9 月 17 日，OpenAI 发布了 Astra for Law。

如果只看名字，很容易把它理解成又一个“法律版大模型”：GPT-6 Astra 更懂法律了，可以做法律检索、合同分析、诉讼研究。

但仔细看完 OpenAI 公布的产品结构、合作律所和应用案例，我觉得这次发布真正值得关注的地方，远不只是模型能力的又一次提升。

OpenAI 对 Astra for Law 的定位不是一个法律聊天机器人，而是一个 “AI foundation for law”——面向法律行业的 AI 基础层。它把 GPT-6 Astra、专门的法律检索索引、法律分析与写作指令、律所自己的知识和方法、外部专业工具、Skill，以及权限和治理机制放到了一套架构里。OpenAI 还明确表示，正在对法律行业进行长期投入。Astra for Law 将首先通过 ChatGPT 和 Codex 的 Trusted Access 向部分获选律所提供，之后进入 API；包括 Harvey、Legora 在内的 API 客户将能够在它之上构建自己的产品。(OpenAI)

这件事情本身就很有信号意义。

过去几年，OpenAI 更多扮演底层模型提供商。法律科技公司使用 GPT 开发合同审核、法律检索、诉讼分析产品，律所再采购这些法律科技产品。现在，OpenAI 自己开始向上进入法律专业基础设施，而且不是做一个简单的垂直模型。

它开始碰法律检索、专业工作流、律所知识、Skill、Word、企业权限，并与律所合作设计 ethical wall（信息隔离墙）和客户指令管理。

OpenAI 开始亲自做 Legal AI 了。

当然，这并不意味着 OpenAI 要成为一家律师事务所，也不意味着它直接提供法律服务。更准确地说，它开始尝试定义：大模型时代，一套面向专业法律工作的 AI 基础设施应该长什么样。

而这张图，可能比 Astra for Law 本身更加重要。

本文分析示意：OpenAI 面向法律行业的能力结构

配图为本文分析示意，不是 OpenAI 官方架构图。

先把 Astra for Law 的结构单独拎出来看。

Astra for Law 的基本架构

本文分析示意：GPT-6 Astra、法律检索、插件与技能、律所知识及工作流的分层结构

图中分层及治理闭环是本文对 OpenAI 公布信息的整理，不代表 OpenAI 发布了同一张官方技术架构图。

最底层仍然是 GPT-6 Astra。但 OpenAI 并没有认为“模型足够强”就能够自然解决专业法律工作，而是在 Astra 之上专门增加了 Legal Search Index（法律检索索引），并配置面向法律分析和法律写作的专门指令。

OpenAI 公布的法律索引检索范围聚焦美国法，包括判例、制定法、行政法规、法院规则和行政决定，语料涉及超过 2.3 亿个 URL，每天继续增加新的来源。OpenAI 还与 Free Law Project 合作，将 CourtListener 的判例资源接入其中。(OpenAI)

这个设计非常值得注意。

法律研究的问题从来不只是模型“记不记得这条法律”。真正困难的是找到正确的 authority（权威依据）、定位真正相关的段落、判断其效力和适用关系，再把这些法律依据应用到当前案件事实中。

OpenAI 在发布页面里也专门强调了这些能力：区分法院的 holding（裁判要旨）与其他论述，寻找对自己立场不利的案件，比较事实模式，分析合同例外条款如何重新分配风险。

这已经不是普通 RAG“找到几篇材料，然后总结”。

它试图建立的是：

模型推理 + 专业法律信息源 + 法律分析方法。

OpenAI 还专门测试了这种组合到底有没有意义。

在 Vals AI Legal Research Bench 的 200 个美国法律研究问题私有验证集上，在同样使用最高推理强度的情况下，GPT-6 Astra 单独使用网页搜索时，通过总体正确性检查的比例是 38.7%；加入 Astra for Law 的完整配置后达到 54.0%，相对提升约 40%。

在以判例法为主的问题上，Astra for Law 找到的参考案件增加了 24%；在被审核的目标段落中，从正确法院判决里找到的相关段落最多增加了 54%。(OpenAI)

这里有两个方向都值得看。

一方面，同一个基础模型，仅仅因为检索系统、专业指令和上下文配置不同，法律任务表现就出现了显著差异。这至少证明，专业 AI 的能力已经不能简单等同于“基础模型能力”。

另一方面，54% 本身也说明法律研究远没有被解决。

模型已经足够强，但专业法律工作真正进入生产环境之后，剩下的问题并没有消失，而是开始暴露在系统层。

过去三年，大家讨论法律 AI，经常围绕一个问题：

GPT、Claude、Gemini，到底谁更懂法律？

这个问题当然还会继续存在。但 Astra for Law 提供了一个非常重要的参照：OpenAI 自己已经不满足于用更强的 GPT-6 Astra 来解决法律问题。

它开始在模型上继续叠加 Legal Search、法律写作和分析指令、插件、Skill、机构自己的知识和工作流。

换句话说，法律 AI 的技术栈正在逐渐分层：

基础模型 → 法律信息基础设施 → Skill → Playbook → Workflow → 机构专业判断。

越靠下面，越容易被基础设施化；越靠上面，越接近一家律所、一家公司真正独有的能力。

这也是为什么 Astra for Law 发布页面里，我最关注的并不是模型 Demo，而是 OpenAI 与几家律所一起开发的实际系统。

Sullivan & Cromwell 做了一个 agreement analyzer（协议分析系统）。它没有停留在“让 AI 看合同”，而是把律所自己的谈判 playbook 和精选历史先例带进新交易审核。系统会识别不同条款组合后产生的风险，再进一步生成建议修订文本和客户意见，最后由律师挑战、调整和确认这些结果。

Ropes & Gray 做的是交易尽调。系统不是简单读 data room 里的文件并总结，而是按照律师实际进行交易尽调的方法运行：哪些问题真正影响交易，结论来自哪份原始文件，重要客户合同是否触发通知或同意要求，都需要被追踪和判断。

Cooley 做的 GO Public 更进一步。它把 IPO 过程做成完整工作流。当交易事实发生变化时，变化还能继续影响申报文件的其他部分，再由律师统一检查这些影响。(OpenAI)

三个案例放在一起看，方向其实非常一致。

法律 AI 正在从“回答一个问题”，进入“运行一项法律工作”。

这两件事之间的差距非常大。

回答合同有没有风险，是一个模型任务；知道这家公司在什么交易背景下能接受什么风险、怎样修改、如何谈判、发生变化之后又影响到哪些其他条款，已经是一套专业系统。

Astra for Law 还有一个容易被忽略的信息。

OpenAI 同时推出了 26 个合作伙伴开发的法律插件，把 Relativity、Clio、iManage、Intapp、DeepJudge 等法律行业工具进一步接入 ChatGPT。

除此之外，还有 9 个由法律人和 legal engineers（法律工程师）建设的社区插件，其中包含 47 个 custom skills（自定义技能）。OpenAI 对这些 Skill 的表述也很有意思：法律从业者可以根据自己的实践去修改、扩展，或者以此为基础建设自己的能力。(OpenAI)

为什么模型已经这么强，OpenAI 还需要 Skill？

因为模型解决的是通用推理问题，而 Skill 解决的是另一件事情：

这一类专业任务应该怎样完成。

Prompt 更多是在告诉模型“这一次怎么做”；Skill 开始固定一类任务的方法；再往上一层，Playbook 固定的是一个组织自己的判断标准。

从 Prompt 到专业系统

比如做 DPIA，不应该只有一句“请按照 GDPR 帮我做一份 DPIA”。

真正稳定的方法需要定义材料里先提取哪些事实，哪些事实缺失会阻断评估，什么时候满足 DPIA 启动标准，固有风险和剩余风险怎样区分，计划中的缓释措施什么时候能够计入，什么情况下需要 DPO 或管理层重新决定。

合同审核也是一样。

真正的专业能力通常可以继续拆成：

事实输入 → 判断节点 → 适用规则 → 证据 → 风险边界 → 例外情况 → 下一步动作。

当这些内容能够稳定沉淀下来，它就从个人经验变成了一套可以重复运行的工作方法。

这也是为什么我越来越觉得，Skill 不是 Prompt Engineering 的另一个名字，它更接近专业知识工程的基本单元。

OpenAI 在 Astra for Law 发布页里用了一个非常值得反复看的表述：律所可以把自己的 precedents、methods and judgment——先例、方法和判断——转变成符合自身标准的 AI 工具和工作流。

这句话可能比很多产品功能都重要。

法律行业长期以来最重要的一部分资产，其实并没有存在法律数据库里。

法律数据库告诉你法律是什么，历史合同告诉你过去签过什么，但真正决定服务质量的往往是一些更难显性化的东西：

为什么这家公司在某一类交易里可以接受 12 个月责任上限，在另一类交易里不可以；为什么某个 change of control 条款在普通采购里不是重大问题，但到了融资或并购场景突然变成关键事项；为什么两个单独看起来都可以接受的条款组合到一起，会形成新的风险。

这些东西通常存在 senior lawyer（资深律师）的经验、团队习惯、历史交易、谈判记录和内部讨论里。

以前，它们很难真正进入软件系统。

Astra for Law 展示的几个律所案例，本质上就在尝试解决这个问题：把 judgment 从人的脑子里进一步抽出来，转变成机器可以参与执行的系统。

这并不意味着 AI 替代 judgment。

恰恰相反，当检索、摘要、初步识别越来越自动化，judgment 会变得更加清楚，也更加昂贵。

真正难复制的可能逐渐变成五样东西：

机构自己的上下文、被显性化的专业判断、真实业务工作流、持续评测能力，以及治理机制。

这里正好可以接上上一篇关于斯坦福 Legal Engineering Academy 的文章。

当时我讨论的是一个很容易被误解的问题：

斯坦福开始教“法律工程”，是不是意味着法律人以后都要学写代码？

如果把 Astra for Law 放到这件事情旁边再看，我觉得答案反而更加清楚。

Legal Engineering 并不是我为了描述这些变化临时创造出来的一套概念。相反，从斯坦福公布的项目规划，到 OpenAI、Harvey 这些公司的产品实践，我看到一种正在形成的共同问题意识：

法律 AI 真正困难的部分，不只是让模型拥有更多法律知识，而是如何重新组织法律工作的知识、流程、判断和治理。

斯坦福拟于 2027 年开设的 Legal Engineering Academy 是一项法律工程研修项目。它在项目介绍中，把法律工程置于法律、技术、运营、组织设计、产品思维和治理的交叉位置，强调的不是单纯教律师编程，而是 AI 时代的团队、工作流和法律服务应当怎样重新设计。

而 Astra for Law 恰好给出了技术基础设施这一侧的答案。

OpenAI 专门派出 forward-deployed engineers（前线部署工程师），和律师事务所一起把 ChatGPT Enterprise 改造成带有定制界面、专有数据连接和具体工作流的内部工具。合作律所包括 Sullivan & Cromwell、Ropes & Gray、Cooley；治理层面又与 Latham & Watkins 合作，处理 information permissions、ethical walls、client instructions 和 firm oversight。

所以把上一篇和这一篇连起来，逻辑其实是完整的。

上一篇从人的能力变化出发：

这一篇则从基础设施变化出发：

两端最后汇合到同一个问题：

怎样把一项法律工作拆成机器能够理解、执行并验证的结构。

更具体地说，就是：

Law → Facts → Rules → Evidence → Decision Logic → Workflow → Agent → Evaluation。

代码当然可能参与其中，但代码不是核心。

真正稀缺的是，有没有人能够准确理解专业工作，又能把这种专业工作表达成一个系统可以执行和验证的结构。

Astra for Law 这次自己的评测方式，本身就很有启发。

OpenAI 没有只拿 GPT-6 Astra 与其他模型比较，而是直接比较：

GPT-6 Astra + 普通网页搜索

和

GPT-6 Astra + Astra for Law 完整配置。

换句话说，它比较的是两个 system configuration（系统配置）。

而结果从 38.7% 到 54.0% 的变化，恰好说明：当基础模型不变以后，Search、Instruction 和专业上下文已经能够大幅改变任务结果。(OpenAI)

这和我过去一段时间做的几轮法律 AI 实测，其实逐渐指向了同一个问题。

前面我已经连续测试过不同层次的系统：

一轮是把同一份合同交给不同 Agent 审核，看它们如何识别风险、处理全文依赖、提出修改以及形成最终交付；

之后又进一步固定任务，比较不同合同审核 Skill，观察在底层模型相近的情况下，任务拆解、Playbook 和审核方法本身能够带来多大差异；

最近又做了 6 个公开 DPIA Skill、5 道业务题、26 次有效运行的实测。这一次关注的甚至不是“谁生成的 DPIA 报告更漂亮”，而是事实 intake、关键追问、必要性和比例性分析、风险识别、缓释措施、责任交接这些真正决定一份 DPIA 是否可以继续交付的问题。

这些实测做到后面，一个变化越来越明显：

只比较模型，已经解释不了最终结果。

真正进入生产环境以后，我们评测的对象越来越接近：

Model × Retrieval × Skill × Context × Tool × Workflow。

所以之后 Legal Benchmark 也应该逐渐从 Model Benchmark 转向 System Benchmark。

评测不应该只问“最后答案对不对”，还要继续问：

这也是为什么前面的合同 Agent 横评、合同 Skill 横评和 DPIA Skill 实测，我会继续做下去。

它们表面是在比较不同工具，实际上是在逐渐回答一个更大的问题：

这里会出现一个非常现实的问题：

如果 OpenAI 自己已经开始提供模型、法律检索、专业 Instruction、Skill、Plugin，甚至帮助律所搭工作流，那么 Harvey、Legora、CoCounsel 这些垂直法律 AI 产品还做什么？

这个问题必须正面回答。

本文分析示意：Astra for Law 基础能力与垂直法律 AI 产品工作流的分工

这张分工图是本文的分析判断，不代表 OpenAI、Harvey、Legora 或 Thomson Reuters 对产品边界的官方划分。

OpenAI 自己给出的安排其实很有意思。

它没有宣布要替代 Harvey 和 Legora。相反，OpenAI 表示，包括 Harvey 和 Legora 在内的 API 客户将能够基于 Astra for Law 开发产品；Thomson Reuters 一边和 OpenAI 合作，一边继续发展 CoCounsel；Relativity、Clio、iManage、DeepJudge 等专业产品也通过插件进入同一套生态。(OpenAI)

所以更可能发生的并不是：

基础模型公司把所有垂直法律 AI 产品全部吃掉。

而是：

基础模型公司不断把原来昂贵、稀缺的底层能力基础设施化，迫使垂直产品继续向上移动。

这一点很关键。

过去一些 Legal AI 产品的价值可能主要是：

这一层会越来越危险。

因为模型、Search、Connector、通用 Skill 都有可能逐渐成为公共能力。

但 Harvey 这类产品如果继续向上做，它解决的是另一组问题：

一个具体 Matter 的上下文怎么持续保存；一家律所的 Playbook 怎样执行；多 Agent 如何协同完成复杂审核；律师接受、修改和拒绝的意见怎样形成反馈；不同版本的底层模型如何替换而不破坏整个工作流；一个工作产品最终怎样进入律所已有的知识库、DMS、审批和交付体系。

换句话说：

这也是为什么 Harvey 最近重构合同 Playbook Review 时，重点已经不是再写几个 Prompt，而是 Multi-Agent、共享上下文、状态持续、Playbook、专业评测和工作流编排。(Harvey 技术文章)

所以 Astra for Law 出现以后，Harvey 的价值并没有自动消失，但它的价值来源发生了变化。

它不能再主要依靠：

而必须越来越依靠：

这可能也是所有垂直法律 AI 产品下一阶段最重要的一条分界线。

还有一个细节值得法律行业特别注意。

Astra for Law 并没有把安全和隐私只写在网页最后的免责声明里。

OpenAI 专门设计了 Trusted Access Program。对于符合条件的律所，其 API 可以提供 Zero Data Retention（零数据留存）；更重要的是，OpenAI 正与 Latham & Watkins 一起设计 information permissions（信息权限）、ethical walls（信息隔离墙）、client instructions（客户指令）以及 firm oversight（律所监督）。(OpenAI)

这件事情说明，高风险专业 AI 进入真正生产环境以后，Governance 已经不是系统做好之后再补的一份制度。

它本身就是架构的一部分。

一个 Agent 是否有权限读这份客户文件，能不能调用某个外部 Skill，A 客户的信息能不能进入 B 客户的任务，哪些事项只能由合伙人最终批准，这些问题和模型准确率一样，直接决定一个法律 AI 系统能不能上线。

所以未来真正完整的专业 AI 系统，不应该只有：

模型、知识库和 Agent。

它还必须有：

权限、责任、证据、审计和人工接管。

如果只是说“OpenAI 发布了一个更懂法律的 GPT”，我觉得低估了这次事情。

Astra for Law 真正值得关注的是，OpenAI 作为一家基础模型公司，已经开始亲自回答：

法律专业能力应该怎样叠加在基础模型之上。

它给出来的答案非常具体。

法律检索需要独立的权威信息基础设施；一类任务的方法可以通过 Skill 被封装；专业工具需要通过 Plugin 接进来；律所自己的 precedent、method 和 judgment 应该进一步进入 AI；合同审核、尽调、IPO 不应该停留在一次问答，而应该被组织成工作流；最后，权限、ethical wall、客户指令和人工监督必须和整个系统一起设计。

把这些东西放在一起看，我越来越确信一个判断：

法律 AI 下一阶段的核心问题，已经开始从“模型会不会法律”，迁移到“我们能不能把法律专业能力做成系统”。

这也会重新定义法律人的 AI 能力。

最早大家学习 Prompt，后来开始使用 Agent、MCP 和各种工具，再往后真正拉开差距的，可能是能不能把自己的工作方法沉淀成 Skill，能不能把复杂的专业判断转译成事实、规则、证据和工作流，能不能设计评测，又能不能知道一个系统什么时候必须停下来交回人。

这也是 Legal Engineering 真正有意思的地方。

它最终讨论的并不是“法律人要不要学写代码”。

它讨论的是：

斯坦福从法律人的能力和组织变化这一侧开始讨论它，OpenAI 从基础设施这一侧把它真正做出来，Harvey 等法律科技公司则正在争夺中间那一层——怎样把越来越强的基础能力组织成真正可以持续运行的专业工作。

这三件事情发生在几乎同一个时间点，并不是偶然。

模型正在继续向下成为基础设施。

而法律专业真正需要建设的东西，正在向上变得越来越清楚。

2026 年 9 月 17 日

今天，我们推出 Astra for Law：一个新的基础平台，供律师事务所和法律科技公司围绕自身专业能力构建 AI 产品与工作流程。它将我们最新、最强大的模型 GPT-6 Astra，与针对专业法律工作定制的设置、工具和上下文相结合。

包括 Harvey 和 Legora 在内的 API 客户将能够基于 Astra for Law 进行开发，将这种智能融入自己的产品和工作流程。随着前沿模型持续进步，我们也会把这些法律领域能力引入最新模型。

我们还在扩大隐私和治理方面的工作，为律师事务所处理保密客户事务提供专门控制措施。律所也可使用我们新推出的 26 个生态插件定制 Astra for Law；这些插件将 ChatGPT 与律所现有的 Relativity、Clio 等专业工具连接起来。

Astra for Law 将 GPT-6 Astra 与功能强大的法律检索索引，以及面向法律分析和写作的指令相结合。这些配置共同增强 Astra 在各类法律业务中的能力，同时让律师事务所和法律科技公司能够自由构建自己的应用和工作流程。

法律检索研究：从事实到有依据的答复

新的法律检索索引是 Astra for Law 可以使用的工具之一。法律检索研究往往始于找到恰当的权威法律依据、定位相关段落，并判断这些依据与当前情形有多相关、具有多大约束力。该索引帮助 Astra for Law 完成这些工作，并与律所依赖的 Thomson Reuters 等服务商提供的授权内容和专业产品形成互补。

借助法律检索索引，Astra for Law 可以在一个涵盖逾 2.3 亿个网址、每日增添资料的语料库中，检索美国判例法、制定法、法规、法院规则和行政决定。我们与 CourtListener 背后的非营利组织 Free Law Project 合作，把其覆盖超过 99.9% 已发表、具有先例效力的美国判例法的判例资料库纳入这一检索研究体验。

为衡量这些配置如何改善法律检索研究，我们使用 Vals AI 的 Legal Research Bench 私有验证集中的 200 道美国法律检索研究题，对 Astra for Law 的完整配置进行了测试。该基准衡量模型寻找相关资料来源和段落的能力，以及其检索研究答复符合评估标准的程度。

在两个系统均采用最高推理强度时，Astra for Law 在 54.0% 的问题上通过了评估的总体正确性检验；仅使用网页搜索的 GPT-6 Astra 的相应比例为 38.7%，前者相对提高了 40%。Astra for Law 给出的答复也更全面。

在以判例法为重点的问题上，采用最高推理强度时，Astra for Law 找到的参考案例比仅使用网页搜索的 GPT-6 Astra 多 24%。在经过审查的目标段落集合中，按相同推理强度比较两个系统时，Astra for Law 从正确的法院判决中检索出的相关段落最多多出 54%。

这为交易咨询、争议评估和法律策略制定奠定了更扎实的检索研究基础，并提供律师可以亲自核查的可靠法律依据。

加权评分标准得分

表格可左右滑动查看完整数据

全部通过率

表格可左右滑动查看完整数据

图注：Astra for Law 与 GPT-6 Astra 在 Vals AI Legal Research Bench 验证集上的表现，涵盖不同推理强度设置。

改进端到端法律工作流程的表现

法律检索研究只是第一步。面向法律分析和写作的定制指令引导 Astra for Law 将检索研究成果应用于客户事实、形成论证或交易条款，并识别薄弱环节和不确定性。这可能包括区分法院的裁判要旨与其他论述、回应不利于某项论证的案例，或解释合同中的例外规定如何改变当事人之间的风险分配。

例如，当被要求寻找事实模式相近且仍属有效法律依据的判例时，Astra for Law 不仅能够准确找出相关先例，而且比其他前沿模型更能匹配事实模式：

诉讼示例

Claude Fable 5.1

Astra for Law

交易示例

Claude Fable 5.1

Astra for Law

面对相同的提问，Astra for Law 在两个示例中都找到了事实高度相近的先例；在诉讼示例中，Claude Fable 5.1 引用的裁判结论已在上诉中被推翻，而在交易示例中，它表示没有找到这样的案例。

Astra for Law 初期将通过 ChatGPT 和 Codex 中的 Trusted Access 向部分获选律师事务所提供，随后也将面向 API 开放。它将在模型选择器中显示为“GPT-6 Astra Law”，在 API 中的名称为 gpt-6-astra-law。

律师事务所需要保护客户的保密信息，并控制 AI 在执业活动中的使用方式。我们为符合条件的律师事务所设立了专门的 Trusted Access 计划，让律师及在其监督下工作的人员能够使用 Astra for Law 处理专业法律工作。对于符合条件的律所，该方案包括在我们的 API 上提供零数据留存（ZDR）；ChatGPT Enterprise 的使用默认不纳入人工审查。

我们还在与 AI 治理领域的领先者 Latham & Watkins 合作，围绕信息访问权限、伦理隔离墙、客户指示和律所监督设计相关机制。

凭借前沿智能和恰当的控制措施，律所能够将自己的先例、方法与判断，转化为符合自身标准的 AI 工具和工作流程。

我们的前沿部署工程师一直在与部分获选律所合作，通过定制界面和专有数据集成来调整 ChatGPT Enterprise，为各律所的工作流程创建工具：

律所可以依靠自己的团队和合作伙伴产品进行构建，并针对具体工作界定获准使用的资料来源与审查流程。

我们很荣幸与推进法律 AI 发展的专业公司合作。今天，我们推出由合作伙伴构建的 26 个插件，帮助律所更深入地使用现有工具和知识。这些插件覆盖法律业务及律所经营活动。借助 iManage，律师可以在 ChatGPT 中起草谈判简报并保存到具体案件文件中；Intapp 可以提示可能需要记录工时的活动，供律师审查；DeepJudge 可以将既往交易资料引入比较。Thomson Reuters 正将 HighQ 中的案件背景信息引入 ChatGPT，并预览即将推出的 CoCounsel Legal 连接器。

此次发布还包括来自 LegalQuants、LECG 和 Skills.law 的律师及法律工程师贡献的 9 个社区插件，以及 47 项定制技能，供从业者在 ChatGPT 中调整、扩展或借鉴。社区插件让最贴近实际工作的人能够持续设定这些技能应达到的标准。我们今天还正式全面推出 ChatGPT for Word，使律师能够在其日常起草工具中校对文稿、获取修改建议并标出格式问题。

我们采取开放、可组合的方式：律所可以使用专业产品，接入自己的工具与知识，并根据自身业务调整社区构建的技能。合作伙伴可以继续开发自己的应用和工作流程，律所则可自行选择如何将这些能力组合起来。在 OpenAI 平台上构建，意味着从整个生态中获得更多价值，而不是取代这个生态。

OpenAI 将长期投入法律领域。我们会继续与律师及法律科技合作伙伴携手，以严格的评估和反馈为指引，推进 Astra for Law 的模型、设置、工具和指令。我们也会持续改进 ChatGPT，让律所能够围绕自身专业能力构建应用，并连接其使用的工具。

我们与 Wachtell, Lipton, Rosen & Katz 的合作，将该所的诉讼与公司法律专业能力同我们的前沿研究及工程能力结合起来，探索 AI 如何支持提供复杂法律判断所涉及的工作。

最雄心勃勃的应用，将来自法律实务工作者以及与他们携手开发产品的公司。我们致力于与这一生态系统合作，使律所能够将自身的专业能力、标准和判断带入 AI，并以只有它们才能做到的方式服务客户。

如需了解如何及早使用 Astra for Law、将其融入您的产品，或围绕律所专业能力开发工具，请联系 OpenAI。