法律 AI 赛道的热度还在上升。谷歌最近把 Gemini 的能力进一步对准法律场景推出了专用工具给合同管理、法律检索、合规审查这些细分方向带来了新的技术观察样本。对开发者来说新闻本身不是重点真正值得拆解的问题是如果要在自己的业务系统里实现类似能力需要准备什么环境、怎么设计提示词、怎么解析模型输出、怎么处理报错。下面会围绕一个最小可运行的法律 AI 原型展开包括法律问答和合同条款审查两个场景。你会看到 Gemini API 的接入方式、提示词模板的设计思路、模型参数的工程化调整以及生产落地前必须考虑的数据安全、人工复核和成本控制。代码示例只用于说明实现思路不构成正式法律意见实际项目要结合自己的数据、模型版本和合规要求调整。1. 法律 AI 不是普通问答先搞清楚场景边界与技术难点1.1 法律业务里哪些任务适合大模型处理实际进入法律 IT 项目时最常见的问题是“拿大模型做聊天窗口”。但法律业务真正高频的任务不是聊天而是有明确输入输出形态的文本处理。比较典型的任务包括法律问答用户用自然语言提问模型给出结论、法律依据和风险提示。合同审查输入合同文本输出条款风险、修改建议和审查结论。文书生成根据案情摘要生成起诉状、答辩状、律师函等初稿。案例摘要从冗长裁判文书中抽取当事人、诉求、争议焦点、裁判结果。合规检查对照业务规则检查合同、公告、宣传文案是否存在违规表述。这些任务有一个共同点输入是长文本输出要求结构稳定而且回答必须能溯源。比如合同审查用户不只想知道“这个条款有没有问题”还希望知道问题在哪一句、对应哪类风险、应该改成什么。用表格可以把任务类型、输入、输出和主要难度整理清楚任务类型典型输入典型输出主要技术难点法律问答自然语言问题结论 依据 免责声明事实性、依据准确性合同审查合同全文或条款风险条款列表 修改建议长文本处理、格式稳定文书生成案情摘要文书初稿结构规范性、事实错误风险案例摘要裁判文书结构化摘要信息抽取、关键内容遗漏合规检查业务文案违规点 对应规则规则库维护、判定一致性1.2 大模型的能力边界能快速起草但必须约束才能交付Gemini 这类大模型在处理法律文本上的能力比较明显理解自然语言、生成结构化文本、改写和摘要都很强。但法律场景对“确定性”要求很高恰好这也是大模型最容易出问题的地方。主要风险有三点。第一是幻觉。模型可能生成看起来很专业、实际并不存在的法规或条款号。这也是法律 AI 和普通客服 AI 最大的区别普通问答错了可以重答法律问答一旦把错误法条给出去责任问题会很重。第二是权威性。大模型训练数据里的法律知识有时间滞后无法代替实时法规库和案例库。生产系统必须引入检索增强或者人工复核。第三是上下文限制。完整合同经常几万字。直接把合同全文塞进一个 prompt要么超过模型上下文窗口要么费用很高要么模型在续写过程中丢失早期信息。所以“能不能用大模型做法律 AI”的答案是能但必须用工程手段把输出约束在可控范围内。常见约束方式包括严格提示词、结构化输出、分段处理、RAG 检索、人工复核流程。1.3 这里的最小闭环法律问答加合同条款审查这里不会尝试做一套完整律师系统而是搭一个最小可运行的技术原型覆盖两个核心场景以 Gemini API 为基础实现法律问答模块重点看提示词如何约束回答。实现合同条款风险审查重点看如何让模型输出固定 JSON 结构方便业务系统解析和保存。通过这个原型你可以理解 Gemini API 的基本接入、模型参数对法律输出的影响、JSON 格式的可靠性问题以及后续接入真实法律业务时需要补哪些工程能力。这里要注意原型里的回答不是正式法律意见也不应该直接用于真实合同或真实用户咨询。课程原型和生产力工具之间还差数据合规、人工复核和知识库建设这几层。2. 环境准备Gemini API 接入、模型选型与项目骨架2.1 接入 Gemini API 前先确认账号、项目和模型可用性要调用 Gemini API需要一个 Google AI Studio 或 Google Cloud 项目下创建的 API Key。不同账号的区域、项目和权限并不完全一致所以第一步不是写代码而是到官方控制台确认API Key 是否已创建并复制到本地。当前账号所在区域和项目是否可以使用 Gemini API。想用的模型 ID 是否在当前项目可见。是否开启了 billing或者免费配额足够测试。这里要注意不同模型的可用区域和免费配额可能不一样。落地前先看官方模型列表不要把一个博客或视频里的模型名当作永久可用值。模型选型主要看三件事上下文长度、响应速度、成本。选型维度说明法律场景建议上下文长度能一次处理多少 token合同全文场景优先选长上下文模型响应速度首字延迟和吞吐交互问答需要快后台批处理可以慢成本输入输出 token 单价合同分段后总 token 会明显上升要提前估算结构化输出是否支持 JSON 约束或函数调用需要稳定格式时优先考虑实际项目中法律问答可以选择速度较快的 Flash 系列模型长文档处理再按需切换更强模型。示例代码下面使用gemini-2.0-flash这个模型名但模型 ID 会随官方发布变化运行前要在 SDK 文档或控制台确认。2.2 创建项目目录和 Python 依赖建立项目目录mkdir legal-ai-demo cd legal-ai-demo python -m venv .venv source .venv/bin/activateWindows 下激活虚拟环境使用.venv\Scripts\activate。然后安装依赖pip install google-generativeai python-dotenvgoogle-generativeai是 Google Gemini API 的官方 Python SDKpython-dotenv用来读取本地环境变量。学习环境里这样安装没问题生产环境建议把依赖锁定版本具体版本要看当时 SDK 的 release 情况。目录结构建议保持简单legal-ai-demo/ ├── .env ├── .gitignore ├── requirements.txt ├── legal_assistant.py ├── contract_review.py └── sample_data/ └── sample_contract.txt2.3 配置环境变量避免 API Key 硬编码在项目根目录创建.envGEMINI_API_KEY你的_API_Key同时在.gitignore里加入.env .venv/ __pycache__/ *.pyc这一步的目的不是“多写一个文件”而是避免 API Key 被提交到 Git。密钥一旦进历史记录光删除文件还不够还要在控制台轮换密钥。实际项目中API Key 应该放在环境变量、密钥管理服务或 CI/CD 的 secret 中而不是写死在代码里。2.4 第一次调用验证 SDK 和网络链路先写一个最小脚本quick_test.pyimport os import google.generativeai as genai from dotenv import load_dotenv load_dotenv() genai.configure(api_keyos.getenv(GEMINI_API_KEY)) model genai.GenerativeModel(gemini-2.0-flash) response model.generate_content(用一句话解释什么是合同中的格式条款。) print(response.text)运行python quick_test.py如果网络、密钥、模型都正常会看到一句对格式条款的解释。如果这一步报错先不要继续往下写模块优先解决 API 层问题。常见错误会在第 6 部分单独排查。这里要特别提醒学习阶段不要直接把真实客户合同或公司内部材料发给模型。第一次验证用通用问题就可以。3. 核心代码封装一个可复用的法律问答模块3.1 提示词模板是法律 AI 最重要的工程部分很多人把大模型集成当成“调一个 API”结果输出质量很差以为是模型不行。实际上在固定业务场景里提示词模板的作用往往比模型选型更大。法律问答的提示词至少要做三件事定义角色、定义回答结构、设置输出边界。LEGAL_QA_SYSTEM_PROMPT 你是一名法律实务研究助手负责帮助用户理解基础法律概念和常见合规问题。 请严格按照以下规则回答 1. 先直接回答用户问题用 2 到 5 句话说明核心结论。 2. 如果涉及具体法律依据指出法律法规名称和对应章节如果不确定明确写“依据不明确”不要编造法条。 3. 将回答分为“结论”和“需要人工复核的点”两个部分。 4. 回答末尾必须写本回答基于通用法律知识生成不构成正式法律意见请以正式咨询意见为准。 5. 不要对具体案件的胜负结果做出绝对化判断。 这里的关键是第 2 条和第 3 条。法律场景最怕模型“一本正经地编法条”所以在提示词里强制它承认不确定性。第 3 条让模型输出更结构化方便用户区分哪些可以直接看、哪些要律师确认。3.2 实现 LegalAssistant 类接下来把提示词和模型调用封装成一个类import os import google.generativeai as genai from dotenv import load_dotenv load_dotenv() LEGAL_QA_SYSTEM_PROMPT 你是一名法律实务研究助手负责帮助用户理解基础法律概念和常见合规问题。 请严格按照以下规则回答 1. 先直接回答用户问题用 2 到 5 句话说明核心结论。 2. 如果涉及具体法律依据指出法律法规名称和对应章节如果不确定明确写“依据不明确”不要编造法条。 3. 将回答分为“结论”和“需要人工复核的点”两个部分。 4. 回答末尾必须写本回答基于通用法律知识生成不构成正式法律意见请以正式咨询意见为准。 5. 不要对具体案件的胜负结果做出绝对化 法律AI开发实战：Gemini API实现问答与合同审查
法律 AI 赛道的热度还在上升。谷歌最近把 Gemini 的能力进一步对准法律场景推出了专用工具给合同管理、法律检索、合规审查这些细分方向带来了新的技术观察样本。对开发者来说新闻本身不是重点真正值得拆解的问题是如果要在自己的业务系统里实现类似能力需要准备什么环境、怎么设计提示词、怎么解析模型输出、怎么处理报错。下面会围绕一个最小可运行的法律 AI 原型展开包括法律问答和合同条款审查两个场景。你会看到 Gemini API 的接入方式、提示词模板的设计思路、模型参数的工程化调整以及生产落地前必须考虑的数据安全、人工复核和成本控制。代码示例只用于说明实现思路不构成正式法律意见实际项目要结合自己的数据、模型版本和合规要求调整。1. 法律 AI 不是普通问答先搞清楚场景边界与技术难点1.1 法律业务里哪些任务适合大模型处理实际进入法律 IT 项目时最常见的问题是“拿大模型做聊天窗口”。但法律业务真正高频的任务不是聊天而是有明确输入输出形态的文本处理。比较典型的任务包括法律问答用户用自然语言提问模型给出结论、法律依据和风险提示。合同审查输入合同文本输出条款风险、修改建议和审查结论。文书生成根据案情摘要生成起诉状、答辩状、律师函等初稿。案例摘要从冗长裁判文书中抽取当事人、诉求、争议焦点、裁判结果。合规检查对照业务规则检查合同、公告、宣传文案是否存在违规表述。这些任务有一个共同点输入是长文本输出要求结构稳定而且回答必须能溯源。比如合同审查用户不只想知道“这个条款有没有问题”还希望知道问题在哪一句、对应哪类风险、应该改成什么。用表格可以把任务类型、输入、输出和主要难度整理清楚任务类型典型输入典型输出主要技术难点法律问答自然语言问题结论 依据 免责声明事实性、依据准确性合同审查合同全文或条款风险条款列表 修改建议长文本处理、格式稳定文书生成案情摘要文书初稿结构规范性、事实错误风险案例摘要裁判文书结构化摘要信息抽取、关键内容遗漏合规检查业务文案违规点 对应规则规则库维护、判定一致性1.2 大模型的能力边界能快速起草但必须约束才能交付Gemini 这类大模型在处理法律文本上的能力比较明显理解自然语言、生成结构化文本、改写和摘要都很强。但法律场景对“确定性”要求很高恰好这也是大模型最容易出问题的地方。主要风险有三点。第一是幻觉。模型可能生成看起来很专业、实际并不存在的法规或条款号。这也是法律 AI 和普通客服 AI 最大的区别普通问答错了可以重答法律问答一旦把错误法条给出去责任问题会很重。第二是权威性。大模型训练数据里的法律知识有时间滞后无法代替实时法规库和案例库。生产系统必须引入检索增强或者人工复核。第三是上下文限制。完整合同经常几万字。直接把合同全文塞进一个 prompt要么超过模型上下文窗口要么费用很高要么模型在续写过程中丢失早期信息。所以“能不能用大模型做法律 AI”的答案是能但必须用工程手段把输出约束在可控范围内。常见约束方式包括严格提示词、结构化输出、分段处理、RAG 检索、人工复核流程。1.3 这里的最小闭环法律问答加合同条款审查这里不会尝试做一套完整律师系统而是搭一个最小可运行的技术原型覆盖两个核心场景以 Gemini API 为基础实现法律问答模块重点看提示词如何约束回答。实现合同条款风险审查重点看如何让模型输出固定 JSON 结构方便业务系统解析和保存。通过这个原型你可以理解 Gemini API 的基本接入、模型参数对法律输出的影响、JSON 格式的可靠性问题以及后续接入真实法律业务时需要补哪些工程能力。这里要注意原型里的回答不是正式法律意见也不应该直接用于真实合同或真实用户咨询。课程原型和生产力工具之间还差数据合规、人工复核和知识库建设这几层。2. 环境准备Gemini API 接入、模型选型与项目骨架2.1 接入 Gemini API 前先确认账号、项目和模型可用性要调用 Gemini API需要一个 Google AI Studio 或 Google Cloud 项目下创建的 API Key。不同账号的区域、项目和权限并不完全一致所以第一步不是写代码而是到官方控制台确认API Key 是否已创建并复制到本地。当前账号所在区域和项目是否可以使用 Gemini API。想用的模型 ID 是否在当前项目可见。是否开启了 billing或者免费配额足够测试。这里要注意不同模型的可用区域和免费配额可能不一样。落地前先看官方模型列表不要把一个博客或视频里的模型名当作永久可用值。模型选型主要看三件事上下文长度、响应速度、成本。选型维度说明法律场景建议上下文长度能一次处理多少 token合同全文场景优先选长上下文模型响应速度首字延迟和吞吐交互问答需要快后台批处理可以慢成本输入输出 token 单价合同分段后总 token 会明显上升要提前估算结构化输出是否支持 JSON 约束或函数调用需要稳定格式时优先考虑实际项目中法律问答可以选择速度较快的 Flash 系列模型长文档处理再按需切换更强模型。示例代码下面使用gemini-2.0-flash这个模型名但模型 ID 会随官方发布变化运行前要在 SDK 文档或控制台确认。2.2 创建项目目录和 Python 依赖建立项目目录mkdir legal-ai-demo cd legal-ai-demo python -m venv .venv source .venv/bin/activateWindows 下激活虚拟环境使用.venv\Scripts\activate。然后安装依赖pip install google-generativeai python-dotenvgoogle-generativeai是 Google Gemini API 的官方 Python SDKpython-dotenv用来读取本地环境变量。学习环境里这样安装没问题生产环境建议把依赖锁定版本具体版本要看当时 SDK 的 release 情况。目录结构建议保持简单legal-ai-demo/ ├── .env ├── .gitignore ├── requirements.txt ├── legal_assistant.py ├── contract_review.py └── sample_data/ └── sample_contract.txt2.3 配置环境变量避免 API Key 硬编码在项目根目录创建.envGEMINI_API_KEY你的_API_Key同时在.gitignore里加入.env .venv/ __pycache__/ *.pyc这一步的目的不是“多写一个文件”而是避免 API Key 被提交到 Git。密钥一旦进历史记录光删除文件还不够还要在控制台轮换密钥。实际项目中API Key 应该放在环境变量、密钥管理服务或 CI/CD 的 secret 中而不是写死在代码里。2.4 第一次调用验证 SDK 和网络链路先写一个最小脚本quick_test.pyimport os import google.generativeai as genai from dotenv import load_dotenv load_dotenv() genai.configure(api_keyos.getenv(GEMINI_API_KEY)) model genai.GenerativeModel(gemini-2.0-flash) response model.generate_content(用一句话解释什么是合同中的格式条款。) print(response.text)运行python quick_test.py如果网络、密钥、模型都正常会看到一句对格式条款的解释。如果这一步报错先不要继续往下写模块优先解决 API 层问题。常见错误会在第 6 部分单独排查。这里要特别提醒学习阶段不要直接把真实客户合同或公司内部材料发给模型。第一次验证用通用问题就可以。3. 核心代码封装一个可复用的法律问答模块3.1 提示词模板是法律 AI 最重要的工程部分很多人把大模型集成当成“调一个 API”结果输出质量很差以为是模型不行。实际上在固定业务场景里提示词模板的作用往往比模型选型更大。法律问答的提示词至少要做三件事定义角色、定义回答结构、设置输出边界。LEGAL_QA_SYSTEM_PROMPT 你是一名法律实务研究助手负责帮助用户理解基础法律概念和常见合规问题。 请严格按照以下规则回答 1. 先直接回答用户问题用 2 到 5 句话说明核心结论。 2. 如果涉及具体法律依据指出法律法规名称和对应章节如果不确定明确写“依据不明确”不要编造法条。 3. 将回答分为“结论”和“需要人工复核的点”两个部分。 4. 回答末尾必须写本回答基于通用法律知识生成不构成正式法律意见请以正式咨询意见为准。 5. 不要对具体案件的胜负结果做出绝对化判断。 这里的关键是第 2 条和第 3 条。法律场景最怕模型“一本正经地编法条”所以在提示词里强制它承认不确定性。第 3 条让模型输出更结构化方便用户区分哪些可以直接看、哪些要律师确认。3.2 实现 LegalAssistant 类接下来把提示词和模型调用封装成一个类import os import google.generativeai as genai from dotenv import load_dotenv load_dotenv() LEGAL_QA_SYSTEM_PROMPT 你是一名法律实务研究助手负责帮助用户理解基础法律概念和常见合规问题。 请严格按照以下规则回答 1. 先直接回答用户问题用 2 到 5 句话说明核心结论。 2. 如果涉及具体法律依据指出法律法规名称和对应章节如果不确定明确写“依据不明确”不要编造法条。 3. 将回答分为“结论”和“需要人工复核的点”两个部分。 4. 回答末尾必须写本回答基于通用法律知识生成不构成正式法律意见请以正式咨询意见为准。 5. 不要对具体案件的胜负结果做出绝对化