法律咨询口径库(一个人用)
定位
业务方在群里反复问同类法律问题,律师每次都重新组织语言。本 skill 帮一个律师把"回答过的问题"存成自己的一套口径,下次同类直接接着用:
先收进来(采集+找相似)→ 再定规矩(分类+打初稿)→ 存成家底(定稿入库+追踪用了几次)
生产资源
配置文件
config.yaml:数据源群ID、触发词规则、法律领域分类、起草风格参数consult_corpus.json:口径库(高质量定稿子集)
台账结构(AITable / SQLite 均可)
| 字段 | 说明 |
|---|---|
| 问题摘要 | AI 提取的核心问题 |
| 法律领域 | 数据合规/合同/IP/消保/劳动/公司治理/诉讼/其他 |
| 提问人 | 谁问的 |
| 提问群 | 哪个群 |
| 提问时间 | ISO 日期 |
| AI匹配口径 | 匹配到的历史条目+相似度 |
| AI起草回复 | 基于匹配结果的草稿 |
| 律师定稿 | 最终发出 version |
| 是否复用 | 是/否 |
| 是否沉淀 | 是/否 |
口径库字段(consult_corpus.json)
每条口径含:
id:CONSULT-NNN典型问题:一句话概括标准答复:律师定稿的通用回复法律领域:分类法条依据:具体条文适用场景:适用条件不适用场景:排除条件入库律师/入库时间复用次数/关联咨询数/质量评分(1-5)
工作流程
A. 采集(可配置数据源)
从配置的消息源读取,识别法律咨询类消息:
- 触发词匹配(从 config.yaml 读取)
- 排除非咨询消息(闲聊/审批/确认)
- 同人+同领域+24h 内 = 同一轮对话,合并
- 输出:结构化咨询事件 JSON
B. 分类与匹配
- 领域分类:按 config.yaml 的领域关键词匹配,输出法律领域标签
- 口径匹配:
- 第一层:法律领域精确过滤
- 第二层:BM25 关键词匹配(问题摘要 vs 口径库典型问题)
- 输出 Top3 + 相似度分数
- 复用判定:最高相似度 ≥ 0.7 → 标记"复用"
C. 起草回复
基于匹配到的口径,生成可直接粘贴到群里的回复:
- ≤100字,结论先行
- 附法条依据但不展开
- 标注"⚠️个案需确认"的条件
- 风格参数从 config.yaml 读取(正式度/字数上限/是否附法条)
D. 定稿与沉淀
- 律师审核/修改定稿
- 定稿发出后,判断是否值得沉淀:
- 该领域口径数 < 阈值 → 自动沉淀
- 相似度 < 0.5 的新问题 → 自动沉淀
- 律师手动标记"沉淀" → 入库
- 入库时自动填充元数据(入库律师/时间/初始复用次数=0)
度量引擎(metrics.py)
确定性计算,禁止 LLM 手算:
| 指标 | 口径 |
|---|---|
| 复用率 | 复用件数 / 总咨询数 |
| 领域覆盖率 | 有口径覆盖的领域数 / 总领域数 |
| 口径库增长率 | 本期新增 / 期初总数 |
| 响应时长 | 提问→定稿发出(近似,取台账时间差) |
| 沉淀转化率 | 沉淀件数 / 总咨询数 |
| 人均咨询量 | 总咨询数 / 提问人去重数 |
看板(dashboard_gen.py)
输入:台账快照 JSON + metrics.json → 输出:单文件 HTML 看板
面板:
- KPI 带(复用率/覆盖率/口径库规模/响应时长)
- 领域分布柱状图
- 提问人 Top10
- 口径复用排行
- 趋势线(周新增/复用/沉淀)
与智录(zhilu-complaint-ops)的关系
| 维度 | 智录 | 本 skill |
|---|---|---|
| 输入 | 市监投诉图片 | 业务群文字消息 |
| 分类 | 五维风险评分 | 法律领域分类 |
| 口径库 | golden_corpus.json | consult_corpus.json |
| 起草风格 | 正式答复(≤200字) | 群聊回复(≤100字) |
| 度量 | 办结率/退赔率 | 复用率/覆盖率 |
| 架构 | 三层(自动化→智能化→经验固化) | 同构 |
共享模式:台账结构、度量引擎模式、看板渲染逻辑、口径沉淀流程。
配置说明
所有参数化配置在 config.yaml:
sources:数据源群ID列表triggers:触发词正则列表domains:法律领域分类及关键词draft_style:起草风格参数thresholds:复用/沉淀/告警阈值
验证
- 口径匹配:给定问题,Top1 相似度 ≥ 0.7 时口径应可复用
- 度量:metrics.py 输出与手工计算一致
- 看板:HTML 可在浏览器打开,数据与 metrics.json 一致