在看不到数据的情况下构建法律智能体 - Legora CTO Jacob Lauritzen — Latent Space

📌 One-Sentence Summary
Legora CTO Jacob Lauritzen 解释了他们的法律 AI 智能体如何在无法访问客户数据的情况下运作,通过模拟环境、自定义测试世界和隐私优先的 Azure 基础设施来构建和评估用于合同审查、尽职调查和法律工作流自动化的智能体。
📝 Summary
本文介绍了 Legora CTO Jacob Lauritzen 的分享,讨论他们的法律 AI 智能体如何在数据私密的环境中运作——由于客户保密要求,公司无法观察智能体的行为。Legora 起步于斯德哥尔摩的一间地下室,使用 ChatGPT 和瑞典法律,如今已发展为一个帮助律师起草文件、审查数千份合同,并在律师、客户和其他智能体之间协调工作的平台。团队构建了模拟客户工作流的测试环境——类似于强化学习中的「世界」——以便在无法直接访问追踪记录的情况下评估智能体表现。他们讨论了模型选择、引用准确率的提升(从 70% 到 99%)、为保障数据隐私将所有服务运行在 Azure 上,以及法律工程师和前置部署工程师在客户入驻中的角色。对话还涉及法律实践的未来、计时收费模式,以及 AI 对初级律师和律师助理的潜在影响。
💡 Main Points
数据隐私约束驱动测试创新
由于客户数据隐私要求,Legora 无法观察智能体的追踪记录,因此他们构建了模拟客户工作流的仿真测试环境——类似于强化学习中的「世界」——以便在无法直接访问真实数据的情况下评估智能体表现。
以智能体为中心的法律工作流自动化
Legora 的智能体负责文件起草、大规模合同审查(最多可达 10,000 份合同)、尽职调查,以及律师与客户之间的协调工作,智能体本身成为交互界面,而非依赖传统 API。
引用准确率靠基础设施而非模型改动实现
Legora 在未更换模型或修改代码的情况下,将引用准确率从 70% 大幅提升至 99%,表明系统设计和评估基础设施能对智能体可靠性产生超乎寻常的影响。
隐私优先的 Azure 基础设施
将所有服务运行在 Azure 上,确保客户数据永不离开其环境,这对法律应用至关重要,也解释了 Legora 为何不使用 ElevenLabs 等第三方服务进行转录。
法律工程团队结构
Legora 同时设有法律工程师和前置部署工程师,后者专注于客户入驻,前者专注于产品开发,体现了法律 AI 产品所必需的技术与法律混合团队模式。
💬 Key Quotes
Legora 无法读取其智能体为律师所做的任何一条追踪记录
我们构建了系统,让沙盒内的代码能够安全地访问我们的数据
智能体提示人的次数比人提示智能体的次数更多
我们所有的安全限制都是完全确定性的
智能体、Tabular Review、项目,以及 Word 插件
📊 Article Meta
AI Screening: 88
Source: Latent.Space
Author: Latent.Space
Category: 人工智能
Language: 英文
Read Time: 4 min
Word Count: 858
Tags:
AI 与智能应用 , AI 安全与对齐 , AI Agent , Agent记忆 , Agent编排
作者写得真不错,学到了不少。
很有价值的分享,感谢整理。
作者写得真不错,学到了不少。
实测过类似工具,作者说的基本属实。
不错不错,已加入书签。
不错不错,已加入书签。
有没有更详细的教程,期待后续。
赞同,实践出真知。
很有价值的分享,感谢整理。
支持作者,持续关注中。
讲解得很细致,新手也能看懂。
这篇文章分析得很透彻,收藏了!