI Agent 真正有价值的使用场景是什么？
有价值的 Agent 不是陪聊机器人，而是能把检索、摘要、证据整理、文档生成、任务拆解和人工复核连接起来的工作台。判断是否可靠，要看来源可追溯、输出可复核、权限可控制、过程可审计。
律师和企业法务使用通用大模型时，最重要的风控是什么？
第一，不要上传未脱敏的客户材料与商业秘密；第二，不要把模型回答直接当作法律意见；第三，保留检索来源、提示词、版本和复核记录。还要区分“帮你找材料”和“替你下结论”。
企业能否本地部署法律 AI 知识库？
可以，但本地部署不等于天然安全。仍需处理数据分级、权限、日志、知识库来源、模型幻觉和定期更新。本地知识库更适合内部制度、合同模板、办案资料和合规手册的检索增强，而不是一键给出最终法律结论。
怎样判断一款法律 AI 是否可靠？
至少检查：引证能否回溯到权威来源、材料是否及时更新、权限能否限制到事项与人员、人工如何复核，以及系统是否保留审计日志。价格和演示效果不能替代这些硬指标。
律所全员部署 AI，采购时不能只数席位吗？
席位只是起点。更关键的是数据进出边界、权限分层、提示词与知识库治理、计费与客户沟通口径，以及错误输出时的责任与复核机制。全员上线前，应先把“能做什么、不能做什么”写进内部制度。
律所用客户数据改进 AI，授权边界要注意什么？
客户材料可能被用于检索、评测甚至模型改进。真正的风险不在“有没有用 AI”，而在授权是否覆盖用途、是否脱敏、是否可退出、是否可审计。书面约定和内部流程应先于技术部署。
模型降价后，法律 AI 还要按任务风险分层吗？
要。单价下降不等于错误成本下降。律所与法务宜按任务风险选择模型与人工复核强度：检索草稿、内部摘要与对外意见、正式提交材料，不应共用同一套放行标准。
AI 节省了律师时间，计费与客户沟通要怎么跟上？
效率提升后，客户更关心价值、透明度和责任，而不是工时是否变少。律所需要同步调整报价说明、交付物清单和 AI 使用披露口径，避免“更快”变成“不值”的沟通风险。