法律 AI 试用：六类任务怎么测

这篇文章解决什么问题

法律 AI 采购不能只看演示和功能表。本文用合同审查、法规研究、案例检索、尽调、文档处理和诉讼材料六类任务，说明如何固定样本、记录错误与复核时间，并核对数据处理条件和总成本。

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

法务部门准备采购 AI 时，常会遇到两份看起来都不错的演示：一份几秒钟生成长报告，另一份能把意见写回 Word。试用后，前者的引用需要重新查找，后者又漏掉附件，采购讨论还是会回到原点：这个工具到底解决什么工作？

选择法律 AI 工具，应把常用任务做成可复查的试用题，比较结果质量、交付形式、人工复核时间和数据处理条件。价格表和功能表可以缩小候选范围，最后仍要回到实际工作样本。

本文提供六类任务的评估方法及可下载工作簿。这是一份选型指南，没有对商业产品做同题运行，也没有产品排名。文中列出厂商入口，供读者核查公开资料，不表示本站已验证其性能或作出采购推荐。

采购说明先写清一个月要做什么

“提升法务效率”不足以定义项目。可以写得更具体：每月检查若干份采购合同，逐条定位并交付修改对照；每周完成法规研究，能够打开原文并记录版本；每次争议项目整理材料，关键事实可以回到具体页码。

数量也不必凭感觉填写。可以从团队最近四周的任务登记中，统计每类工作的文件量、材料长度、处理人和返工原因。没有记录，就先观察一周，不要把供应商测算的节约比例当作自己的基线。

采购目标还要写明使用人。独立律师可能更看重单次成本和上手时间；法务团队会更关心文档格式、权限和多人交接；已有知识库的机构，则要检查能否接入现有资料，以及资料如何更新。这些差异会改变比较维度。

最后写一条验收句子，例如：“使用约定样本，生成包含原文位置的合同意见，并能打开导出的文件完成逐项检查。”没有具体交付物，试用很容易被演示效果带偏。

四类方案要放在同一任务里比

这些类别没有天然的高低之分。只需把给定材料整理成表格的任务，未必需要购买完整数据库；需要核实案例的任务，也不能用写作组件替代资料访问权限。

公开资料可以先从通义法睿官网、法睿开发文档和千千律约产品介绍等原始入口查起。记录页面日期和适用产品，区分网页版、接口服务和企业方案；不能把接口文档中的能力直接算到另一个套餐上。

本站法律 AI 资源库可用于发现候选项；处理重复工作时，也可查看库中的合同 Skills。收录条目、热度和名称相似，都不能替代对实际提供者和安装来源的确认。

六类任务分别这样出题

合同审查。给出正文、技术附件和一页交易背景，预埋日期冲突及验收条件缺失。要求返回原文、问题、建议和待确认事项，并提供可打开的交付文件。命中检查点后，还要看修改是否引入新矛盾。

法规研究。给定法域、事实时间和具体问题，要求提供来源清单及适用条件。用一个必须区分历史文本与现行文本的问题，检查工具是否主动记录时间，是否把新闻解读当作正式条文。原文无法取得时，对限制的说明也应计入评价。

案例检索。提供固定事实与争议点，让工具先列检索条件，再给出候选案例和相似性比较。关注案号、法院、程序阶段、全文来源和不相似因素；案例数量多，不能单独构成优势。

企业尽调。使用合法取得的公开样例，指定企业全称和统一社会信用代码，要求每项字段附来源及查询日期。设置同名主体干扰项，检查工具会不会把别的公司的信息混入结果。演示材料中的负面事项应明确为虚构，不能随意为真实公司编造风险。

PDF 与 Word。准备包含表格、脚注、扫描页和批注的文件，要求提取或修改指定部分。检查数字、表格关系、页码定位和导出文件的可读性。文件能够下载，只说明生成了产物，不代表格式保留完整。

诉讼材料。用模拟聊天、邮件和交付记录，要求生成事件时间线、事实证据表和缺件清单。给出两个相互冲突的日期，观察工具是原样保留争议，还是为了叙述流畅而擅自选定其中一个。

每类任务先准备两个小样本：一个正常任务，一个含有缺失或矛盾的任务。六类共十二个，足以看出部分工作方式差异，但不足以据此宣称某产品具有“行业准确率”。团队只采购合同功能时，也可以只测合同；明确范围，比硬凑全六类更有用。

试用前冻结材料和评分规则

先保存输入材料、标准提示词和检查点表的版本。运行后发现某工具很擅长临时新增任务，可以记作补充测试，不能暗中替换原基准，让结果显得更好。

同一基础任务尽量使用一致输入。产品原生工作流确实需要不同操作时，应记录差异，分为“共同任务结果”和“原生功能体验”两栏。例如，一款产品能直接导出 Word，另一款只能复制文本，这既是交付能力的差别，也会影响人工时间。不能把人工加工后的两个文件做成完全相同，再把差异抹掉。

重点任务建议独立运行三次，保留每次结果和失败记录。这只是观察稳定性的操作建议，不是法定或行业统一测试次数。报告可以记录中位处理时间，也应列出耗时范围。用户点击、文件准备、核验和修改时间要分别记录，避免把“生成用了二十秒”写成“完成工作用了二十秒”。

不支持的任务标注“不支持”，需要额外授权的标注“未满足测试条件”，接口报错则记录实际错误。不要把这些状态都当作零分混算，也不能把未测试项目留空后默认通过。

先记录错误和遗漏，再考虑总分

每个任务可以设置五项维度：事实与规则处理、来源追踪、遗漏及误报、交付可用性、复核成本。团队确实需要总分时，应先确定权重并写明理由。例如，文档处理部门可以提高格式保留权重，研究团队可以提高来源权重；不同权重得出的结果，不能都叫“综合最强”。

比总分更有用的是具体数据。假设模拟合同预设 15 个检查点，一个方案命中 12 个，可以写“本样本检查点覆盖 12/15”。如果它同时提出 8 条没有依据的修改，还要单列错误建议数；不能只公布 80%，让人误以为这是所有合同的准确率。

工具提出一项未预埋、但确实合理的问题时，评审者应说明新增发现及判断依据。人工基准也可能遗漏。保留更正记录，既不要求机器只复述预设答案，也不允许为了迎合结果随意改分。

关键任务可以设置不计分的准入条件：例如，正式研究报告必须能够回溯关键来源，指定交付文件必须正常打开。这类条件要事先约定。摘要再流畅，也补不上特定项目缺少必要来源的问题。

复核成本要算进总账

以下是虚构预算算例，用于说明计算方式，不是产品报价：方案甲每月许可费 800 元，方案乙 1,500 元；每月处理 100 项任务，内部时间成本按每小时 200 元估算。假定甲每项复核 12 分钟，乙 6 分钟，复核成本分别为 4,000 元和 2,000 元。只计算这两项，总额为 4,800 元和 3,500 元。

这个算例不能证明价格高的方案更好。需要核实的是，六分钟和十二分钟是否来自同等质量下的实际记录，以及团队是否认可每小时 200 元的口径。没有时间记录时，应把这些数字列为情景假设，按不同数值做敏感性比较。

还要计入数据库授权、文件转换、培训、组件维护、失败重做和迁移成本。组合方案的模型费可能很低，但某个连接服务可能需要长期维护；企业版单价较高，也可能包含部分团队功能。费用应按满足同一任务要求后的总成本比较。

采购文件可保留“报价日期、币种、税费、人数、额度、超额单价、续费条件”等列。官方未公布价格时，应写明需询价，不能从几年前的评测中补出一个现价。

供应商应回答这些问题

只问“数据安全吗”，很难得到可以验收的答案。换成以下问题，技术和法务才能分别核查。

• 输入文件经过哪些服务，分别由谁提供？
• 哪些内容会被保存，保存目的与期限是什么？能否删除，备份如何处理？
• 是否用于模型训练或改进？适用哪个账号、套餐和开关？
• 团队管理员、普通用户及外部协作者分别能访问什么？
• 数据库来源与访问授权由谁提供？授权到期会影响什么？
• 能导出哪些格式，终止服务后能否取回必要记录？
• 产品或底层模型发生变化，是否通知，是否支持重新验证？
• 发生错误调用、服务中断或材料外传时，双方如何联系和处置？

网页宣传、客服回答、合同承诺和实际配置应分别登记。有些能力只在企业部署选项中提供；不能拿该选项的说明，为默认个人账户作保证。涉及个人信息委托处理等安排，还需结合实际关系核定合同与监督要求。个人信息保护法原文。

试用结束后写成一页决定

采购结论可以包括：拟采用的方案与版本；允许承担的任务；使用材料范围；已测试样本与日期；通过的条件；失败项目和回退方式；预计费用；负责人及下次复评触发条件。

例如可以写：“用于公开法源初步整理及模拟合同练习；真实客户材料另按准入范围处理。当前没有验证扫描件批注保留，因此不用于该项交付。”这比“满足所有法律场景”更容易执行，也方便后续扩大范围。

选型不必一次解决未来两年的全部需求。先把最高频的一项工作用好，积累复核时间和失败记录；后续确需案例数据库或自动导出时，再测试新增功能。账号共享、人员离职、套餐变化和底层模型更新，都可能需要重新审视原决定。

试用会议要看原始材料

要求演示者展示输入文件、完整输出和复核后的交付件，不要只看几张最好看的截图。选择一条关键结论，请他当场回到原文定位；再找一条没有识别的问题，讨论正式工作中应如何补救。

会议记录可以采用四栏：“发现、证据、影响、决定”。例如：“导出表格丢失两条批注；见样本 D02 及输出文件；需要人工补录，影响交接；暂不采用该功能。”这类记录不容易被会后的宣传语替换，也便于供应商提供修复版本后复测。

也应给供应商相同的解释机会。若失败由材料损坏或操作不符合官方要求造成，应说明情况并做可比的补测；补测要保留初次结果和修正条件。不能把一次人为误操作永久算作产品能力，也不能因供应商解释而删除真实失败。

多名同事参与时，先独立审看同一份结果，再讨论分歧。有人重视文字流畅，有人重视可核验来源，分歧可能来自评分含义不同。把“来源可靠”拆成“链接能开、原文能定位、内容支持结论”，更容易形成一致标准。

试用样本还应包含团队不熟悉或工具不擅长的情形。只用供应商已经演示过的范本，不能说明它面对新材料时如何处理未知问题。公开样本可用于开始，正式扩大范围前，再按允许条件加入能够代表实际任务的材料。

不同团队从不同任务起步

个人律师每周只处理几份合同，可以先比较文件操作和复核成本，避免为了一个简单任务维护复杂连接。选择期间重点记录：需要转换几次格式、每次引用是否需要重新查找、客户临时修改时能否继续沿用已有工作。

企业法务处理大量相似业务，可以先由熟悉该类合同的人制作基准，包括常见例外和不应修改的条款。工具是否遵从审查标准、是否记住版本和业务立场，比回答通用问题是否漂亮，更接近实际使用目的。

有信息化团队的律所可以增加权限、接口和日志验证，但仍应以一个完整业务任务验收。接口返回 200，只说明请求层面成功，不能说明字段正确、来源完整或文档能够交给客户。技术检查与业务检查都应有人签注。

三类团队都要保留退出办法。试用不合适时，材料能否取回、模板能否迁移、账号如何关闭、运行记录存放在哪里，都应在采购前问清楚。切换成本通常在积累了大量材料后才显现。

出现哪些变化应重新测试

底层模型更新、数据库来源改变、文件解析器更换、套餐权限调整，以及团队引入新合同类型，都可能使旧结果不再代表当前工作。复测不必每次重做全部十二项，可以按变化影响的任务选择固定样本，并保留原结果对照。

例如，变化只涉及 Word 导出时，先检查批注、表格、编号和版本差异；若同时更换模型，再扩大到条款识别和修改建议。测试范围应由变化决定，不必按日历机械重复。

出现一次严重错误时，也不要只加一句更长的提示词就结束。应检查错误出在读取、检索、生成还是交付，并判断同类任务是否受影响。相关条件得到解释并重新验证后，才适合恢复原使用范围。

团队没有足够条件完成某项验证时，可以暂时限制该功能，继续使用已验证部分。采购决定可以保留未解项，只要没有把它们藏在一个漂亮总分后面。

下载评估表后先做小范围试用

下载法律 AI 六类任务评估包，包含测试任务、运行记录、评分维度、供应商问卷和预算示例。预算数字已标注为虚构假设，产品得分保持空白。

合同任务可直接使用采购合同审查实战的教学包；引证检查参照法律检索核验指南；试用通过后，用律所 AI 使用规范把允许范围交给团队。

本文由 AI 辅助检索与撰写，已进行公开资料核对和文字修订。没有开展商业产品同题实测，未采用厂商提供的性能数字或用户访谈结论。资料核对日期：2026 年 9 月 15 日。

引用与继续阅读

法律 AI 试用：六类任务怎么测｜AIILAW.cn｜2026-09-15｜https://aiilaw.cn/legal-ai-tools-evaluation-guide/

复制引用信息

按任务选择法律 AI 工具 · 订阅后续文章 RSS