01

什么是法律Skills？

当你把一项工作交接给新同事时，有哪些必备的交接要素？通常认为会有：标准作业流程 + 常用模板 + 注意事项 + 关键资源。Skill（技能）就是这个概念，只不过接收方不是新同事，而是AI。

2025年10月，Anthropic正式推出了Claude Skills。简单来说，它把“如何完成某类任务”的指令、操作步骤、脚本和模板打包进一个文件夹，AI在判断任务匹配时就会自动加载使用。每个Skill的核心为SKILL.md文件，包含了技能的名字、作用、触发情形、输出模板等核心要素。

相比于提示词工程，Skill在五个关键层面具有明显进步。

第一，结果的稳定性和可重复能力。提示词即使表述存在细微差异，人工智能的输出也可能不同，而法律技能将分析流程固化为标准化执行步骤，每次按照同样路径运行，保证输出一致性，避免提示词泛滥导致的混乱。

第二，效率和成本的优化。提示词方式下人工智能每次需要处理大量上下文，消耗较多令牌，成本较高；法律技能采用按需加载机制，仅在需要时载入完整指令与资源，显著减少令牌浪费，在复杂任务中效率提升尤为突出。

第三，可维护性和可复用能力。提示词的维护零散且难以追踪，而法律技能可以像管理代码一样进行版本控制、审核与迭代，便于团队共享和复用，降低反复调试提示词的工作量。

第四，多重技能的串联执行能力。复杂的法律任务如尽职调查报告往往需要信息提取、风险识别、条款对比和格式化输出等多个环节，提示词难以一次性覆盖全部流程，法律技能天然支持多技能串联，逐步调用不同能力模块完成完整任务。

第五，跨平台的可移植能力。随着相关开放标准的发布，为一个平台开发的法律技能可以迁移到其他支持同一标准的平台运行，而提示词往往依赖特定模型的输出特性，更换模型后效果可能下降。

02法律Skills的核心特点

法律skills具有高效性、可迭代定制性、自然语言可定义性、专业数据库可集成性的特点。具体内涵如下：

法律Skills的核心特点

01高效性

法律Skill通过渐进式披露（Progressive Disclosure）的按需加载机制，实现上下文窗口的精准利用和端到端任务流的自动化串联，从而降低token消耗、缩短响应延迟并提升单位时间内的任务处理量。

02可迭代定制性

法律Skill支持使用者根据实际业务反馈，持续修改、优化和版本更新Skill中的流程步骤、判断标准、输出格式等内容，使Skill能够渐进式地契合个人或团队特有的作业习惯与业务偏好。

03自然语言可定义性

法律Skill的核心配置文件SKILL.md完全可以使用日常自然语言编写，无需掌握任何编程语言。

04专业数据库可集成性

法律Skill支持通过API接口连接外部的得理法搜法律数据库，在任务执行过程中实时调用法规原文、裁判文书等结构化数据，而非依赖大语言模型内部记忆生成内容。

03

为什么法律工作特别适合通过法律Skill路径解决？

法律职业具有高度的专业性与规范性，同时面临效率压力、个体差异、技术门槛与数据真实性等多重挑战。法律Skill的四个核心技术特性从机制层面回应了法律工作的刚性需求。

01

高效性

契合法律工作的高频重复与时效要求

法律实务中存在大量高重复性、高结构化的任务。这些任务包括案例检索与法规比对、合同条款逐项审查、诉讼文书格式调整、证据材料分类整理等。传统工作模式下，律师需要手动完成这些任务，且每次处理都需重新启动相似的步骤序列。与此同时，客户对响应速度的要求持续提升，时效压力与事务性负担之间的矛盾日益突出。

法律Skill的按需加载机制与端到端自动化串联能力直接解决这一矛盾。按需加载机制使AI在执行法律任务时仅载入当前所需的指令与资源，无需在每次会话中重复加载冗长的提示词或上下文信息，从而降低单次请求的token消耗与响应延迟。端到端自动化串联能力将一个完整法律任务涉及的多个子步骤封装为一次性执行的工作流。律师发出指令后，AI按照预设路径自主完成中间环节，无需人工逐项干预。这使得律师从事务性重复劳动中抽身，将专业精力集中于策略判断与客户沟通等不可替代的工作。

https://mp.weixin.qq.com/s/3mD9R_rv9ozXj0xk755a4A

01

Legal Skills 是什么？

过去我们使用法律AI，往往依赖提示词：请你扮演律师，请你分析案件，请你检索法条，请你生成法律意见。有时候即使我们已经接入了案例库和法规库，问题也并不会自然解决。因为我们不仅需要大模型具有法律知识，还要教会大模型以法律人的方式来调用这些知识。

例如，遇到侵权损害赔偿纠纷，我们需要先和当事人的交谈了解案件情况，然后整理好笔录和关键信息，继续整理证据目录，再撰写法律意见书，检索规范依据，分析抗辩事由、责任承担方式和损害赔偿范围。

Legal Skills的功能在于拆解每一个部分，形成模型的能力单元。一个 Skill可以只做一件事：提取事实、识别争点、检索法条、核验规范效力、完成类比推理、评价证据三性、构建论证链条、生成文书摘要。Legal Skills既可以单独使用，也可以组合成更复杂的法律智能体工作流：它让大模型不只是连接案例库、法规库，而是知道在什么场景下调用什么能力、按照什么步骤处理材料、以什么格式输出结果、在哪些地方提示人工审查。

更进一步说，Legal Skills能够使AI成为一个按照固定流程办案的小助手：需要检索时调用检索技能，需要解释时调用解释技能，需要论证时调用论证技能，需要生成文书时调用文书技能，需要人工介入的地方给出提示。

02

我们的优势是什么？

首先，面向中国法律场景。Claude以英美法系的知识和任务为核心，构建Claude-for-legal skills体系，助力AI提供法律文本分析、合同审查、合规性研究等。但是，在中国法体系下，法律专业从事者工作时援引的案例法条、法律推理逻辑都和美国法体系不同，例如：演绎推理和归纳推理的区别在哪？中国法法条体系该如何分层次检索？Legal-Skill-Chinese正是以这些中国法的特点为核心，立足真实的中国法律实践任务，把中国法律人的推理方法和实务经验，写成AI可以调用的技能，力求满足中国法的真实推理方式和实务需求。

其次，分层法律推理体系。目前开源的legal skills set更接近工具集合，例如 PDF 转 Word、文本提取、简单法条检索等。Legal-Skills-Chinese在此基础上更进一步关注法律推理本身：如何从案件材料中提取法律事实，如何识别争议焦点，如何检索并核验规范依据，如何评价证据证明力，如何展开体系解释、目的解释、演绎推理和类比推理，如何组织法律论证等。

项目进一步将技能区分为原子能力和复合能力。原子能力负责具体的部分，例如案例检索、要素提取、体系解释、演绎推理、证据评价、术语规范等；复合能力则负责调度多个原子能力，完成复杂任务，例如判决预测和裁判文书生成。一个典型的复合流程可以概括为：事实要素提取 → 概念理解 → 争议识别 → 法条检索 → 案例检索 → 演绎推理 → 格式适用 → 术语规范。

再次，由法律专业人员手写并验证。尝试把法律人的方法经验，转化为智能体基础设施。一个合格的 Legal Skill，不仅要说明“做什么”，还要说明“什么时候触发”“适合解决什么问题”“应当按照什么步骤执行”“输出结果如何接受审查”。Legal-Skills-Chinese 中的每个SKILL.md都自带触发条件、能力边界、操作步骤、输入/输出格式等。复合能力还会明确说明自己调用了哪些原子能力，以及按照什么顺序调用。这些技能不是由模型自动生成的提示词，而是由法律专业人员逐一手写并验证，力求贴合中国法律的推理逻辑与实务规范。因此，这个项目的价值不只在于“有多少个技能”，更在于它试图让法律 AI 逐步具备“会拆解任务、会遵循方法、会提示边界、会接受审查”的专业协作能力。

03

如何使用Legal-Skills-Chinese

使用方式

STEP

1

下载技能目录，放入运行环境

首先，进入项目地址：https://github.com/THUYRan/Legal-Skills-Chinese  在项目中找到 skills/ 目录。该目录下存放了全部 38 个法律技能，每个技能都是一个独立文件夹。

这些技能可以在支持 Agent Skills 机制的环境中使用，例如 Claude Code、Claude Cowork，或其他智能体工具。

STEP

2

用自然语言提出法律任务

放入技能目录之后，用户只需要用自然语言描述任务即可。例如：

请帮我检索与本案类似的建设工程施工合同纠纷案例，

    重点关注固定总价合同中设计变更是否可以调整工程价款。

STEP

3

（可选）接入法律数据库

目前项目已验证可用的是北大法宝 MCP。配置方式是在 MCP 客户端中加入一个标准 Server：

其中，SERVICE_ID 和 YOUR_TOKEN 需要在北大法宝 MCP 控制台获取，并且只应配置在本地客户端中。

STEP

4

查看输出，人工审查

Legal-Skills-Chinese 的定位是辅助法律工作者进行分析的法律助理，输出结果可以看做初稿以待审查。

案例展示

假设用户正在处理一个建设工程施工合同纠纷案件，可以输入有关资料，并这样提出任务：

请基于以下案件材料，帮我完成建设工程施工合同纠纷的答辩准备。重点包括：

 1. 提取关键事实；

 2. 识别争议焦点；

 3. 审查隐蔽工程验收记录、变更签证单、付款记录、监理日志等证据；

 4. 分析工程款金额和违约金调整空间； 

5. 形成质证提纲和答辩思路。

模型将会：

以建设工程施工合同纠纷为例，面对复杂的案件事实，模型需要先从输入的施工合同、补充协议、付款记录、验收记录、变更签证单、监理日志等材料中提取法律事实，再将这些事实整理为合同类型、价款结算、证据风险、违约金调整等审查单元；随后识别争议焦点，例如固定总价是否仍可调整、缺章签证能否作为结算依据、验收记录签字真实性是否影响证明力、已付款金额如何核算、违约金是否明显过高；进而评价证据真实性、合法性、关联性和证明力，检索并核验建设工程合同、工程价款结算、违约金调整等规范依据，最后通过演绎推理、法律后果推导和论证链构建，形成质证提纲、工程款计算表、违约金调整意见和答辩思路以供审查。

https://mp.weixin.qq.com/s/R_Ffk0yyRbVv18_qby1kgw

一、它们处于不同的层

Legal-Skills-Chinese 是一套推理能力库。

它拆解的是"法律思维怎么运转"：要素提取、概念理解、演绎推理、论证评估……每个 skill 只做一件事，是推理链上的一个节点。

两个复合能力（判决书生成和判决预测）是把这些节点串成流水线，但流水线本身是显式定义好的，按固定的 8 步顺序走。

Claude for Legal 处于另一层。

它解决的是律师的日常工作怎么跑。

12 个插件不按推理类型分，按执业领域分：litigation-legal、commercial-legal、employment-legal，诉讼律师有诉讼律师那套，商业合同律师有商业合同律师那套。

每个插件里有 10 到 16 个 skill，覆盖这个领域从接案到出文书的完整流程。

清华版按能力类型横切：

信息检索 → 事实要素处理 → 法律解释 → 法律推理 → 论证评估 → 风险判断 → 文书管理

这条轴穿越所有法律场景。无论你在做合同审查还是刑事辩护，演绎推理都是演绎推理，证据评估都是证据评估。技能的分类依据是思维的类型，不是工作的场景。

Anthropic 版按领域纵切。每个插件是一个独立的执业世界：litigation-legal 里面有案件接入（matter-intake）、证据链梳理（chronology）、需求函起草（demand-draft）、开庭前清单（trial-prep-final）……每个技能都在"诉讼律师的日常"这个上下文里展开，不是抽象的推理步骤。

两者的隐含假设不一样。清华版假设你知道自己要做什么推理，然后去调相应的能力。Anthropic 版假设你知道自己在哪个领域，领域里的工作流自然把你引到对应的技能。

清华版的调用逻辑是串行流水线。以判决书生成为例，输入案件事实后走固定的 8 步，每两步之间有质量检查点（QC），不通过就回溯上游重来。流程里有条件分支：案子涉及共犯就激活共犯推理层，涉及未遂就激活犯罪形态推理层，但框架本身是预先固定的。

可预期是这套逻辑的好处：你知道模型走了哪几步，哪个环节出问题就在哪修。代价是场景依赖强。这条流水线是为"生成裁判文书"设计的，你的任务如果是"梳理一份合同的争议条款"，流水线就对不上了。

Anthropic 版的逻辑是路由分发。每个插件都有一个路由 skill，先读任务，识别是什么类型的工作，然后分发到对应的分析 skill。分析 skill 有自己的详细清单和工作流，但不强制固定顺序，围绕任务展开。

你不需要先想清楚"这是什么推理步骤"，直接扔一个任务进去，模型自己决定走哪条路。

这是两套体系差别最大的地方，也最容易被忽视。

Legal-Skills-Chinese 没有状态。每次调用从零开始，没有用户画像，没有历史记忆，没有关于你这个律师的任何积累。这是能力库的正常形态，它提供推理框架，不存储用户信息。

Claude for Legal 在每个插件里都内置了冷启动面试机制（cold-start-interview）。第一次用之前，插件会问你：你在哪里执业、主要服务什么类型的客户、你的合同审查标准条款是什么、遇到什么情况要升级给合伙人。问完后，答案写进一个配置文件，之后每次调用这个插件，都在这个画像基础上运行。

效果是什么？同样一份合同丢进去，专注互联网公司的律师和主打传统制造业的律师，会得到不同的分析重点。不是因为模型知识不同，而是因为模型知道你是谁、你的客户是谁、你的审查标准是什么。

清华版的质量检查点（QC）是逻辑层面的：法条有没有覆盖全部争议焦点？推理链有没有逻辑矛盾？量刑结论有没有超出法条规定的幅度？它在验证推理是否完整正确。

Claude for Legal 的 9 层护卫栏是责任层面的：每一条引用都标注来源（是从数据库检索到的，还是模型训练数据里的？）；发现不确定时过度标记而不是静默通过；检测到管辖范围不对时明确说明而不是套用默认框架；发送给外部前检查是否会放弃特权保护。

清华版在查推理对不对，Anthropic 版在管谁对这份输出负责。

两者不是竞争关系，是两层：推理能力（怎么想）和场景框架（怎么用）。理论上完全可以叠起来用。

一个具体的例子：Claude for Legal 的诉讼插件里有证据论证链技能，但它描述的是工作流步骤，没有具体的推理方法。如果把清华版 evidence-argument-chain 的推理逻辑——"主张→构成要件→证据→证明力评估"这套映射——填进去，这个技能的质量就会高很多。

反过来，清华版缺少的是场景编排。它有法条检索，但没有"这次分析做完，下一步是起草代理词还是先发律师函"的决策树。Anthropic 的路由机制补了这个缺口。

但目前国内还没有人把这两层系统性地拼起来。

https://mp.weixin.qq.com/s/6ELn-GEYtq4pkd8r00Cjbg

02

法律工作搭建Skill适配度“三步审查法”

在决定是否为某项法律业务开发Skill之前，建议按照以下三个步骤进行审查评估。只有三步审查全部通过的任务，才值得投入精力撰写Skill。

第一步：可重复性审查

审查该法律任务是否在工作中反复出现。具体判断标准包括：

1.该任务每月或每周是否至少出现一次；

2.每次处理时是否遵循相似的步骤和逻辑；

3.该任务是否可以脱离具体个案形成通用处理流程。

如果一项任务一年只出现一两次，或者每次处理逻辑差异极大，则不适合开发Skill。反之，合同审查、类案检索、法规比对、诉讼文书格式调整等高频任务，具备明显的可重复性，值得进入下一步审查。

第二步：流程固定性审查

审查该法律任务是否具有相对清晰的操作路径。具体判断标准包括：

1.从输入到输出是否有明确的步骤序列；

2.步骤之间的先后关系是否稳定可描述；

3.是否存在依赖律师或者法务临场判断且无法被规则化的环节。

以“提取案件事实→识别争议焦点→检索相关法条→生成初步法律意见”为例，这样的步骤序列清晰且固定，适合Skill执行。如果一项工作的核心环节高度依赖不可预测的外部变量或律师的主观权衡，例如谈判策略制定、证据真实性现场甄别，则不适合开发Skill。

第三步：可标准化展示审查

审查该法律任务是否有相对统一的输出格式或判断标准。具体判断标准包括：

1.任务的产出是否有明确的格式要求；

2.判断过程是否有可量化的规则或可参照的公式；

3.是否存在已被行业认可的标准模板或检查清单。

例如类案检索报告有固定的内容要求，劳动法费用计算有明确的计算公式，合同风险审查有标准化的风险等级划分。具备这些标准化锚点的任务，Skill的输出质量更稳定，后期审核和迭代也更方便。

03

法律Skills的两种开发模式

根据功能职责的粒度以及是否以复用为设计目标，法律Skills的开发可以采取两种不同的模式。

01

模式一

针对特定业务场景开发

第一种模式是围绕某一具体法律场景开发专项Skill，解决该场景下的特定问题。例如得理法律AI开放平台的“类案检索报告skill、案件评估报告skill”等。

定义与特点：这类Skill职责单一、边界清晰，适合高频重复的独立任务。其专注于一个明确的法律子任务，例如类案检索报告生成、劳动法费用计算、合同条款风险识别等。其优势在于针对性强，验证周期短，用户可以快速看到应用效果，并根据实际反馈持续迭代。这类Skill也方便按需调用，不需要时不会占用AI的上下文窗口。

适用场景判断：当一项法律任务满足“高频出现、流程固定、产出格式统一”三个条件时，优先考虑采用模式一。例如合同风险审查、标准文书起草、合规清单生成等。这类Skill能够快速见效，是法律从业者入门Skill开发的最佳起点。

02

模式二

构建原子能力，组合复用

第二种模式是开发最小粒度的原子能力，再通过组合调用构建复合能力来处理复杂业务。每个Skill只做一件事，但多个Skill可以自由拼接，形成灵活可变的业务流程。例如清华大学智能法治研究院发布的案例检索skill、要素提取skill、证据评价skill等。

定义与特点：原子能力指不可再细分的最小法律推理或操作单元，例如案件事实提取、争议焦点识别、法条效力核验、证据三性评价、演绎推理执行、文书格式规范等。复合能力则负责调度多个原子能力，按照特定顺序串联执行，完成端到端的复杂任务。这种分层设计的核心价值在于复用。一个原子能力Skill可以被多个复合能力调用，一次开发、多处使用。当某个原子能力需要优化时，只需修改这一个Skill，所有依赖它的复合能力自动受益。

模式二的优势：首先，原子能力可独立开发和测试，每个Skill的质量更容易保障。其次，原子能力的复用降低了重复开发成本。一个案例检索Skill可以被合同审查、尽职调查、诉讼准备等多个复合任务反复调用。最后，当法律法规更新或实务标准变化时，只需更新相应的原子能力Skill，所有依赖它的复合流程自动升级，维护成本显著降低。这种分层解耦的设计思路与法律工作中模块化拆解复杂问题的方式高度一致。

https://mp.weixin.qq.com/s/5aXR-b3Q8SkTol6m907yLg

01

从重复性最高的工作开始，不要追求大而全

想做一个「万能合同审查 Skill」，覆盖所有合同类型、所有条款风险，这是非常难，且几乎不可能。

对于每周都在重复做、耗时长、不需要太多临场法律判断的工作，可以尝试把自己的思路通过skills固定下来。

比如梳理案件时间线、整理证据清单、审查合同的常见固定条款，或者格式化整理法律文书的事实部分。

你可以问自己三个问题：
① 这件事我每周至少做一次吗？
② 做完它我需要翻阅大量材料但不太需要灵感判断吗？
③ 如果一个实习生照着模板做，结果是可预期的吗？

如果三个问题的答案都是「是」，那么这个工作就非常适合变成skills。

02

写清楚「触发条件」，让 AI 知道什么时候该用这个 Skill

写触发条件要具体。

比如「当用户上传合同时，审查合同」这就是错误写法，写得太模糊了。

可以改为「当用户上传买卖合同、货物采购合同，或提及'帮我看看这份合同“这份合同有没有风险”时，启动本技能，以乙方利益为立场，重点审查付款条件、违约责任与争议解决条款」。

触发条件越准确越具体，AI越可以自主调用。当然，现在很多软件支持直接选中skills，又变得方便了很多。

03

skills的核心是「法律判断」

这是最最最重要的一步，也是为什么大家生产出的文书质量有差异的原因。

AI本质上是工具，怎么告诉AI如何进行法律审查，背后是我们skills设置的判断。它让这个 Skill 是你的，而不是一个通用工具。

以审查合同为例，AI 本身不知道你需要审查一份合同的重点看什么。我们需要做的，就是把审查合同的检查事项，显式地写入 Skill 正文。

以买卖合同审查为例：

付款条件：账期是否合理，预付比例，回款触发条件。

货物验收：验收标准、异议期限、默示接受风险。

违约责任：违约金比例、上限封顶、免责事由。

管辖条款：仲裁vs诉讼、约定法院是否有效。

价格条款：含税与否、运费归属、调价机制。

保密条款：范围是否过宽、期限是否明确。等等。

每种类型的合同需要重点关注的条款都有差异，这里面的判断就是律师的法律功底了。

04

固定输出格式，符合个人的文书习惯

AI很容易去说很多正确的废话，如果不进行约束，它会给你一段又一段的分析，看起来没有结构，也没有重点。

在skills中明确最后输出的格式，可以约束AI输出的结果风格。

比如，还是以最常见的合同审查为例：

输出顺序：先写审查背景，再写逐项风险点，再写修改建议，最后是结论意见。

语言风格：严谨正式，符合法律文书表达习惯，避免口语化和模糊性措辞。

风险标记：高风险/中风险/低风险三级分类，每项风险附具体修改建议。

输出形式：明确是否需要生成 Word 文件，是否需要保留批注格式。

综上，一个法律skill需要包含的常见内容有：

① 元信息：给这个 Skill 起名字，写清楚它解决什么问题、适用什么场景。名字越具体越好，后面方面自己调用。

② 触发条件：告诉 AI 什么时候该用这个功能。要涵盖关键词触发（用户说了什么）和文件触发（用户上传了什么），写得越精确，误触发越少。

③ 角色与立场：明确 AI 此时扮演什么角色、站在哪一方。同一份合同，甲方律师和乙方律师的审查重点截然不同。

④ 核心判断清单：这是整个 Skill 的灵魂，也是个人法律经验和判断的载体。把你审查某类合同、处理某类事务时脑子里过的检查项，逐条写下来。清单越详细，AI 的输出越接近你想要达到的水平。

⑤ 输出格式：规定先写什么、后写什么、用什么风格、是否生成文件。不约束输出格式，AI 容易话多且散，结构不符合法律文书习惯。

⑥ 迭代备注（可选）：记录这个 Skill 的已知局限、哪些边缘场景还没覆盖、改过哪几版。这是长期维护 Skill 的重要参考。

第一版 Skill 肯定会有写不太顺手的地方，没关系，先用起来，遇到 AI 回答不对的地方，就把那个场景补充进描述里。

通常迭代 3 到 5 次之后，这个 Skill 就会非常顺手。

另外，在设置自己的skills后，可以：

可以分模块叠加 Skill。可以先做一个"合同风险点识别"Skill，再做一个"修改建议生成"Skill，二者组合使用，比试图做一个包打一切的大 Skill 效果更好，且更易维护。

建立自己的 Skill 库。长期来看，积累的 Skill 就是我们的个人资产。每个skil都是一次经验沉淀，时间长了也是和只会用通用 AI的人之间的差距。