为律师构建 AI - Legora 首席技术官 Jacob Lauritzen — Latent Space

📌 One-Sentence Summary
Legora 首席技术官 Jacob Lauritzen 探讨为法律行业构建 AI 智能体,涵盖无法访问客户数据时的评估挑战、模型选择权衡、基础设施选型,以及公司从斯德哥尔摩地下室初创企业成长为估值 88 亿美元、拥有 100 名工程师的历程。
📝 Summary
本文聚焦 Legora 首席技术官 Jacob Lauritzen,讲述公司从斯德哥尔摩地下室起步、借助 ChatGPT 和瑞典法律知识,成长为估值 88 亿美元、ARR 达 1 亿美元的历程。Legora 的 AI 智能体可起草文件、审阅数千份合同,并在律师、客户与其他智能体之间协调工作。对话涵盖关键挑战:在无法访问客户数据的情况下,通过模拟强化学习环境评估智能体;在质量、成本与延迟之间权衡模型选择;以及受法律行业合规要求驱动的基础设施决策。Legora 的方法强调由法律工程师基于核心原语配置产品,由前置部署工程师处理定制集成,并始终注重在法律决策中保持人类监督。
💡 Main Points
为法律工作构建 AI 智能体
Legora 从简单的 ChatGPT + 瑞典法律原型,演变为能够起草文件、同时审阅数千份合同、并在律师、客户与其他智能体之间编排工作流的复杂智能体,在不到 18 个月内实现 1 亿美元 ARR。
无法访问客户数据时的评估
由于法律文件具有保密性,Legora 的评估团队通过强化学习环境模拟包含 10,000 份文件的数据室来重现客户工作,用于尽职调查,并依靠 100 名法律工程师组成的团队构建和维护这些评估框架。
模型选择与基础设施约束
模型能很好地处理约 60% 的法律工作,但复杂任务需要更高智能。由于法律行业的合规要求,Legora 选择 Azure 而非 AWS/GCP,并针对特定法律任务开发了后训练的开源权重模型,同时避免训练前沿模型。
法律工程师与前置部署工程师
法律工程师作为高级用户在不编写代码的情况下配置产品,而前置部署工程师则为大客户构建定制集成。Legora 根据客户需求分配这两种角色,并计划推出轮岗式 FDE 项目。
💬 Key Quotes
智能体向人提示的次数比人向智能体提示的次数还多
我们所有的安全限制都是完全确定性的
我们构建了系统,使沙箱内的代码能够安全地访问我们的数据
在公司余下的历史中,我们就只会有 20 名工程师,而且,我们会击败所有规模大得多的对手
它从大约 70% 提升到了大约 99%
📊 Article Meta
AI Screening: 88
Source: Latent.Space
Author: Basil Chatha
Category: 人工智能
Language: 英文
Read Time: 70 min
Word Count: 17286
Tags:
AI 与智能应用 , AI Agent , 技术领导力 , 创业 , SaaS
收藏了,以后慢慢研究。
看完了,收获满满,期待更多更新。
整理得太全面了,省了我不少时间。
实测过类似工具,作者说的基本属实。
思路清晰,干货满满。
赞同,实践出真知。
刚好最近在找这方面的资料,太及时了。
这篇文章分析得很透彻,收藏了!
有没有更详细的教程,期待后续。
刚好最近在找这方面的资料,太及时了。
不错不错,已加入书签。
支持作者,持续关注中。