智录·律师经验固化平台
核心价值:一套做法,把律师答过、判过、定过稿的经验存下来,下次同类问题直接接着用——省时间,也把质量稳住。
不是"帮律师干活的法律AI",也不替你想案子。 它做的事很简单:把你攒下的判断经验存下来,系统下次能直接用。
真实生产系统:接真实台账、真实API Key、沉淀真实口径库。
通用框架:一套做法,三种用法
三步做法
- 先收进来:群里的投诉、咨询、合同……自动识别、登记、查重。15分钟→2分钟/件。律师不用再手工录一遍。
- 再定规矩:六条查重规则、五个打分维度,把"我怎么判断"写成系统照着算的规矩。老律师的判断,变成人人能用的标准。
- 存成家底:律师定稿后存进口径库,下次同类问题自动翻出来。越攒越多,一次答对,往后一直省时间。
这三步不限法律——换一类事、换一批资料,照样能跑起来。
三种用法
| 用法 | 谁用 | 信息源 | 台账 | 口径库 |
|---|---|---|---|---|
| 工商投诉(全所一起用) | 全所律师 | 市监群图片→OCR | 钉钉多维表 | 全所共同口径 |
| 法律咨询(一个人用) | 律师自己 | 业务群文字 | 本地SQLite | 个人口径库 |
| 合同审查(再接一个) | 律师自己/全所 | 手动录入 | 本地SQLite/钉钉表 | 审查要点口径库 |
共用的底层:收进来→定规矩→存成家底 | 自动统计 | 自动出看板——凡是"反复答同类问题"的活都能套。
首次接入(setup_wizard)
律师拿到新台账后,对千问办公说**"接入智录"**,Agent 会引导完成以下5步:
- Agent 拉字段快照:
dws aitable field list --base-id <B> --table-id <T> --format json→ 存为/tmp/fields.json - 跑 setup_wizard:
python3 scripts/setup_wizard.py --fields /tmp/fields.json --base-id <B> --table-id <T> --out /tmp/match_report.json - Agent 解读报告:
matched(score≥0.85 且唯一)→ 直接采用ambiguous→ 用大白话逐条问律师(例:"投诉人姓名在哪一列?A 投诉人 B 联系人")missing→ 可选字段跳过;必需字段(content/status/deadline)问律师要不要在台账里新建列
- Agent 写 config.yaml:把确认后的 matched 合入
ledger.field_map,更新ledger.base_id/ledger.table_id - 验证:用新 config 跑一次
dws aitable record query --limit 3确认字段可读
约束:setup_wizard.py 纯本地、零外部依赖、不调 dws。律师永远不打开 config.yaml、不碰 fieldId。
生产资源
- 台账: base
<你的台账BaseID>/ table<你的台账表ID>(接入时由 setup_wizard 自动填入) - 信息源: 钉钉群/微信群/邮箱/手动录入(由律师在 config.yaml 中配置)
- config:
{skill_dir}/config.yaml(台账fieldId映射 + 场景配置,由 setup_wizard 生成) - 引擎脚本:
{skill_dir}/scripts/(step1 OCR / step3 评分 / step4 起草 / step5 巡检 / dedup_upsert 六键判重 / completeness 数据完整度 / refresh_dashboard 看板 / heartbeat 心跳 / metrics 运营度量 / ledger_io 台账读取 / batch_draft 批量起草 / review_apply 复核入库 / setup_wizard 首次配置 / shadow_event_ledger 影子事件账本) - 影子配置:
{skill_dir}/shadow_config.json(影子模式开关) - 影子状态:
{skill_dir}/intake_state_v2.json - 影子账本:
{skill_dir}/shadow_event_ledger.jsonl(只追加,不写生产台账) - 口径库(知识资产):
{skill_dir}/golden_corpus.json(随律师定稿增长,含入库时间/入库律师/复用次数/关联工单数/质量评分) - API Key: 读
~/.qwenworkcn/complaint-workflow-prod/.env的LLM_API_KEY/OCR_API_KEY,绝不硬编码进任何文件或命令
关键约束(每次执行前必读)
- managed-DWS:此环境脚本内 subprocess 调 dws 不生效(返回 pending 占位符)。台账读写必须由 Agent 直接在 Bash 工具发
dws ...命令,数据落地临时文件后,引擎脚本用--data本地模式计算。dws 多条命令可用换行链接在同一 Bash 调用里。 - AI 起草硬信息会幻觉:年份/金额/时限须人工核对。法条引用可靠。写回前清理年份类错误。
- AI 立场偏消费者:退款金额/时限承诺须业务核实+法务定稿后方可对外。企业客户投诉不适用《消保法》,立场需人工纠正。每份初稿顶部加"⚠️AI初稿偏消费者立场须核实"提示。
- 特殊件人工升级:涉视障/心理危机/舆情(三轨并投)/大额(>5000)的工单,评分模型抓不住,须人工判断升级,不能只看分数。
- Phase 1影子模式:补充证据/二次来件只写本地
shadow_event_ledger.jsonl,不得更新生产台账、不得改状态、不得写最终答复、不得重开工单。 - 关闭旧自动结案:结案词、手机号、姓名或引用图只能形成影子候选;需用户明确确认后,才人工回填。
- 脚本纯本地:
step3_risk_score.py和step5_daily_check.py必须传--data;在线模式和--push已禁用。DWS读取、写入和发送均由Agent顶层执行并回读验证。 - 命名口径:对外用"市监投诉":面向市监局、管理层或对外文档时,统一使用**"市监投诉"**,不用"工商投诉"(机构已改制为市场监督管理局)。例外:本 skill 的触发词、台账实名及历史字段值保留"工商投诉"原文,不得改写。
操作手册
A. 有新工单(识别入库)
dws chat +chat-messages --group <cid> --limit 20 --format json --jq '...'拉最新消息,定位市监人员发的图片消息(含 resourceRefs)dws chat +messages-resource-url --resource-id <mediaId> --type mediaId --open-conversation-id <cid> --message-id <msgId>取 downloadUrl →curl -o下载图片export OCR_API_KEY=$(...)后python3 scripts/step1_ocr_intake.py --image <img> --out <json>- 富化:投诉类型映射到枚举(虚假宣传/隐私泄露/自动续费/退款纠纷/服务质量/合同纠纷/价格欺诈/其他);渠道=12315平台;收到日期=消息日期;截止日期=OCR值或收到+15天;从群跟进对话提取处理状态与跟进记录
- 工单类型判定:智录只入库
12315消费者投诉。出现"信访编号/来访/上访"→信访;出现"协查函/调查函"→监管协查函。这两类都不入库。 - 12315原始编号归档:若 OCR 投诉编号是 12315 国家平台号(形如
1330110.../纯数字长串≥20位),存入 raw_12315_no 字段,标题按WS-MMDD-NNN规范另发。
- 工单类型判定:智录只入库
- 多键判重门禁(写入前必做):把台账快照与候选工单各落成临时 JSON,运行
python3 scripts/dedup_upsert.py --ledger <台账快照.json> --incoming <候选.json> --state intake_state.json --out decisions.json。脚本按 K1 12315编号 / K2 投诉编号 / K3 手机+佐证 / K4 姓名+金额+类型 / K5 函号 / K6 姓名+内容近重 六键确定性判定,输出updates / creates / skipped。Agent 据此执行:对updates用dws record update追加跟进;对creates才走dws record create。命中即同案,绝不另起一行。 - python 内联 import step3 评分函数算五维分(legal/amount/spread/urgency/repeat)。
dws aitable record create --base-id ... --table-id ... --records '[{"cells":{...}}]'写入(fieldId 见 config.yaml;内容含 ASCII 单引号会破坏传参,先替换为全角')
B. 跑巡检
dws aitable record query --base-id ... --table-id ... --limit 50拉全量 → 投影成引擎格式落地/tmp/ledger.jsonpython3 scripts/step5_daily_check.py --data /tmp/ledger.json- 报告五档:无跟进/临期(3天内)/逾期/数据待补全(缺联系方式或截止日期)/疑似已解决·待确认结案,逾期件最优先。
C. 生成答复
- 取目标工单内容
export LLM_API_KEY,python 调step4.draft_with_llm(key, case, retrieve_similar(corpus, content))
对外答复硬约束:
- 分层输出:【快速响应版】≤50字 + 【内部参考版】不限长度
- 长度上限:对外回复 ≤100字,每句 ≤20字
- 闭环公式:
[处理结果确认] + [用户状态说明] - 禁模板化敷衍表述
- 禁内部指引混入对外话术
- 禁报告式结构
- 无法满足须说明限制条件
- 口径提取前过滤测试数据
- 顶部加"⚠️AI初稿偏消费者立场须核实"提示,清理年份幻觉
dws aitable record update --records '[{"recordId":...,"cells":{...}}]'写回 AI建议答复字段
D. 回填最终答复(口径进化)
- 用户定稿后
dws aitable record update写最终答复字段,处理状态改"已完结",追加跟进记录 - 优质定稿追加进
golden_corpus.json(字段:case_content/ai_suggestion/golden_reply/投诉类型)
复核闭环(每日循环)
把"AI 起草→人工定稿→沉淀口径"从一次性动作升级成每天自我强化的闭环。
状态机(复核状态 单选字段):
待起草 ──batch_draft──▶ 已起草待复核 ──人工改定稿+通过──▶ 已复核待入库 ──review_apply──▶ 已入库
▲ │
└────────── 次日 batch_draft --redraft-open ◀─────────┘
每日四阶段循环:
- 采集后即时起草:
dws aitable record query落台账快照 →python3 scripts/batch_draft.py --data <快照.json> --corpus golden_corpus.json --out /tmp/drafts.json。对待起草/复核状态空的未完结工单逐件取相似口径 + 起草,标已起草待复核。 - 人工复核(唯一人工动作):看 AI 初稿,直接改成本次定稿、把
复核状态改已复核待入库。 - 每日收尾入库(EOD):
python3 scripts/review_apply.py --data <快照.json> --corpus golden_corpus.json --updates /tmp/updates.json先 dry-run 预览,确认后加--apply真追加golden_corpus.json(写前自动.bak备份,按 case_content 去重、幂等)。 - 次日用新库复跑:
python3 scripts/batch_draft.py --redraft-open ...对仍未完结的工单,按昨夜变大后的口径库重新起草。
硬性门禁:AI 起草 ≠ 定稿。batch_draft 只出初稿进复核队列,绝不自动改处理状态/写最终答复/落库;只有人工标记"已复核待入库"的件才被 review_apply 写进 golden_corpus。
自动化运行
系统处于Phase 1影子运行:新工单可自动入库;补充证据、二次来件、客服结果和结案候选只做影子判断,需人工确认后才可回填生产台账。
核心定时任务:
- 双向采集(工作日 08/10/12/14/16点):
- 方向A 新工单入库:市监人员明确的新投诉图片经OCR、评分后可直接入库。
- 方向B/C 补充证据、客服结果和结案表达:Phase 1只生成影子事件和候选匹配,需人工确认后走D流程。
- 方向D 客服群转发的新投诉:仍可按现有规则入库,匹配不明时进入影子判断。
- 防重复:六键判重门禁——命中任一即视为同案、只追加跟进不新建。
- 影子输入:
python3 scripts/shadow_event_ledger.py --events <events.json> --cases <cases.json> --config shadow_config.json --ledger shadow_event_ledger.jsonl
- 每日巡检告警(工作日 08:30):算逾期/临期/在办/待补全/疑似已解决·待确认结案 → 只推承办人本人单聊,绝不发群
- 看板刷新(工作日 16:30,静默):Agent 用
dws aitable record query --format json落盘台账快照,再跑python3 scripts/refresh_dashboard.py --ledger <快照.json> --corpus golden_corpus.json——产出 dashboard_data.json、ledger_engine.json、metrics.json 并生成 HTML 看板。 - 数据完整度门禁:
completeness.py定义"未完结工单缺 联系方式 或 截止日期 = 待补全"。诉求金额可合法为 0,不算缺失。 - cron 心跳 + 系统健康监控(每日 09:00,静默/仅失败告警):
heartbeat.py --job <intake|health>写心跳。健康监控检查采集心跳、巡检/看板文件 mtime(>48h)、OCR/LLM API Key,异常只发承办人本人。 - P1 运营度量+知识资产(
metrics.py,确定性引擎):compute(raw_records, today, window_start, window_end)输出办结时长/办结率/退赔率/二次投诉率/周趋势;compute_knowledge_metrics(corpus_path)输出口径库条数/复用次数/覆盖类型数/律师工作量。周月报和看板都必须取 metrics.py 的输出,禁止让大模型手算指标。
闭环:信息源新工单→自动入库→巡检盯逾期→告警到钉钉→律师定稿→口径沉淀(golden_corpus)→经验可复用。
验证
- 评分:台账 record count 与群工单数一致;五维分=各维度之和
- 巡检:逾期件截止日期<今日
- 起草:法条引用准确,无年份幻觉,退款承诺带"须核实"提示
平台扩展:法律咨询口径固化
智录是"律师经验固化平台"的第一个落地场景(工商投诉工单),验证了三层架构的可行性。第二个场景——法律咨询口径固化(legal-consult-corpus)——将同一架构应用于业务群法律咨询,处理"同类问题反复答"的痛点。
共享三层架构
自动化层(采集+匹配)
- 智录:市监群图片→OCR→工单入库→六键判重
- 法律咨询:业务群文字→咨询识别→领域分类→口径匹配
智能化层(分类+起草)
- 智录:五维风险评分→AI起草答复→律师定稿
- 法律咨询:法律领域分类→AI起草回复→律师定稿
经验固化层(口径沉淀+复用追踪)
- 智录:golden_corpus.json(投诉答复口径)→办结率/退赔率度量
- 法律咨询:consult_corpus.json(咨询回复口径)→复用率/覆盖率度量
平台化愿景
任何"重复问答→经验沉淀"的法律场景都可用此架构:
- 识别重复模式:某类问题反复出现,律师每次都重新组织语言
- 建立台账:结构化记录问题/答复/定稿/复用情况
- 沉淀口径库:高质量定稿入库,追踪复用次数与质量评分
- 度量引擎:确定性计算复用率/覆盖率/增长率等指标
- 看板可视化:单文件HTML展示KPI/趋势/分布
示例场景:
- 合同审查常见问题(审查要点/风险点/修改建议口径库)
- 劳动人事咨询(入离职/考勤/薪酬常见问题口径库)
- 数据合规咨询(GDPR/个人信息保护常见问题口径库)
- IP侵权投诉(商标/专利/著作权投诉处理口径库)
架构核心:数据源/触发词/法律领域/起草风格均可配置,新场景只需定义 config.yaml + 口径库结构 + 度量指标,即可复用采集→匹配→起草→定稿→沉淀→度量的完整闭环。