法律行业对 AI 的态度一直很矛盾——既渴望效率提升,又对准确性、保密性和合规性极度敏感。Anthropic 这次发布的 Claude for Legal,不是又一个"通用 AI 套个法律壳"的演示项目,而是直接面向真实法律工作流的参考实现,覆盖了从企业内部法务到法学院诊所的九大场景。
覆盖哪些法律工作流
项目明确列出了以下工作流领域:
- 企业内部法务:合同审查、条款比对、风险标注
- 隐私合规:隐私政策起草、数据映射、GDPR/CCPA 合规检查
- 产品法务:产品条款、用户协议、免责声明
- 公司法务:公司治理文件、股东协议、董事会决议
- 劳动法:雇佣合同、离职协议、劳动争议分析
- 诉讼:诉状分析、证据整理、判例检索
- 监管合规:监管报告、合规审查、政策跟踪
- AI 治理:AI 使用政策、风险评估框架、内部合规指引
- 知识产权:专利分析、商标检索、侵权比对
此外还专门考虑了法学院诊所和学生的学习场景——这意味着 Anthropic 不只是瞄准付费客户,也在构建法律 AI 的教育和实践生态。
两种接入方式
Claude for Legal 提供两种使用路径:
Claude Cowork 模式——在 Anthropic 的协作界面中直接使用,适合非技术背景的法律从业者,开箱即用,无需写代码。
Claude Code 插件模式——以插件形式集成到 Claude Code(Anthropic 的开发者工具)中,适合需要定制工作流、批量处理文档、或与内部系统对接的技术团队。
这种双轨设计很务实:律所合伙人用 Cowork 模式做日常咨询,法务工程师用 Code 插件跑批量合同审查,各取所需。
实践:用 Claude Code 插件跑一个合同风险审查
下面演示如何通过 Claude Code 的插件机制,对一份合同做风险条款提取。假设你已经安装了 Claude Code CLI。
1. 安装 Claude for Legal 插件
# 在 Claude Code 中添加 Legal 插件
claude code plugins add claude-for-legal
2. 用 Python SDK 调用法律工作流
如果你更倾向于用 API 直接集成,下面是一个完整的合同风险审查脚本:
"""
合同风险条款提取脚本
依赖: anthropic SDK, pip install anthropic
运行前设置环境变量: export ANTHROPIC_API_KEY="your-key"
"""
import anthropic
import json
import sys
client = anthropic.Anthropic()
def review_contract_risks(contract_text: str) -> dict:
"""调用 Claude 对合同文本做风险条款标注"""
prompt = f"""你是一名资深企业法务。请对以下合同文本进行风险审查,输出 JSON 格式结果。
要求:
1. 识别所有对甲方不利的条款
2. 每个风险条款标注:条款原文、风险等级(high/medium/low)、风险说明、建议修改方向
3. 同时标注缺失的必要条款(如违约责任、知识产权归属等)
合同文本:
---
{contract_text}
---
请严格输出以下 JSON 结构:
{
"risk_clauses": [
{
"original_text": "...",
"risk_level": "high",
"risk_description": "...",
"suggested_fix": "..."
}
],
"missing_clauses": [
{
"clause_type": "...",
"importance": "high",
"suggested_text": "..."
}
],
"overall_risk_score": "high/medium/low",
"summary": "..."
}"""
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=4096,
messages=[{"role": "user", "content": prompt}]
)
# 从响应中提取 JSON
raw = response.content[0].text
# 尝试解析 JSON(Claude 可能包裹在 markdown code block 中)
json_str = raw.strip()
if json_str.startswith("```"):
json_str = json_str.split("\n", 1)[1].rsplit("```", 1)[0].strip()
return json.loads(json_str)
# --- 示例合同片段 ---
sample_contract = """
第二条 服务费用
乙方按月收取服务费,费用标准由乙方单方面确定并通知甲方。甲方应在收到通知后5日内支付,逾期未支付的,乙方有权暂停全部服务。
第五条 保密义务
甲方对乙方提供的技术资料负有保密义务,保密期限为合同终止后5年。乙方对甲方的商业信息不承担保密义务。
第八条 争议解决
因本合同引起的争议,提交乙方所在地仲裁委员会仲裁。
"""
if __name__ == "__main__":
# 可替换为从文件读取: contract_text = open("contract.txt").read()
result = review_contract_risks(sample_contract)
print("=" * 60)
print("合同风险审查报告")
print("=" * 60)
print(f"整体风险等级: {result['overall_risk_score']}")
print(f"概要: {result['summary']}")
print()
for i, risk in enumerate(result["risk_clauses"], 1):
print(f"[风险 {i}] 等级: {risk['risk_level']}")
print(f" 说明: {risk['risk_description']}")
print(f" 建议: {risk['suggested_fix']}")
print()
for i, missing in enumerate(result["missing_clauses"], 1):
print(f"[缺失 {i}] 类型: {missing['clause_type']} (重要度: {missing['importance']})")
print(f" 建议补充: {missing['suggested_text'][:80]}...")
print()
运行方式:
export ANTHROPIC_API_KEY="sk-ant-..."
python contract_review.py
这个脚本的核心不是"让 AI 读合同"这么笼统——而是结构化输出:每个风险条款都有等级、说明和修改建议,缺失条款也被显式标注。这正是 Claude for Legal 参考实现的设计思路:把法律审查从"问 AI 一个问题"变成"跑一个可复现的工作流"。
3. 批量处理多份合同
# 对目录下所有合同文件批量审查
for f in contracts/*.txt; do
python contract_review.py < "$f" > "reports/$(basename "$f" .txt)_report.json"
done
# 汇总高风险合同
cat reports/*_report.json | python -c "
import sys, json
reports = [json.loads(line) for line in sys.stdin if line.strip()]
high_risk = [r for r in reports if r.get('overall_risk_score') == 'high']
print(f'高风险合同: {len(high_risk)}/{len(reports)}')
for r in high_risk:
print(f' - {r.get(\"file_name\", \"unknown\")}: {r[\"summary\"][:60]}')
"
几个值得注意的设计取舍
参考实现,不是成品 SaaS。 Anthropic 把这定位为"参考实现"(reference implementation),意味着它提供的是工作流模板和最佳实践,而不是一个你直接上传合同就能出报告的终端产品。法务团队需要根据自身业务做定制——这既是灵活性,也意味着初始投入不会为零。
九大场景的覆盖深度不均。 诉讼和 IP 这类高度专业化的领域,AI 能做的更多是辅助检索和初步分析;而隐私合规、AI 治理这些规则相对明确的领域,AI 的自动化空间更大。实际落地时,别指望每个场景都达到同等质量。
保密性是硬约束。 法律文档的敏感性不言而喻。使用 Claude Code 插件模式时,文档会经过 Anthropic 的 API。如果你的组织有数据驻留要求,需要评估是否符合内部合规政策——或者考虑在本地部署的模型上复用这套工作流模板。
上手建议
- 先从低风险场景试水——隐私政策比对、AI 治理框架起草这类规则驱动型任务,AI 出错的概率低,验证成本低,适合作为第一个试点。
- 用 Cowork 模式做探索,用 Code 插件做规模化——先在 Cowork 里手动跑几轮,确认 prompt 和输出格式符合预期,再迁移到 Code 插件做批量处理。
- 始终保留人工复核环节——AI 标注的风险条款和缺失条款,必须由法务人员逐一确认。把 AI 输出当作"初筛",而不是"终审"。
- 法学院场景是低成本练兵场——如果你在法学院或诊所项目里,学生用 Claude for Legal 做模拟审查,既练了法律分析能力,也积累了 AI 辅助法务的实操经验,成本几乎为零。
Claude for Legal 的意义不在于"AI 能读合同了"——这件事两年前就能做。它的意义在于:Anthropic 开始按行业工作流而非通用能力来组织 AI 产品,并且给出了可落地的参考实现。法律行业能不能用好 AI,从来不是模型够不够强的问题,而是工作流够不够具体的问题。