Q1：作为FDE，你应用AI的具体场景是什么？在这个场景下遇到的具体问题长什么样？
我们服务的对象是诉讼律师团队，主要处理商事合同纠纷、公司股权争议等复杂案件。一个律师接到案件后，需要经历一个完整的长流程：理解客户需求、阅读大量案件材料、梳理事实关系、寻找法律依据、设计诉讼策略，最终形成各种法律文书。
表面上看，这是一个知识密集型行业。但深入观察后我发现，律师每天有大量时间消耗在案头工作上。
首先，案件材料规模庞大且高度非结构化。一个典型的商事诉讼案件可能包含合同、聊天记录、财务凭证、证据文件等数十种材料类型，总页数动辄上千页。律师需要逐一阅读、标注、归类，仅材料整理就可能耗费3到5个工作日。遇到涉及十几个当事人的复杂案件，光是梳理人物关系就需要两三天。
其次，法律语言的转化门槛高。当事人的原始描述往往是日常口语，律师需要将其提炼为具有法律意义的要件事实，再匹配相应的请求权基础。这个转化过程完全依赖律师个人的法律功底，新人律师和资深律师的效率差距可达3到5倍。
第三，案件信息需要持续维护。诉讼周期通常持续数月甚至一年以上，期间新的证据、争议点不断出现。律师必须持续维护对案件的完整认知，每次重新进入案件都要花费大量时间恢复记忆，回顾之前的分析脉络。
我逐渐意识到，律师的产能瓶颈不在专业判断，而在信息处理的效率。他们既是决策者，也是被案头工作困住的执行者。想要提升律师的整体办案能力，不能只让AI回答一个孤立的法律问题，需要让AI进入律师完整的工作流程，成为持续协作的伙伴。
Q2：在你参与之前，这个问题过去是怎么解决的？
过去律师行业已经有一些工具。
法律数据库（如北大法宝、威科先行）可以查询法条和判例，文档管理系统帮助律师归档文件，也有一些早期的法律问答工具尝试辅助生成简单文本。
但这些工具解决的只是“查”和“生成”两个单点动作。真实案件是持续变化的，律师需要反复回到同一个案件，补充分析、更新判断。传统法律数据库的设计逻辑是一次性查询，这与律师的实际工作节奏完全脱节。
过去的标准工作方式是这样的：律师收到案件材料后，人工阅读和整理；把自然语言描述转换成法律专业语言；通过法律数据库寻找相关依据；结合自身经验形成判断；最后输出报告、诉讼材料或策略建议。整个过程大量依赖律师个人的大脑和经验。
过去十年，律所也尝试过引入更多数字化工具，但落地效果普遍不理想。
原因有两个：第一，每个工具只解决一个单点问题，律师需要在五六个系统之间切换，案件上下文被割裂，无法形成连贯的工作流；第二，这些工具的使用门槛与律师自然的工作方式存在断层，律师需要学习特定的检索语法或操作逻辑，增加了额外负担。
最终，大部分工具沦为查法条的辅助手段，未能真正融入案件处理的完整流程。
传统方案的根本缺陷，是缺少一个能够同时理解技术和业务现场的角色，把律师真正需要的能力翻译成可落地的系统。
Q3：后来你使用AI解决这个问题的整体思路和关键步骤是什么？
第一步，是进入业务现场理解用户。
项目启动后，我没有直接设计功能，而是先进入了律师的真实工作环境。我们对律所诉讼团队的观察是一直持续进行的，因为诉讼是一件很复杂的事情，我们会从现场带回已经脱敏的各类资料回来研究。另外也会跟合伙人律师进行深度访谈调研，这样的调研频率非常高，我们从调研中知道他们想要什么，想在哪些地方省时间，哪些地方即使省了时间他们也不放心。这对我们的系统设计会很有指导意义，哪些留给人来决策，哪些让AI直接干好交付，都围绕着真实的需求进行。
我们从早上九点律师打开电脑开始，观察他们如何接收客户邮件、如何翻阅纸质案卷、如何在多个系统之间切换查找信息。我旁听了他们的案件讨论会，记录了合伙人如何拆解一个看似简单的合同纠纷，他们讨论的焦点不只在于法条本身，更在于如何从微信聊天记录中判断当事人的真实意思表示。
我会和律师深入沟通，追问一个案件从开始到结束到底经历哪些步骤，每一步需要什么交付物，这些交付物最终给谁看，什么样的结果才是真正可用的。
“交付价值”这背后我一直把握一个原则： 。AI需要生成的是一个律师能够直接使用、能够交付给客户、法院或其他专业人员的结果。
第二步，是重新拆解案件流程。
我们没有改变律师原有工作方式，而是在原流程中寻找AI能够嵌入的位置。以案件前期准备为例：以前律师需要人工通读上千页材料后手动整理案件概要，这一步AI可以辅助完成；以前律师需要人工将当事人的口语描述转换为法律语言再进行检索，这一步AI可以辅助完成；以前律师需要手动梳理证据关系、人物关系和法律关系，这一步AI也可以辅助梳理。通过这样比较细致的梳理，最终我们形成了7个标准模块和高质量的法律思维，让重复但是高价值工作可以自动化跑起来。
第三步，是设计AI和人的协作方式。
在技术方案上，我们采用了大模型与专业系统分工协作的架构。大模型负责自然语言理解、文本摘要和初步法律推理，它擅长从非结构化材料中提取关键信息，理解律师用自然语言表达的复杂需求。专业系统负责案件知识图谱的管理、法律条文的结构化检索和判例的精确匹配，确保法律引用的准确性和可追溯性。两者通过统一的案件工作空间整合，律师感知到的是一体化的协作体验。
在我们的设计中，AI负责大量信息处理、分析整理和重复性工作，专业系统承载案件上下文和知识流程，律师负责最终判断、策略选择和专业责任。
我们希望达到的状态是，律师不需要学习复杂的AI技巧或提示词工程，他只需要用自己的专业语言表达需求。比如说“基于这些案件材料，帮我分析一下下一步诉讼策略”，“帮我整理一份证据清单”，“帮我形成一份给客户看的报告”，AI负责完成背后的工作。
第四步，是根据现场反馈持续调整。
我们最初设计的入口是一个智能对话框，律师登录后可以直接向AI提问。但在现场观察了一段时间后，一个关键问题浮现：律师每次提问前，都需要向AI重新描述案件背景。一个案件的信息量巨大，律师不可能在每次对话中都完整复述。对话式交互实际上增加了律师的负担。
图1：法索AI的案件工作台
于是我们调整了设计：将产品入口从聊天窗口改为案件工作台。律师先上传案件材料，系统自动构建案件知识图谱，AI在完整理解案件上下文的基础上再与律师交互。律师不需要每次解释背景，只需要用专业语言提出具体需求。这个调整让律师的使用门槛明显降低，也让他们更快接受了AI的介入。
Q4：相比传统方式，使用AI后的实际效果如何？
AI带来的变化首先体现在效率数据上。
有一个案件涉及14个被告，按照过去的方式，一个被告对应的请求权基础分析需要2到3小时，全部整理完成需要2到3天。在AI辅助下，律师把案件材料交给系统，一个晚上就完成了原本需要几天的工作。
图2：上线两个月法索AI的用户已遍布全国多个城市
还有一个案例让我印象很深。一位律师临时接到案件，距离开庭只有3天，但案件材料超过100万字。如果完全依靠人工阅读，很可能到开庭前仍无法充分理解案件全貌。通过AI辅助，他在一天内完成了案件整体梳理，包括人物关系、法律关系和案件脉络，并进一步制定了开庭策略。材料整理效率相比纯人工方式提升了约70%。
更重要的变化发生在流程层面。但效率数据只是表层结果，
过去，律师大量时间消耗在执行工作上：阅读材料、整理信息、检索法条。现在，AI帮助律师完成这些基础工作，让律师能够把精力投入到更高价值的部分：与客户深入沟通、判断案件方向、制定策略、做最终专业决策。律师的角色从执行者向决策者转移。
长期来看，更深层的价值在于让专业能力变得可复制。过去，一个优秀律师的个人经验很难复制给团队，不同律师的经验差异导致交付质量不稳定。现在，通过AI系统，优秀律师的专业方法可以被工程化沉淀，让更多律师获得稳定的辅助能力。这是FDE工作真正的意义，既提升了单个项目的效率，又让专业能力变得可复用、可规模化。
Q5：在部署AI过程中，是否遇到了新问题或挑战？你是怎么解决的？
第一个挑战，是隐性经验的结构化。
法律行业的难点超越了知识本身。很多时候，关键在于律师如何思考：什么样的事实需要关注？如何把普通人的描述转换成法律语言？哪些法律依据真正匹配？不同证据之间如何形成逻辑关系？这些都是律师多年实践形成的隐性经验。
我们的做法是，投入大量时间和优秀律师一起工作，观察他们的思考过程，拆解他们做判断时的决策逻辑。具体来说，我们梳理了律师在案件分析中常用的思维框架，比如请求权基础分析的三层四步法、证据链构建的逻辑规则，将这些框架转化为系统可以执行的流程节点。这让AI能够按照律师的专业思考方式组织信息，超越了单纯的信息输出。
第二个挑战，是产品形态的定义。
很多AI产品的形态是一个聊天窗口，但这个形态对法律案件场景并不适用。一个案件更像一个长期项目，需要持续承载大量材料、过程记录和变化中的信息，一次对话根本装不下。
前面提到我们把产品入口从对话框改成了案件工作台，背后有一个关键的设计原则：让用户先建案，再交互。所有分析结果、策略建议、文书草稿都沉淀在案件空间里，形成可追溯的工作记录。律师不需要每次重新解释背景，AI也不需要反复重建理解。这个设计让AI从一次性工具变成了持续陪伴案件全过程的协作系统。
最后一个是用户习惯的转变。
最开始很多律师进入产品，会习惯性地找输入框，想问“我要在哪里输入问题”。因为大家已经习惯了聊天式AI。但实际使用后，他们发现：如果AI已经理解案件背景，自己不需要不断描述问题，效率反而更高。
我们的应对方式是，不强迫用户改变习惯，在用户第一次使用时就引导他先上传材料，让AI展示理解了案件背景之后能提供的价值。当律师看到AI自动生成的案件概要、自动梳理的人物关系图时，他们自然理解了先建案件再交互的逻辑。这个过程中，我们发现让用户亲眼看到价值，比任何解释都有效。
Q6：根据你的经验，我们怎么才能更好地把AI部署到实际业务中？
第一，从业务问题出发，用业务语言定义需求。
很多团队开始做AI时，会先问“我们有什么模型”“我们能调用什么能力”。但真正应该问的是：“谁会使用它”“他为什么需要它”“他的真实工作流程是什么”。不了解业务，就无法判断什么问题值得解决。不了解技术，就无法找到合适的方法。在这个项目中，如果我们一开始就从模型能力出发，可能会做出一个法律知识问答工具，但那只是解决了律师工作中极小的一环，不会真正改变律师的工作方式。
第二，进入现场，与行业专家共同定义问题。
FDE一定要进入现场。不能通过想象理解用户，必须真正观察用户怎么工作。我们与律师进行深度协同，观察他们工作状态的那段时间，会发现本来我们想象的，并不是真实被需要的。更重要的是，要和行业专家一起工作，找到真正懂业务的人。当自己不了解一个行业时，没有资格替行业定义问题。这个项目中，优秀律师的思维框架是AI系统设计的核心输入，没有他们的深度参与，系统无法做到真正有用。
第三，关注落地细节胜过关注模型能力。
AI项目成功的关键，除了技术效果之外，还有更多维度。用户是否愿意使用？流程是否自然？成本是否能够接受？结果是否真正能够交付？这些问题比模型能力本身更加重要。
图3：法索AI在第九届世界人工智能大会
FDE的价值在于连接业务、技术和用户，让AI真正进入企业流程并产生价值。AI只是手段，改变工作方式才是目的。
我认为FDE不能每接一个项目就重新定制一次。真正有价值的FDE，需要在一次次业务落地过程中，把经验抽象成可复用的方法、模块和能力，让下一个项目更加高效。这也是AI时代FDE能够规模化发展的关键。