Legal AI 入门简明指南（中文译本）

2 minute read

Published: September 19, 2026

这是英文原文的普通话中文译本。

在过去几天下午里，我向共事的研究生推荐了一些阅读材料，帮助他们快速进入 Legal AI 领域。因此，我想把自己会推荐给 Legal AI 新入门者的资源整理成一份指南。本文反映了我的经验与兴趣，因此选材明显偏向 NLP 和机器学习。我主要研究英国和中国法律语境下的 Legal AI，所以这两个语境下的资源会比其他语境介绍得更详细。我正在继续补充其他法域的资源；不过，本文包含许多能够跨法域迁移或不依赖特定法域的信息和技术线索，因此我相信其目前的形式已可为不同法律语境的 Legal AI 研究者提供帮助。本文是一份起步指南，而不是全面综述。

本文围绕三个问题展开：哪些技术背景是有用的？目前有哪些法律任务和资源？截至写作时（2026 年 9 月），研究者正在构建哪些法律模型和智能体？

1. 先定义任务

开始一个 Legal AI 项目时，我认为首先应明确任务的范围：法域、法律领域（例如刑法、民法或行政法等），以及可用的知识与数据来源。还应想清楚任务的具体形式——写出预期输入和输出的例子通常很有帮助——以及如何评估输出，即评估方案。对于计算建模和应用而言，目标最好不是含糊的“好或坏”，而是可以评估的，最好可以量化。

一个很好的入口是 Zhong 等人的 How Does NLP Benefit Legal System?（ACL 2020），该文将法律任务映射到 NLP 方法。

2. AI 与 NLP 背景

对非技术背景的研究者而言，这一节可能稍显令人望而生畏。但请放心：在开始项目之前，并不需要读完所有论文。本节的目的，是提供一份基础 AI/NLP 概念清单，帮助你阅读 Legal AI 论文时理解可能遇到的术语。

从 Transformer 到通用语言模型

Attention Is All You Need（Vaswani 等，2017）提出了 Transformer 架构。它是理解注意力机制、位置嵌入以及编码器和解码器组件的自然起点。
接下来可阅读 BERT（Devlin 等，2018/2019），了解双向预训练表征和任务特定微调。许多法律分类和抽取系统建立在这一范式之上，其中一些至今仍是有用的基线。
T5（Raffel 等，2019/2020）以统一的 text-to-text 方式看待 NLP 任务，并系统研究迁移学习的不同选择。通过这篇论文，也可以初步了解“通用”语言模型的轮廓。
GPT 系列包括 GPT-1（Radford 等，2018）、GPT-2（Radford 等，2019）和 GPT-3（Brown 等，2020）。它们有助于理解从生成式预训练到如今广为人知的 ChatGPT 模型的转变。
Scaling law 方面，可阅读 Scaling Laws for Neural Language Models（Kaplan 等，2020）与 Training Compute-Optimal Large Language Models（Hoffmann 等，2022）。两篇论文实证研究了模型规模、训练数据、计算量与语言模型表现之间的关系，并被视为推动模型规模扩展的重要动力。

上下文学习与思维链提示

GPT-3 是理解 in-context learning（上下文学习） 的核心参考：在不更新模型参数的情况下，于提示中提供示例。
Jason Wei 等人的经典论文 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（2022）提出了如今广为人知的 Chain-of-Thought（CoT，思维链）提示。

两者相关，但不应混为一种技术。提示可以包含没有推理轨迹的“端到端”示例，也可以不提供示例而要求模型“逐步思考”。对于法律研究，我还会区分模型生成的解释（“模型的推理”）和经过独立核验的推理；模型生成的中间“推理”步骤仍须检查其是否有效，并是否与相关事实和法律规则一致。

指令微调、偏好学习与强化学习

Finetuned Language Models Are Zero-Shot Learners（Wei 等，2021/2022）（FLAN 论文）是了解 instruction tuning（指令微调）的好起点。监督微调从输入—输出示范中学习；数据告诉模型应模仿哪一种回答。
Training Language Models to Follow Instructions with Human Feedback（Ouyang 等，2022）（InstructGPT 论文）涵盖监督微调、从偏好中学习奖励模型，以及使用该奖励进行强化学习。

如果你的工作涉及模型微调和对齐，我建议将这两篇论文放在一起阅读。

如果你特别关注强化学习，我建议按以下顺序阅读：

Proximal Policy Optimization Algorithms（Schulman 等，2017）：许多早期 RLHF 流程采用的策略优化方法。
Learning to Summarize from Human Feedback（Stiennon 等，2020）：从偏好中学习、并据此优化语言生成的一个例子。
Direct Preference Optimization（Rafailov 等，2023）：直接从偏好对训练的替代方法，无需标准 RLHF 流程中独立的奖励模型训练和在线 RL 循环。
Let’s Verify Step by Step（Lightman 等，2023）：提出了监督最终结果与监督中间步骤之间的重要区别。
DeepSeekMath（Shao 等，2024）：在数学推理中提出 Group Relative Policy Optimization（GRPO）。
DeepSeek-R1（2025）：有助于理解面向推理的 RL，以及它与冷启动数据和蒸馏的关系。

上述大部分实验涉及数学或代码。将奖励建模和强化学习用于法律，需要设计能够捕捉法律正确性和推理质量的奖励信号，其中还包括多个结论都可能成立的情形。根据我们团队近期的实证工作（LexReward；即将发布），这比人们想象的更困难。

检索增强生成（RAG）

法律是知识密集型领域，因此检索增强生成（RAG）自然是 Legal AI 任务中有用的设计。可阅读 Retrieval-Augmented Generation（Lewis 等，2020）进一步了解 RAG。在法律应用中使用 RAG 时，有几个问题值得考虑和检查：应检索哪些来源？模型是否正确使用了它们？若检索失败，系统能否识别失败，还是会继续给出缺乏依据的回答？

智能体（注：本节将继续扩充）

Plan-and-Solve（Wang 等，2023）提示语言模型先制定计划，将问题拆解为更小的子任务，再逐步解决。
Plan-and-Execute（2023）将高层规划与执行分开：规划器勾勒步骤，使用工具的智能体负责执行。
ReAct（Yao 等，2023）交错进行推理和行动，使来自环境的观察能够影响后续步骤。

3. 数据集与基准

下面我大致按法域整理资源，并为多语言和跨法域工作留出单独位置。请注意，语言和法域是不同属性；例如，英语并不等于美国或英国法。目前这份汇总只涵盖文本数据；未来我可能会加入一些多模态数据集，因为这一方向已有一些新工作。

在进入资源清单前，区分每种资源提供的内容也很有帮助：

资源类型	典型用途	首先应检查什么
文本语料库	预训练、检索	来源、覆盖范围、日期、访问条件
标注数据	抽取、分类、检索、生成	金标准标签、标注过程
评估基准	评估模型表现	任务定义、评估设计
交互环境	智能体规划与工具使用评估	工具、状态、反馈、成功标准

欧洲与多语言资源

LexGLUE（Chalkidis 等，2022）是很好的起步基准，提供七项英语任务，涵盖 ECtHR、美国最高法院、欧盟立法、合同和案例要旨数据集。
MultiEURLEX（Chalkidis 等，2021）提供带有 EuroVoc 标签的欧盟立法文本，覆盖 23 种语言。
LEXTREME（Niklaus 等，2023）提供 11 个数据集，覆盖 24 种语言和多项法律 NLP 任务。
MultiLegalPile（Niklaus 等，2024）是一个大型多语言法律文本语料库，覆盖 24 种语言和 17 个法域。

中国

CAIL2018 是大型刑事案件数据集，任务包括罪名预测、适用法条预测和刑期预测，确立了若干有影响力的任务设定。
JEC-QA（Zhong 等，2020）包含法律考试题，适合研究法律问答。
LeCaRDv2 研究中国刑事案例检索，并提供专家标注。
LexChain（2026）将中国侵权案件分析结构化为法律要件识别、责任分析和裁判综合，适合研究显式分析流程中错误出现的位置。
LexRel（2026）使用结构化分类体系研究中国民事案件中的法律关系抽取，使人注意到系统在给出有用分析前必须表征的主体和关系。
LexIssue（2026）通过生成和层级分类处理中国民事诉讼中的争点识别。
若要进行更广泛的 LLM 评估，可以看看 LexEval（2024）、LawBench（2024）和 PLawBench（2026）。它们都提供法律评估任务集合；若要为模型寻找中国法律基准，它们是不错的起点。

美国

Pile of Law（Henderson 等，2022）是大型英语法律和行政文本语料库。
LegalBench（Guha 等，2023）提供 162 项围绕不同法律推理形式设计的任务。
CUAD（Hendrycks 等，2021）：专家标注的合同审查数据，适合识别合同中具有法律重要性的部分。
ContractNLI（Koreeda 和 Manning，2021）：合同上的文档级推断，包含蕴含、矛盾和支持证据片段。
LegalBench-RAG（Pipitone 和 Alami，2024）：以现有法律数据集构建的细粒度检索评估，可用于考察检索器是否找到回答问题所需段落。

英国（注：本节将继续扩充）

Cambridge Law Corpus（Östling 等，2023）包含超过 25 万份英国法院案例，以及用于结果抽取的专家标注子集。

德国

GerDaLIR（Wrzalik 和 Krechel，2021）提供由法院判决构成的德国法律检索数据集。
GerLayQA（Büttner 和 Habernal，2024）将普通人的法律问题、律师回答与德国法律规定的引用联系起来，尤其适合研究日常问题描述和正式法律语言之间的差距。

印度

ILDC（Malik 等，2021）提供印度最高法院案件，用于裁判预测；其中一个子集具有专家解释标注。
LegalEval（SemEval-2023 Task 6）涵盖修辞角色、命名实体以及带解释的裁判预测。辨识段落的功能——陈述事实、报告论点或给出理由——在尝试端到端分析前很有价值。
IL-TUR（2024）研究印度法律理解任务，包括检索、摘要、翻译和与裁判相关的任务。

日本

COLIEE（2025）提供日本民法材料和法律考试题。

4. 法律模型与系统

LEGAL-BERT（Chalkidis 等，2020）是领域适配 Transformer 模型的重要参考。
Lawformer（Xiao 等，2021）将基于 Longformer 的架构适配至中国法律文书，强调长文档处理。
对于生成模型，DISC-LawLLM（Yue 等，2023）将中文法律指令微调与法律知识检索结合起来。
SaulLM-7B（Colombo 等，2024）基于 Mistral 训练英语法律模型，并进行法律领域训练和指令适配。
LegalOne（2026 预印本）是较新的模型，结合了法律中期训练、带蒸馏推理数据的监督训练以及基于课程的 RL。

5. 法律中的奖励建模与强化学习

这是我目前最感兴趣的领域之一。当我们能够生成许多看似合理的答案或论证时，问题就变成：应向模型提供什么反馈（奖励），才能让下一次回答更好？

Building Legal Reward Models for Grounding and Abstention（2026）：这篇近期论文提出 LegalRewardBench，并研究情境化奖励建模，即根据提供的证据评估回答。研究从生成回答和自动标注中构建偏好，数据主要基于维多利亚州刑法，并附有美国评估。
LegalΔ: Enhancing Legal Reasoning in LLMs via Reinforcement Learning with Chain-of-Thought Guided Information Gain（2025）将蒸馏推理数据与 RL 结合，并采用部分基于推理对答案预测贡献的奖励。

6. 法律智能体

智能体系统会连续作出选择：搜索什么、检查哪份文档、调用什么工具等。与“静态”LLM 相比，这增加了规划和状态管理。

基准与环境

LegalAgentBench（2025）使用中国法律资源和工具评估智能体，包括需要多步操作的任务。它的代码库是考察实际环境的有用入口。
Ready Jurist One: Benchmarking Language Agents for Legal Intelligence in Dynamic Environments（2025）提出 J1-ENVS，其中六个场景涵盖中国法律语境下的法律咨询、文书起草与司法裁判。配套框架 J1-EVAL 同时评估最终结果与程序遵从。我会将它与 LegalAgentBench 一起阅读，以考察当评估包括信息收集和角色互动时会发生什么变化。
LegalWorld（2026）考察中国民事诉讼不同阶段的较长工作流，具有持续的案件信息和长时程评估设定。

在智能体场景中，评估通常会同时考察任务成功、工具调用正确性、证据质量、中间步骤和预算使用等。

单智能体系统（待补充）

多智能体系统（MAS）

法律场景为多个智能体提供了自然的角色分工。以下是几篇近期 MAS 论文：

AgentCourt（2025）使用法庭模拟和对抗性交互，并保留经验与法律材料。
LinguaGame（2026）通过信号博弈刻画语言交互，并采用免训练的策略推断方法，与辩论和法庭模拟相关。
GARL（2026）明确研究博弈论多智能体强化学习；其法律应用通过策略性资源分配和仲裁，对争议中的法律争点进行排序。

7. 延伸阅读

Lilian Weng 的博客 是我最喜欢用来建立概念地图、再沿参考文献深入单篇论文的地方之一。就本文主题而言，我建议从 LLM Powered Autonomous Agents 和 Reward Hacking in Reinforcement Learning 开始。

我也推荐关注 Bingxiang He 的研究主页，特别是其关于 on-policy distillation（OPD） 的工作。 Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe 讨论蒸馏何时成功，以及师生模型兼容性如何影响结果。 Rethinking On-Policy Distillation of Large Language Models II: One Training Example 考察训练数据需求和学生模型 rollout 所访问的状态。