# Legal Consult Corpus

> 法律咨询口径固化平台。从业务群识别法律咨询→匹配历史口径→AI起草回复→律师定稿→口径沉淀→复用度量。三层架构：自动化(采集+匹配)→智能化(分类+起草)→经验固化(口径库+复用追踪)。通用框架，数据源/触发词/法律领域均可配置。当用户说"法律咨询口径""业务群咨询""回复法律问题""咨询口径库""口径复用""同类问题重复答"时触发。

- Skill: `cslawyer1985/legal-consult-corpus` (Agent Skill, multi-file: 7 files)
- Install (CLI): `npx get-skill add cslawyer1985/legal-consult-corpus`
- Raw SKILL.md: https://api.skillmd.com/api/skills/cslawyer1985/legal-consult-corpus/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: cslawyer1985 (https://skillmd.com/u/cslawyer1985)
- Updated: 2026-11-15
- Page: https://skillmd.com/skills/cslawyer1985/legal-consult-corpus

---


# 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：
1. 触发词匹配（从 config.yaml 读取）
2. 排除非咨询消息（闲聊/审批/确认）
3. 同人+同领域+24h 内 = 同一轮对话，合并
4. 输出：结构化咨询事件 JSON

### B. 分类与匹配

1. **领域分类**：按 config.yaml 的领域关键词匹配，输出法律领域标签
2. **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
3. **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

1. 律师审核/修改定稿
2. 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
3. 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：
1. KPI 带（复用率/覆盖率/口径库规模/响应时长）
2. 领域分布柱状图
3. 提问人 Top10
4. 口径复用排行
5. 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

