算法与天平（2）：从对话框开始，用好你的免费大模型

国内主流免费网页版大模型速览

大模型行业迭代速度极快，版本更新、参数升级常态化，当下具体的版本参数，数月后便可能过时。

一部分律师有一个不太好的AI使用习惯，就是喜欢追新逐异，今天试用新款模型，明天更换新架构，后天追捧新兴功能。看似紧跟技术潮流，实则是一种低效的应用方式。

每一款大模型的输出风格、能力优势与缺陷短板，都与其底层架构、训练数据与技术路线密切相关。技术基因是选型的核心逻辑，频繁切换模型，意味着在反复试错，无法沉淀适配自身办案需要的手感与经验。

本文不做参数对比，仅结合本人实务使用体验（纯属个人主观感受，不代表他人意见，仅供参考讨论），提炼国内常用七款免费大模型的核心特质与适配场景，帮助大家快速建立选型认知。

DeepSeek诞生于量化私募技术体系，核心研发目标是搭建高性能AGI基础设施，极致追求长链推理能力与低成本运行效率。其底层采用MoE混合专家架构与MLA多头潜在注意力机制，依托数万亿Token的海量训练数据，金融逻辑、数理推演、代码推理类数据占比极高，技术底色偏向严谨、精密的逻辑运算。

映射到法律实务场景中，这一技术基因让它成为免费模型中复杂案件研判的核心主力。面对多层级法律关系拆解、多维度争议焦点分析、疑难案件逻辑推演，它的推理链条完整、逻辑闭环扎实，不易出现逻辑断层。

但其短板同样由技术基因决定：MLA注意力机制在超长文本的细节留存上存在局限，处理几十万字的完整卷宗时，容易出现细节遗漏、事实断片的问题；同时，作为概率模型，依旧无法规避AI幻觉的固有缺陷。

通义千问是阿里云达摩院打造的MaaS模型基建，同样搭载MoE混合专家架构，官方披露的预训练语料超2.4万亿Token，它的核心优势是中文语境的全覆盖、兼容多语言体系，同时具备文本、图像、音视频多模态能力，深度适配阿里云、钉钉等办公生态。

落地到律师办案中，其核心长板是长文本承载力与多模态适配能力，面对整本卷宗梳理、批量合同比对、扫描件PDF解析等典型工作，适配度极高，能高效完成基础素材整合工作。

但全能属性的背后是深度不足的短板：MoE架构在面对疑难法律问题深度论证时，专家路由也存在精度不足，同时它的逻辑穿透力、推理严密性应当是稍逊于专攻推理的DeepSeek。

智谱清言源自清华KEG认知智能实验室，走专业化认知智能路线，自研GLM自回归填空架构，融合GPT生成逻辑与BERT双向理解优势，双向文本解析能力突出。其训练语料收录海量法学教科书、学术论文、法律法规与裁判文书，内置专业法律知识图谱与原生智能体能力。

对应法律实务，它的核心优势是长、难法律文本、复杂法律文件的结构化拆解，我最喜欢它的一点是，它的输出风格严谨克制、贴合法律人的专业范式，法律问答、常规逻辑推演稳定性极强，极少出现离谱偏差。

它的短板在于超长文本处理上限不足，面对200万上下文级别的超大全卷宗解析，它的内容留存能力弱于专攻长文本的Kimi模型，也不如DeepSeek。

Kimi由月之暗面研发，自上线以来，主打的核心能力就是超长文本处理能力，有利于梳理海量材料。依托分层注意力机制、动态记忆网络与原生RAG检索增强技术，根据其自身宣传，它能够实现200万上下文级别（与之对应的，DeepSeek最新的V4网页版最高支持100万上下文）的无损文本理解与精准检索，专门优化长文档、批量合同、代码库等大素材场景。

在律师办案中，它也许是长文本细节筛查的最优解。几十万字的案卷材料、批量交易合同、完整庭审笔录导入后，仍然可有效抓取违约金条款、付款节点、争议事实、程序瑕疵等核心细节。

但垂直专精的代价是能力偏科，相对缺乏深度逻辑推演能力，面对复杂案件的多层法律关系博弈、疑难争议焦点论证，推理链条松散、穿透力不足，无法承担核心研判工作。

另外需要注意的是，免费版Kimi存在对话次数、文件上传额度限制，高频批量使用会受到一定约束。

豆包是字节跳动旗下AI工具，依托字节跳动云雀大模型，采用动态稀疏注意力与MoE架构，训练语料依托短视频、资讯等海量互联网生态内容，具备极强的时效性和口语化特征，交互响应速度极快，移动端适配体验优异。

它的UI交互流畅，语音输入、多轮对话体验友好，适合碎片化时间快速处理轻量任务。比如快速解读法条释义、将客户口语化陈述转化为规范书面表述、编辑简单工作函与回复文本等，响应速度快、实用性强。

短板同样明显，面对复杂案件论证、深度法律研判、疑难问题分析时，输出内容缺乏深度与严谨度，建议主要作为快速参考和创意工具（豆包P图也很好用）。

另，本文在撰写过程中，传出豆包将于2026年6月下旬全面开启收费模式的消息，请大家随时注意关注变化。

文心一言基于百度ERNIE知识增强架构打造，核心壁垒是5500亿级事实知识图谱与万亿级实时网页检索能力，实现“知识图谱+实时搜索”双轮驱动，可快速捕捉全网最新法规、地方细则与裁判动态。在DeepSeek横空出世前的闭源时代，它一度是我付费使用的主力模型。

在法律实务中，它具备三大优势：一是检索覆盖度远超其他模型；二是新规修订的时效性捕捉能力突出；三是中文的文本润色适配能力比较好。

短板同样明显：复杂法律关系的逻辑推演严密性不足，说理松散、论证碎片化，无法支撑疑难案件的体系化研判。

WPS灵犀当前处于限时免费阶段，它的核心竞争力在于深度嵌入律师办公场景。其底层实际是接入的主流国产大模型（曾一度明确是DeepSeek），同时自研专属文档解析RAG系统与办公知识库，重点能力聚焦于文档处理、信息检索、内容生成和智能办公场景。

落地实务中，它彻底解决了传统AI生成内容还需要再次进行Word端适配的痛点，合同撰写、文书润色、格式排版、公文规整等工作无缝衔接，完全贴合律师日常办公流程，是极致高效的办公辅助工具，非常好用。

但其核心短板是复杂案件研判、疑难法律分析需要依托外接模型，作为法律研究与案件研判的核心引擎可能存在问题。

选择策略：优先落地，适度取舍

七款模型各有优劣，作为使用者我们无需过度纠结极致选型，尽快落地使用远比纠结选型更重要。从我的长期实务经验来看，频繁更换模型只会耗费大量试错成本。成熟的法律人AI协作体系，一定是基于技术基因的固定阵型+长期磨合。

通常来说，复杂案件逻辑研判、疑难争议分析交由DeepSeek或智谱清言；文书润色、格式规整、办公事务依托WPS灵犀；超长卷宗、批量合同梳理交叉使用Kimi、通义千问、DeepSeek V4；新规速查、地方规范检索、文本润色考虑文心一言；碎片化、快速使用、创意工作使用豆包。

打磨固定一套常用阵型，你才能精准掌握每款模型的能力边界、误差区间与幻觉高发场景，摸清它的逻辑能力与细节，让AI变成自己办案的稳定助手。

对话框交互的底层逻辑

确定工具组合之后，核心问题就变成了如何通过对话框，拿到稳定、高质量、符合我们律师需要的AI输出结果。

有些律师基于此前长期使用百度、威科先行的经验，在大模型使用上也习惯于采取关键词组合或简短输入指令的用法，输出结果往往不佳。

结合第一篇文章的原理，我们知道LLM的核心是NextToken概率生成，它不会主动检索匹配关键词，而是基于训练数据与输入信息，推演生成概率最优文本。用好工具的核心，是通过合理指令激活模型的推理能力，把律师工作思维逻辑内化成AI的Prompt逻辑，尽量压缩大模型的概率发散空间。

结合法律AI通用的底层交互逻辑与一线办案经验，我总结了一套定调、喂料、划界、收口、打磨的五维体系。

很多律师虽然知道发问的时候要设置角色，但指令过于简单。例如仅仅设置“你是资深律师”的通用人设，没有细分业务领域、没有明确适用法域、没有代理立场和执业约束。这种空泛指令设定，仍然会让模型有概率套用通用训练数据，输出内容在通识文案与专业分析间反复摇摆，脱离实务办案需求。

真正专业的定调，核心是双重锁定：一是锁定垂直执业角色，精准匹配业务赛道、实务经验与办案风格；二是锁定专属法域边界，明确适用的现行有效法律与管辖司法范围。

定调的核心价值，是为模型划定清晰的角色定位与法律边界，统一输出的专业调性，尽量杜绝跨域出错、泛化无效的问题。

上面提到的7个大模型都储备了通用法律常识、标准法条模板与基础案例资源。但它们都无法自主获取、精准感知你的个案信息。案件的交易背景、当事人立场、核心细节等独家情境，仍然是模型的信息盲区。

因此，补充案件背景远比设计复杂的角色设定更重要。从LLM运行逻辑来看，律师投喂的个案情境越完整、事实细节越精准、交易条件越清晰，个案专属内容占据的有效Token权重就越高，模型基于个案事实精准推演的概率就越大，就能更加有效地规避凭空编造的问题，输出贴合实务需求的内容。

LLM的短板从来不是通用法律知识，而是无法知晓用户的专属案件事实。仅下达任务而不投喂完整情境，模型就只能依托通识数据推演，最终产出的结论就有可能脱离个案实际。

概率生成模型天生偏好泛化输出，开放式的指令会进一步放大模型的概率发散特性。具象化封闭式任务，本质是给模型的生算力设置好执行终端。

律师办案的专业思维必须同步传递给AI，精准告知模型具体执行事项、核心攻坚重点、需要规避的无效输出、最终成果需要达成的实务标准，让模型生成尽量围绕核心需求展开，减少无效算力消耗。

日常可以直接复用的标准化指令示例：压缩篇幅、保留核心结论、剔除冗余法理、通俗化解读、提炼争议焦点等。做一些简单的标准限定，就能大幅提升输出精准度，贴合法律分析“求精不求全”的核心要求。

受概率生成机制影响，大模型普遍存在“凑字数、堆冗余、叠套话”的原生本能。但律师实务输出有着严格的场景区分：对外司法文书要求严谨规范、贴合司法范式；客户沟通文稿要求通俗直白、重点突出；内部办案备忘要求极简精炼、聚焦风险核心。

指令收口的核心，是固定输出格式、匹配受众需求、划定内容边界，通过场景化的要求，尽量屏蔽无效、冗余内容，并且统一该场景下的输出标准。

一般来说，稍微复杂一些的工作，基本上是无法通过单次指令获得良好结果的，这也是律师使用AI协助分析的高频误区。

我们在同一个对话窗口内，应当逐次要求大模型针对首轮输出的各种问题进行精准修正。律师在这一阶段可以继续补充遗漏案件事实、要求修正论证逻辑、精简表述、调整风格、优化策略导向等，通过三到四轮的迭代，得到的回答质量会远高于初次结果。

这一阶段的指令优化逻辑包含两大核心：

还记得我们上一篇文章给大家科普的大模型上下文窗口的知识吗？打磨就是利用了大模型上下文窗口的记忆功能，不断迭代，最终得出较为满意的输出结果。

将办案需求嵌入大模型逻辑推理

掌握模型属性与对话体系后，核心落脚点是实务落地。律师使用AI的核心价值，不应该只着眼于简单的法条检索，而是需要将AI深度嵌入案件解构、规则锚定、攻防推演、文本重塑、合规比对等高级场景。

一个案子的材料打包发过来，海量聊天记录、交易流水、往来函件、碎片化证据杂乱无序，人工梳理颇为不易，也是年轻律师工作中的效率黑洞。大模型的长文本提取、结构化梳理能力，可以一定程度上来弥补我们时间不足的短板。

我们可以使用Kimi、通义千问等长文本模型，导入脱敏后的案件主要材料，指令模型完成下列结构化工作：归纳摘要每项证据的主要内容、按时间轴线输出案件事件流、提取关键节点对应的核心证据片段、标注事实与证据矛盾点等等。

我在这一场景常用的技巧是，要求大模型强制对每一项事实、每一处总结均标注原始材料中的出处。这一机制能强制模型收敛幻觉，避免归纳过程中编造事实、篡改细节，同时为律师的人工复核提供索引。

这里必须要强调的一点是，律师不能因为AI对材料做了基本的梳理，就放弃对材料的细致审阅。AI给了我们一个思维的框架，但我们仍有必要对每一份重要证据逐字逐句地进行阅读和判断，魔鬼往往藏在细节里！

面对疑难、新类型案件，律师需要快速搭建专业知识体系、梳理裁判规则。由于模型预训练数据存在滞后性、片面性，此时最危险的操作，就是让AI直接输出并采信它的结论。

正确的操作方法是，让AI只做基础检索、知识梳理。我们可以指令模型梳理完整法规层级（法律、司法解释、地方指引、行业规范），归纳争议焦点的主流裁判观点与少数抗辩思路，同步输出精准检索关键词。如需联网检索，必须开启研究模式（下一节会专门介绍）。

必须要明确的是，AI输出的结果仍然只是一个草稿。模型负责绘制检索框架、梳理知识脉络，律师负责逐一核实、落地确认。

律师办案最大的思维陷阱，是陷入自我逻辑闭环，只聚焦己方观点与优势，忽视对方抗辩思路与法官庭审质疑要点，最终导致预判失误。大模型此时完全可以充当我们的假想敌，完成红蓝攻防演练。

我们可以指令模型代入双方视角，甚至是包括裁判者在内的三方视角，基于现有证据与案件事实，分别归纳、推演我方、对方、裁判者的抗辩逻辑、程序选择、核心观点。这里需要同样按照五维体系来设定比较详细的蓝军人设，杜绝模型输出无参考价值的平庸内容。

文书润色是AI最高频的应用场景，但多数律师仅停留在“语句通顺优化”的浅层使用。AI文本重塑的核心价值，是基于受众差异进行风格的精准适配。同一个材料，面向客户的沟通文本需通俗直白、管理预期；面向法院的需释法明确、逻辑严密；内部办案备忘则需极简精炼、聚焦风险。

我们可以依托AI实现一键文风切换，以便适配不同实务场景。例如，在完成了一个30页+的代理意见初稿之后，我们可以要求大模型凝练、归纳主要观点，并仿照国企内部行文风格（此处可提供内部汇报模板给大模型做参考）生成内部汇报材料，以便向当事人做简短汇报。

新旧法规对比、合同修改前后的审查，这些工作人工逐行比对耗时长、效率低，还容易遗漏。借助大模型可实现标准化、批量式对比筛查。

举个实操例子：我们可以将某个法律的新旧法条原文作为审查物料投喂给模型，指令模型逐条比对目标文本，以表格形式清晰罗列差异点。在这里，我们提供的审查物料必须准确，我们提出的比对要求也必须有明确的约束与合规标准，模糊的原则性要求，只会催生模糊、无效的审查结果。

深度研究：解锁免费模型的高级能力

国内主流大模型都已经陆续上线了深度研究功能，只是叫法不同而已：DeepSeek叫做“深度思考”、WPS灵犀叫做“专家模式”、豆包叫做“深入研究”等。深度研究模式与普通对话模式是两种完全不同的运行逻辑，本质是从“纯概率生成”向“类Agent自主工作流”的跨越，也是律师使用免费大模型进行高阶AI协作的核心突破口。

普通对话模式下，大模型严格遵循NextToken预测机制，依托预训练固化的数据知识来生成内容，没有自主思考、检索校验、任务拆解过程，同时大模型的知识库存在明确的时间限制，对于最新的知识内容极易产生幻觉。

研究模式是初级Agent能力的落地，融合了思维链（CoT）与检索增强生成（RAG）双重机制。面对复杂的法律研究任务，模型不会一步到位从既有知识库中输出答案，而是先自主拆解核心问题、拆分多层子任务，再自主调用搜索工具、精读网页知识、交叉验证信息，最后整合有效内容、剔除无效信息，生成体系化成果。

简单来说：普通模式是“凭记忆答题”，研究模式是“查资料、做验证、写报告”，是真正适配法律研究的工作逻辑。

看到这里，你会发现，启用深度研究模式的大模型，实际上就是遵循了我前面提到的链式推理+迭代原理，再加上使用工具的能力，模拟人类律师的思维与研究工作流程，从问题定义、资料检索、交叉验证到结论输出，形成闭环研究路径。

即便是启用了大模型的深度研究模式，仍然需要律师按照五维体系来全程把控方向，才能最大化发挥深度研究模式的价值。

深度研究模式的核心价值在于，它能够将律师原本需要数小时的研究和资料整合工作，压缩到5-20分钟左右内完成；而且它的输出效果十分接近甚至超越一般实习生/初级律师的研究成果，能够作为资深律师后续工作的参考基础。

但另一方面，深度研究模式的幻觉也具备更强欺骗性，即使是一个虚假内容，它也能像模像样的做到体系完整、格式规范、引用详实，这种高阶幻觉对律师的杀伤力远超普通幻觉。对抗高阶幻觉的唯一方式，是强制模型推理过程白盒化、信息溯源公开化，建立风控标准。

我在日常使用大模型的时候，除了严格遵循五维体系，我还会进一步要求大模型必须从权威网站获取资料，并进行复核、溯源。提示词示例如下：

这套纪律的核心价值，是将AI从随性生成的概率机器，倒逼为可溯源、可核验、可复盘的小助理，尽量预防高阶幻觉风险。

网页版大模型律师标准工作流

律师同仁可以先遵循下面这套标准化工作流，待熟悉大模型的操作和风格之后，再根据自身业务场景进行优化调整：

一是数据全面脱敏：当事人姓名、企业名称、身份证号、银行账户、具体交易金额、涉密案情等，一律替换为代号，彻底消除可识别信息。

二是输入文本整理：扫描件PDF需要先进行OCR识别，确保文本可被模型解析；超长的卷宗建议按章节拆分，以便适配免费模型的上下文窗口限制；

三是核心指令提炼：梳理出案件时间线、争议焦点、客户立场等分析的核心指令诉求，避免反复描述、反复投喂。

这一阶段，我们基于场景需要，选用已经磨练好的固定模型组合，要尽量减少临时试错、不进行频繁的工具切换，同时要注意保障上下文连贯、记忆完整。

严格按照五维体系向大模型发送分析指令；针对复杂的任务，我们要坚持在同一窗口进行多轮迭代，先搭框架、再填内容、最后精修细节。

这一阶段我们把最耗时间的环节交给模型来处理，从而让律师专注于真正有价值的专业判断。AI负责产出结构化草稿素材，但我们绝不能直接把它的产出作为最终成果使用，仍然需要我们对其进行进一步核验。

AI的输出结论必须进行人工核验。首先要核查法条、司法解释、案例、裁判观点的真实性，删除虚构内容；其次要修正推理断层、论证松散、事实混淆等问题，确保逻辑闭环；最后还需要我们根据实务经验来人工补充AI输出结论没有覆盖到的实务要点。

这一阶段我们可以再次使用AI能力，对初稿进行修改、润色并检查有无文字错、漏；最后再次经过人工的审查、修改、定稿，输出法律文书、备忘录、分析报告等最终成果。

实务使用必须坚守的底线

上篇我们从技术层面拆解了大模型幻觉的生成逻辑，这是概率生成机制的必然结果，无法彻底消除。落地到法律执业场景，必须坚守四条底线，规避执业风险。

必须始终厘清AI的工具属性和使用边界。AI生成的所有内容都不具备法律效力，只能作为律师的参考素材。律师不经审核直接对外使用AI结果，是用个人执业声誉为AI可能的错误买单。

我一再重申，AI不能替代律师的专业判断。关于案件研判、诉讼策略、风险把控、正式法律意见等核心执业活动，直接关系当事人权益与执业合规底线，必须由承办律师主导完成。

这是不可突破的铁律。无论AI输出的法条序号、案例案号、裁判观点多么规范完整，都必须逐一核验。国外已有律师因引用AI编造的虚假案例、条文被行业处罚的真实案例，执业风险切实存在。

实务中有一个反逻辑的直观判断规律：AI输出的条文、案例信息过于精细规整时，虚假概率反而更高。模型为提升内容可信度，常会编造格式标准、内容完整的虚假依据，而真实训练素材的输出往往相对宽泛。律师需要依托威科先行、裁判文书网、北大法宝和自身专业经验完成核验，规避错误结论。

免费大模型的隐私政策并不统一，部分平台会收集用户输入内容用于模型迭代与训练。律师直接将未经脱敏的案件材料、当事人信息、交易细节上传给大模型并进行分析，可能存在信息泄露风险。

建议在使用免费大模型之前，将当事人、企业名称统一替换为代号，身份证号、银行账户、交易金额等敏感信息全部隐匿或替换。涉密、涉隐私的高敏感案件，不要使用公共免费模型，可选用本地部署的私有化模型工具，规避合规风险。

我目前的解决方案就是在本地服务器上，利用私有化部署的Qwen3.6 35B模型进行初步分析。复杂材料则利用本地模型先实现智能脱敏，脱敏后的法律文件再使用性能更强的大模型进行进一步处理。详见下图：

持续磨练无AI辅助的执业能力

过度的工具依赖会弱化律师个人案件研判、逻辑论证、文书撰写等专业能力。律师在使用AI提升效率的同时，必须不断磨炼和提升自身的执业能力。

我们要习惯于脱离AI工具独立完成文书撰写、案件分析、法律研究。拥抱工具但不依赖工具，始终保持高度专业的职业能力，仍然是AI时代律师的立身之本。

优质的人机协作，不在于掌握多少零散的提示词技巧，而在于清晰界定人与工具的分工：明确自身需求、掌控核心判断、守住执业底线。核心结论可以归纳为一句话，那就是大模型的使用上限，由使用者的指令质量决定，而指令质量的核心，是律师自身的专业判断力。

本文讲解的，是最基础的“裸对话”交互模式，属于单向问答式人机协作。回顾上篇的技术架构，免费大模型对话Prompt之上还有Agent、RAG等高阶能力。下一篇，我们将逐步开始探索这些高阶应用能力。