Astra for Law 出来后，律所还买什么软件

相关工具：合同审查助手 Skill 腾讯电子签 Skill MCP-Doc Word 文档处理

9 月 17 日，OpenAI 发布公告称，Astra for Law 将 GPT-6 Astra 与法律检索索引、法律分析及写作指令组合，初期通过 Trusted Access 向部分律所提供 ChatGPT、Codex 内的访问；API 尚待推出，公布的模型名为 gpt-6-astra-law。这还不是买一个普通账号就能试用的产品。

律所已经买了大模型服务，还要不要再买一套法律软件？Astra for Law 让这个问题有了具体的参照。过去要由法律软件单独配置的检索和专业指令，开始进入模型平台。软件厂商需要回答：客户多付的那笔钱，究竟买到了什么。

本文从 AI模型参考的报道展开。我们尚未获邀实测，以下讨论依据公开材料；涉及产品竞争和律所采购的内容，属于本文分析。

54.0% 的通过率，能回答什么

OpenAI 披露，在 Vals AI Legal Research Bench 的 200 道美国法私人验证集问题上，两套系统均采用最高推理强度时，Astra for Law 的整体正确性检查通过率为 54.0%，仅使用网页搜索的 GPT-6 Astra 为 38.7%。相差 15.3 个百分点，约合 40% 的相对提升。

这组结果由发布方提供，衡量的是特定测试中的表现，不能换算成办案成功率。没有通过的回答，也不能一概算作捏造。漏掉关键材料、论证不完整，和编出一个不存在的案例，后果及修正办法并不相同。

评测采用了什么工具，也要一起看。Vals AI 的公开项目说明列出网页搜索、原文获取、材料提取和判例检索等工具。模型回答的质量，取决于它能找到什么材料。买软件时，若只问用了哪个模型，却不问接入了什么数据库、能否取到完整原文，就漏掉了法律检索配置中最该比较的一部分。可结合本站的法律检索 Skills梳理工具配置。公开项目说明也不足以让我们复现公告使用的私人验证集。

对中国律所而言，法域仍是一道门槛。公告介绍的索引面向美国法，是否充分覆盖中国法源，需要另行核实。它在美国法问题上的进步，暂时不能说明中国法任务会有怎样的表现。

哪些功能会先被重新比价

法律问答、摘要和初稿功能，最容易被客户拿来重新比较。假如客户已购买的模型服务就能给出相近结果，再加一套法律界面、附几组提示词，就很难解释为何还要多付一份订阅费。用户的需求若只停留在“先帮我写一版”，这类产品的价格空间可能受到挤压。

法律数据库的处境不同。律师查一条规定，往往还要知道它在争议发生时是否有效、此后改过什么、引用它的裁判在说什么。能持续维护这些关系的数据库，提供的是模型生成答案以外的服务。不过，“收录很多文件”仍然不够。供应商最好当场演示：一条规定修订后，旧版本如何保留，检索结果如何变化，先前生成的报告是否需要重新检查。内容能否被模型检索、缓存和用于生成，也应按授权约定核实。

合同软件要经得住另一种比较。一段审查意见写得不错，律师仍可能需要回到Word找条款、改原文、处理对方修订，再向业务同事解释修改理由。如果软件能让意见准确对应原文，保留修订和谈判记录，减少这些往返，仍有收费的理由。若只是把模型答案放进另一个聊天框，客户迟早会问：为什么不直接用模型？

尽调和案件管理产品也可按这个标准判断。尽调发现的问题，能不能回到具体材料，补件后是否得到处理；案件换了经办人，文书版本和未办事项能不能完整交接。这些工作可以演示，也可以验收，比一份漂亮的生成报告更能说明软件在日常业务中的用处。

平台也在向这些工作延伸。OpenAI 公告提到 Harvey、Legora 将能够基于 Astra for Law 构建产品，并介绍了专业工具接入 ChatGPT 的安排。对垂直软件厂商来说，合作可以省去部分基础能力建设，也可能让客户更多停留在平台界面。软件届时可能继续作为完整产品出售，也可能以专业组件的方式被调用。

两种做法都有代价。独立产品要承担获客、使用习惯培养和集成成本；依附平台则要面对接口、分发和计费政策变化。即便使用同一底层模型，法源维护、业务规则、交付质量和客户服务仍会拉开差别。哪一家因此受益，目前没有足够的经营数据可下结论。

价格也未必只降不升。模型研发投入可能减少，法源授权、调用和集成费用仍需支付。律所比较报价时，最好围绕同一项业务算总账：除了软件席位和模型用量，还要算律师检查、修改和返工的时间。一款调用更贵、却能少返工的软件，未必更贵；一款免费生成长报告、却让律师逐页纠错的工具，也未必省钱。

用熟悉的业务题目做试用

可以设一个很小的试用场景：买方签了收货单，调试时发现设备达不到合同指标。这是一个假设例子，材料用自行编写的模拟合同和允许使用的公开文本即可，无须一开始就上传客户卷宗。

先让承办律师列出需要查明的问题，再把同一份材料交给候选工具。看它能否找到交付、调试和验收条款，指出缺少哪些事实，并给出相关规则的原文出处。提问时不要先写上“签收就是验收”或相反结论，否则很容易把试用变成替既定观点找理由。

下面这张表可用来记录结果。这是本文建议的核查办法，不是 Astra for Law 的功能清单。

试完后，也把律师查来源、纠错和改稿的时间记下来。生成只用了几分钟，后面的修订却更费事，就谈不上节约。查到关键反例、如实说明哪里查不到，有时比多写几页更有用。具体核查步骤可参照本站的法律检索核验指南；涉及工具配置的，可继续看Skills / MCP 研究工作流。

试用时先别上传客户原件

能力可以试，材料要分开处理。OpenAI 的 API 数据文档说明，API 数据默认不用于训练，但零数据保留需要获准，部分端点或能力仍可能保存应用状态。购买时应核对实际使用的功能和配置；API 的说明不能直接套给聊天产品、第三方插件或外部数据库。

与其笼统询问“你们安全吗”，不如让技术同事说明一次上传会经过哪些服务。合同存在哪里，检索词会发送给谁，生成文件怎样删除，都应有具体答案。把客户名称换成“甲公司”也未必够：联系人、交易细节和附件仍可能识别出相关个人。

涉及向境外提供个人信息时，还须核对适用义务。《个人信息保护法》第三十八条规定了相应条件，第五十五条将此类处理列入事前影响评估事项。适用哪种出境机制、是否存在豁免，要结合材料、规模和现行配套规则判断。供应商承诺多久删除数据，不能替代这项核查。

美国律师协会的 Formal Opinion 512也讨论了工具能力、保密和核验，强调律师不能把需要专业判断的工作完全交给生成式 AI。这份基于美国示范规则的伦理意见可供比较，但不属于中国律师执业规范，也没有为 Astra for Law 作专项认证。

下次供应商来演示，可以让它带一份有批注的检索报告：哪些结论经核查成立，哪些地方改过，改了多久。再按法律 AI 工具评估指南把这些结果与报价放在一起。律所要不要再付一份软件费，应当能从这份具体工作里看出来。

资料来源

1. OpenAI：Introducing Astra for Law，2026年9月17日，产品安排及发布方评测数据。
2. Vals AI：Legal Research Bench 公开项目说明，法律研究任务及工具设置。
3. OpenAI：Data controls in the OpenAI platform，API 数据处理与保留限制。
4. 《中华人民共和国个人信息保护法》，国家市场监督管理总局公布文本。
5. 美国律师协会：Formal Opinion 512，2024年7月29日。

资料核对截至2026年9月19日。本文为产品观察与试用方法讨论，不构成对具体案件的法律意见。