星辰实验场 · 法律 AI 基础设施观察
2026.08.17
开源四天 · 法律 AI 的加速点
插件市场、桌面端和法律 Matter 项目迅速出现，法律 AI 的开发起点正在上移。
上一篇《Codex 法律使用暴涨 108 倍，DeepSeek Harness 开源之后，律师还剩什么最值钱？》谈到了两个同时发生的变化。OpenAI 的企业数据表明，自今年 2 月以来，法律职能使用 Codex 的周活跃用户增长了 108 倍；DeepSeek 随后开放 Agent Harness，让更多开发者拿到了一套可以直接改造的执行底座。
那篇文章的重点落在法律团队内部。当模型能力和 Agent 底座逐渐普及，组织之间的差距会更多地取决于专业判断能否沉淀下来，成为可以重复调用的系统能力。当时这个判断还带有推演性质，DSH 开源四天后，周围迅速出现的项目已经给出了一批更具体的信号。
我现在更关心的是法律 AI 项目从哪里开始开发。过去，一个团队想做合同审核、诉讼分析或尽调 Agent，往往要先搭模型接入、文件读写、会话保存、工具调用、权限控制和前端界面。公共 Harness 逐渐成熟后，开发起点会向上移动，团队从第一天就可以处理 Matter、证据状态、法律规则和文档交付。
这个变化会直接加快法律 AI 的迭代速度，也会让行业更早看清一件事：通用工程逐渐成为公共能力以后，专业资产的质量会更快暴露出来。底座节省下来的工程时间，最终会被换算成专业差异。
DeepSeek Harness 开源后，插件生态、工作台与法律组件开始汇合
四天时间，开发起点已经上移
A HIGHER STARTING POINT
DeepSeek Harness 的官方仓库创建于 8 月 13 日。截至 8 月 17 日，仓库约有 14.1 万 Star 和 1.43 万 Fork。数字显示了市场热度，周边项目的出现速度则揭示了更深的变化。
官方仓库创建约 1 小时 49 分后，dataelement/dsh-desktop 建立；约 10 分钟后，awesome-dsh-plugin/awesome-dsh-plugin 建立。到了 8 月 14 日，dsh-market 已经开始把社区插件目录直接放进 DSH 的设置页面，插件的发现、安装和管理由此进入一个普通用户也能理解的界面。
DeepSeek Harness 插件市场真实截图
图：dsh-market 的中文插件市场界面，来自项目仓库 assets/demo-zh.png。
截至 8 月 17 日，GitHub 的 dsh-plugin Topic 搜索返回 6038 个仓库。这里混有实验项目、重复仓库和借 Topic 获得曝光的内容，不能直接视为成熟插件数量。社区自己的两个口径相对保守，dsh-market 的 README 写的是 800+，dsh-desktop 已写到 900+，而且数字仍在快速变化。
比数量更有价值的是生态结构。插件目录已经覆盖 UI、模型、Memory、工具、Skills、Workflow 和 Runtime，文件树、任务看板、Diff、多会话、移动端控制以及 MCP 管理也陆续出现。dsh-desktop 负责启动本地 Harness，保存 Profile、插件和 Session，并为 macOS 与 Windows 提供桌面入口。
这些项目解决了一个开源框架早期最容易卡住的问题。开发者拿到的已经接近一个可扩展的工作环境，普通用户也不必从命令行开始。插件市场和桌面端一旦形成，社区新增能力的速度就不再完全受制于官方版本节奏。
这种生长方式来自 DSH 的架构选择。官方文档显示，模型适配器、工具注册表、Session Log 和 Agent Loop 都以插件形式存在，可以通过配置替换；基础 Profile 还提供持久化、沙箱、审批和凭据等公共能力。一个垂直 Agent 因而可以沿用现成的运行环境，把开发资源集中到自己的领域问题上。
两个法律项目同时选择了 Matter
MATTER AS THE CORE UNIT
8 月 14 日，dsh-legal-dashboard 创建。它把 DSH 的通用工作区改造成一个 Matter-aware legal workspace，为每个法律事项组织文件、任务、事项类型和设置，并覆盖诉讼、仲裁、合同审核、尽职调查与法律咨询等场景。
这个项目对 Matter 的处理很具体。工作区可以搜索文件，对 DOCX 和 PDF 建立索引，识别扫描版 PDF，并在面板内预览材料。Agent 可以创建或修订 DOCX，生成 PDF 并保存新版本；扫描材料需要传给外部视觉模型时，系统会先请求用户批准。
两天后的 dsh-legal 又往前走了一层。它把一个 Matter 中的信息拆成事实、时间线、争点、证据、法律依据、矛盾、风险、期限和下一步行动，再用稳定 ID 维持这些对象之间的关系。新的送达记录进入系统后，程序关注的是事项状态发生了哪些变化，以及原有判断为什么需要调整。
这个设计很有法律工作的味道。材料明确记载的内容、模型推断和多份材料综合形成的结论需要分开保存，“原告主张已经付款”不能在后续处理中变成“原告已经付款”。期限在规则未核验时只保留为候选结果，无法核验的法律依据继续标记为 unverifiable，高风险的对外动作也保留人工控制。
两个项目的实现路线不同，成熟度也都有限，但它们选择了同一个基本单位：Matter。法律 Agent 的工作对象开始从一次对话转向一个持续变化的事项，后来加入的文件会改变事实状态、证据强度和下一步行动。这个变化比新增一个法律问答入口重要得多，因为它决定了 Agent 能否连续工作几天甚至几周。
法律工作长期受到聊天界面的限制。对话可以保存文字，却很难稳定表示一项诉讼或交易当前处于什么状态，也很难说明某个判断为何随着新证据发生变化。Matter 模型把这些关系显式保存下来，法律 Agent 才有可能拥有持续工作的记忆。
法律工作台这条路，已经有人走了很远
THE LEGAL WORKSPACE
法律工作台早于 DSH 出现。AI Workdeck 把自己定位为面向法律和文档密集型工作的 AI 原生工作区，它的主工作区截图被 README 明确标注为真实产品界面，演示项目使用虚构数据。
AI Workdeck 法律工作台真实产品截图
图：AI Workdeck 项目工作区。项目 README 标注为真实产品截图，演示项目数据为虚构。
这张图很容易让法律人理解工作台的含义。左侧是项目文件，中间是正在处理的文档，右侧才是 Agent；AI 围绕同一个项目环境读取材料、生成内容并协助修改。README 还列出了本地 DOCX 编辑与修订、OCR、文档预览和插件扩展等能力。
LegalWork 展示了另一种更完整的产品形态。它把 OCR、脱敏、案情分析、法律检索、知识库、文书生成、Skill 引擎和桌面端放进同一套工作台，README 首页直接使用了主界面截图。项目的模块很多，各部分成熟度仍需单独评价，但法律 AI 产品需要哪些基本组件，已经可以从这些开源实践中看到较清晰的轮廓。
LegalWork 法律人工智能工作台真实截图
图：LegalWork 仓库 README 使用的主界面截图，源文件为 docs/images/legalwork-main-interface.png。
AI Workdeck 和 LegalWork 说明，法律工作台的产品经验已经积累了一段时间。DSH 带来的新变量是组合条件：当运行时、插件接口和分发方式逐渐公共化，既有工作台经验可以更快接入新的底座，开发者也能从其他项目吸收文档处理、文件组织和 Agent 交互的做法。
法律 AI 的迭代速度由此可能开始接近开发者工具生态。新想法可以先用插件验证，通用文档能力也有机会被多个场景共用。项目之间仍有协议和实现差异，但重复造完整系统的必要性已经下降。
法律 AI 已经攒下了一批专业资产
PROFESSIONAL ASSETS
过去几年，法律 AI 的积累远不止工作台。Legal-Skills-Chinese 当前收录 38 个技能，其中包括 36 个原子能力和 2 个复合能力，覆盖检索、要素处理、证据评价、法律解释、论证和文书。它把律师处理问题的方法写进可以调用的 Skill，同时把真实法条和案例留给外部数据库或 MCP 服务。
评测也开始脱离单个产品独立存在。Harvey 开源的 Legal Agent Benchmark（LAB）当前包含 1671 个任务，覆盖 24 个法律实践领域及合同工作。每个任务包含 Agent 指令、材料和评分规则，配套的 Execution Harness 可以运行 Agent、评分并比较结果。
法律数据、文档工具和 Workflow 也在形成各自的接口。它们目前还不能在不同 Harness 之间无缝迁移，工具协议、权限模型和状态格式仍需适配，但专业能力已经开始摆脱对单一聊天产品的依赖。这些资产可以独立维护，并在适配后交给不同 Agent 使用。
这会改变法律 AI 项目的投入结构。过去，一个团队需要同时建设专业层和通用工程层，任何一层做不好都会拖住产品。Harness 逐渐公共化以后，通用工程的成本有机会下降，专业团队手里的 Playbook、文档模板、风险尺度和测试样本也会更快进入可运行状态。
法律 AI 的瓶颈正在上移
THE BOTTLENECK MOVES UP
公共底座无法自动生成专业能力。一个缺少合同审核尺度、证据规则和质量标准的团队，即使安装了成熟 Harness，也只能更快搭出一个通用界面。另一个已经积累大量专业资产的团队，则可能借助同一套底座迅速完成产品化。
这正是 DSH 对法律 AI 最值得关注的影响。它会缩短从想法到可运行 Agent 的距离，也会放大不同团队专业积累的差距。过去被底层工程遮住的问题将更早暴露：Matter 应该怎样建模，法律结论怎样追溯，Word 修改怎样保持格式，期限怎样核验，什么动作必须由人批准。
上一篇讨论的是资深律师的判断能否离开个人时间，进入组织系统。这一篇看到的是运行环境开始为这些专业资产提供新的入口。法律职能对 Agent 的采用速度正在提高，开源生态又压低了构建成本，两篇文章记录的是同一条变化。
法律团队接下来需要重新盘点自己的专业资产。如果经验仍然只存在于律师脑中和项目聊天记录里，公共 Harness 带来的速度很难转化为自身优势。能够写成规则、装进 Workflow、接上数据并通过评测的部分，才会随着底座成熟获得更大杠杆。
四天不足以决定赢家，已经足以看见节奏变化
A FASTER BUILD CYCLE
DeepSeek Harness 仍处在很早的阶段，两个 DSH 法律项目也缺少广泛的真实用户验证。dsh-legal-dashboard 目前基于 @deepseek-ai/dsh 0.1.0-rc.6 测试，并提醒稳定版本前可能出现兼容性变化。快速增长的插件生态还会长期面对来源、权限和安全问题，Awesome 目录与插件市场都明确说明，收录不代表安全审查。
这些限制会影响项目最终走多远，却不会改变已经出现的开发节奏。一个开源 Harness 发布后，扩展目录、插件市场和桌面端在数小时到一天内陆续建立，法律开发者又在几天内接入 Matter 工作区与证据溯源。过去需要由单个产品团队逐层建设的东西，正在由开源生态同时推进。
接下来值得观察的重点已经很具体。真实项目能否顺利安装并跑完端到端任务，将决定这些早期尝试能否离开 README；插件治理和法律评测的结果，则会决定速度能否沉淀为可靠性。只要这条路径继续成立，法律 AI 的竞争单位就会发生变化，单个产品之外还会出现可迁移的专业组件、运行时和评测体系。
四天无法证明 DeepSeek Harness 会成为法律 AI 的主流底座，却足以提醒行业重新判断开发速度。模型之外的执行层正在开放，过去积累的法律能力也获得了新的组合机会。下一轮差距会更快落到一个朴素的问题上：谁手里已经有经得起运行和验证的专业方法。