直播预约｜9月16日19:30

今晚，我们会用六个公开可获取的DPIA Skill或套件，现场讨论系统跑通以后，专业评估还差什么；也会展示一套从专家经验出发开发的DPIA Skill，怎样经过测试、比较和迭代逐步进入真实工作。

Cece直播对谈｜朱玲凤Skill演示｜Anna专业点评

预约方式：本文第七部分附有完整海报，可扫描右下角二维码预约视频号直播。

READING GUIDE

法律工程设计什么

法律人的能力光谱

专家经验怎样工程化

这场直播不是文章之外的一条临时预告。它正好提供了一个非常具体的观察入口：当法律人开始亲手拆解、构建、测试并维护自己的专业工作系统时，这种能力究竟应该叫什么？

几天前，斯坦福给出了一个值得注意的答案。

斯坦福法律工程与法律职业新能力图谱封面

2026年9月3日，斯坦福法学院宣布推出一项法律工程研修项目。【注1】

它不是斯坦福新设的一所“法律工程学院”，而是一项面向资深专业人士的法律工程研修项目。第一期计划于2027年夏季举行，采取为期两周的住校形式，规模约50人。招生对象包括律所合伙人、总法律顾问和资深法务、法律运营与法律科技负责人、企业管理者，以及政府、监管和公共利益机构的专业人士。

斯坦福对培养目标的表述也很明确：参与者应当能够在组织内部发挥“AI转型领导者”的作用，不论他们是否拥有这样的正式头衔。项目计划覆盖组织级AI战略、团队与工作流重构、组织采用、治理和风险框架，以及利用现有模型和工具构建真实解决方案的原型。

最容易引起法律人注意的一句话是：不要求技术或编程经验。

这似乎与“工程”形成了某种反差。既然叫法律工程，为什么不要求会写代码？如果不以编程为起点，法律工程究竟在“工程”什么？

我认为，斯坦福这个项目真正值得关注的地方，不是法律行业又多了一个新课程，也不只是市场上可能出现更多法律工程师职位。它让一组原本分散在法律、技术、运营和管理之间的能力，开始拥有一个更清楚的名字。

法律人的下一条职业路径，可能不是集体转行做程序员，而是开始具备重新设计、构建和验证专业工作的能力。

WORK DESIGN

一、法律工程要设计的，不是代码，而是法律工作本身

斯坦福没有把项目命名为“面向律师的AI培训”或更常见的“法律科技”，而是选择了法律工程。

官网把它放在法律、技术、运营、组织设计、产品思维和治理的交叉地带。它关注法律和商业工作究竟怎样被完成，以及这些工作系统如何为一个由AI深度参与的世界重新设计。法律工程师所做的，也不只是为组织提供技术建议。他们会参与决定AI应当怎样使用和治理，团队、流程以及制度应当怎样随之调整。【注1】

这里的重心已经从“怎样使用一个工具”移动到了“怎样重新设计一项工作”。

以合同审核为例。今天，把合同上传给模型，再要求它“代表甲方审核”，技术上已经很容易。真正困难的部分仍然存在：模型是否理解交易目的，是否知道双方的角色和谈判地位，能否识别哪些风险与公司的业务模式真正相关，能否区分谈判底线与可接受偏离，是否知道什么情况必须升级给业务负责人或管理层。

如果AI要进入完整的合同审核流程，问题就不能停留在“哪个模型更强”。组织还需要知道，这项工作由哪些环节组成，每个判断依赖哪些事实，哪些步骤可以交给AI，哪些结论必须由人确认，公司的风险偏好怎样进入系统，以及最后用什么标准判断结果是否达到专业要求。

斯坦福公开的学习目标几乎都在回应这些问题。课程仍在开发，完整师资与安排尚未全部公布，因此现在不能把这些高层目标写成一份已经定稿的教学大纲。但方向已经足够清楚：战略、流程、组织、治理和构建处在中心位置，编程语言并不是统一的入场券。

如果要给法律工程一个更适合本文的中文解释，我会把它概括为：

把法律专业工作转化为可以被设计、运行、验证和持续改进的系统。

这是本文基于斯坦福项目作出的延伸，不是官网原句。但它解释了“工程”在这里真正强调的东西：一种处理专业工作的系统方法。

LAW & CODE

二、为什么“律师要不要学编程”不是最重要的问题

“工程”很容易让人联想到软件开发。可法律规则并不是一套能够被完整写成确定性代码的封闭指令。

John J. Nay在2025年发布的文章《法律工程：法律领域的一次范式转变》中，从其法律科技产业实践出发讨论了这个问题。【注2】这篇文章不是斯坦福法律工程研修项目的官方课程框架，也不能代表整个领域已经形成统一定义。但它很好地解释了，为什么大语言模型正在推动新一轮法律工程实践。

Nay区分了法律语言与编程语言。编程语言擅长精确、稳定和可规模化地重复执行；法律语言则需要容纳原则、语境、例外和解释空间。法律规则必须面对事先无法穷尽的现实情况，很多判断因此很难被传统程序直接“硬编码”。

大语言模型带来的变化，是自然语言中的规则、标准和上下文第一次可以更直接地进入可运行的系统。法律人不必先把全部专业知识翻译成确定性代码，才能参与系统构建。

在Nay描述的方法中，法律工程师把复杂的法律或合规流程拆成较小的分析单元，验证每一项模型判断，再把这些分析重新组织成连贯的工作流。系统不仅需要给出结果，还要保留判断理由和审计记录。对规则的修改需要说明理由并经过复核；系统上线以后，还需要由专业人员持续监督。

这里当然仍然需要软件工程师，也会有一部分法律工程师岗位要求较强的开发能力。代码能够让法律人更自由地连接工具、处理数据和控制系统，学习编程依然有现实价值。

但对于更广泛的法律人来说，真正稀缺的能力是另一组问题：能否准确拆解一项法律工作，能否区分规则、事实与裁量，能否判断哪里适合调用AI、哪里必须设置人工控制，能否定义什么叫“做得好”，又能否把一次成功实践沉淀为团队可以重复使用的能力。

编程可以帮助实现其中一部分，却不能替代这些判断。

ORGANIZATION

三、AI进入组织以后，问题不再只是个人效率

过去几年，法律行业谈AI，常常从个人生产力开始。一位律师过去三个小时完成的研究，现在一个小时完成；一位法务过去一天才能审完的合同，现在上午就能交付。

这些改进当然有价值，但它们未必触动原来的组织结构。人还是原来的人，流程还是原来的流程，只是其中一两个步骤变快了。

斯坦福法律工程研修项目的定位明显越过了这一层。它所设想的场景，是AI开始成为组织日常运行的一部分之后，由谁重新安排人、知识、流程和技术之间的关系。

假设一项工作过去由初级律师完成两天，再由资深律师复核半天；现在AI可以承担相当部分的第一轮分析。组织面临的就不只是“节省了多少小时”。更难的问题会接着出现：初级律师以后怎样学习？资深律师应当把时间投入哪里？原有的复核层级是否还合理？团队知识怎样进入AI系统？系统遇到异常时由谁接手？哪些结果可以直接进入业务流程，哪些必须经过人工确认？

法律知识管理也会因此改变。过去的知识资产主要是法规、案例、模板、先例和操作手册。AI真正参与工作以后，仅仅保存这些材料通常不够。系统还需要知道规则在什么情况下适用，哪些事实必须确认，信息不足时应当怎样处理，不同风险怎样排序，以及何时必须升级给人。

我愿意把这种新的知识形态称为 “可执行的法律知识”。

这不是斯坦福官网使用的术语，也不是把法律简单翻译成代码。它指的是把法律规则、企业政策、专家经验、事实要求、判断步骤和人工控制点组合成一套能够重复运行、接受检查并持续更新的工作系统。

AI进入法律组织以后，技术只是其中一个变量。人的角色、知识表达方式、质量标准、监督机制和责任分配，会同时成为设计对象。

CAPABILITY MAP

四、法律工程师可以是一种职位，法律工程更像一条能力光谱

法律工程师已经成为法律科技市场中越来越常见的职位标签。但如果把法律工程理解成一种新增的小众职业，并认为普通律师、法务和法律运营人员仍然可以保持原来的工作方式，可能会低估它的影响。

斯坦福项目的招生对象本身就很有说明力。它面向律所合伙人、总法律顾问、法律运营负责人、企业管理者、政府和监管人员，也面向正在建设AI团队、服务或组织的人。目标不是把这些人统一改造成软件工程师，而是让他们能够在各自的位置推动组织变化。

合同律师未必会更换职业名称，但他的工作可能从“我知道这条责任限制应该怎样改”，继续延伸到“我能把公司的风险偏好、条款判断、可接受偏离和谈判逻辑沉淀成一套可以重复使用的审核系统”。

诉讼律师仍然需要处理争议，但他可能要进一步把事实整理、争点识别、证据关系、法律研究和策略判断拆成可协作的流程，并明确AI在哪些环节能够提供支持，哪些判断必须由律师承担责任。

法务负责人也不会因为AI变成技术负责人，但他必须判断哪些高频任务值得工程化，投入以后怎样评价质量和回报，团队配置应当怎样调整，以及自动化带来的治理责任由谁承担。

从这个角度看，法律工程能力大致会形成一条连续光谱。

起点是法律工程素养：理解AI的能力边界，能够提供合格上下文并复核结果。再往前是任务拆解和知识表达：把一项工作中的事实、规则、例外、裁量与升级条件说清楚。之后是工作流构建：把模型、工具、知识库和人工判断组织成可以运行的流程。更进一步是评测与治理：建立测试材料、质量标准、版本控制、监督和审计机制。少数人还会承担组织级设计，负责AI战略、团队与服务重构以及长期采用。

这张能力图谱是本文的归纳，不是斯坦福官方职级体系。它也不要求所有人走到相同位置。

法律人的传统专业能力与新增法律工程能力图谱

变化发生在法律工作的第二层：法律人除了完成一次专业判断，还要越来越多地理解这项判断怎样被解释、共享、执行、验证和维护。

STANFORD

五、把斯坦福近两年的布局连起来，方向会更清楚

如果只看法律工程研修项目，它很容易被理解成一个孤立的高管教育项目。把斯坦福近两年的相关布局放在一起，能看到更完整的方向。

斯坦福法学院人工智能项目同时覆盖研究、教学与培训，以及同产业和政策制定者的合作。官方介绍特别提到，大语言模型等AI工具已经进入课程和诊所，学生不仅讨论AI如何被监管，也获得直接使用这些工具的经验。【注3】

2025年9月，斯坦福又成立了前沿技术法律创新实验室（liftlab）。【注4】这个实验室希望开发、研究和评估法律AI，并把工作从概念推进到原型与真实专业场景。

该实验室公开的项目包括“法律专家画像”、合同起草风险分析、多智能体模拟和AI驱动的模拟训练。其中，“法律专家画像”尤其值得注意：它研究大语言模型能否提取、综合并编码资深执业者拥有的隐性知识，并评估定制模型能否成为专家判断的有效表达。【注5】

这直接触及法律工程最难的一层。法律行业最有价值的知识，很多时候并不存在于法规、模板和操作手册里，而存在于专家长期实践形成的判断方式中：他为什么继续追问某个事实，为什么暂时忽略另一个问题，为什么同样的条款在不同交易结构中意味着不同风险，又为什么某个看似合规的方案仍然需要升级管理层。

如果把这些项目看成一条连续路径，斯坦福近年的工作大致覆盖三个层面：研究AI如何改变法律工作，开发并验证新的法律AI系统，再培养能够把这些系统和方法带进真实组织的人。

这不是斯坦福自己的官方“三层结构”，而是本文对其布局的归纳。但法律工程研修项目放在这个背景中就容易理解得多：斯坦福关注的对象正在从单个工具扩展到法律工作的生产方式。

EXPERTISE

六、专家价值会从“亲自完成工作”延伸到“定义专业能力”

法律行业一直高度依赖隐性知识。资深律师拿到一个复杂项目，通常能较快判断哪些事实真正重要，哪些问题暂时不用追，什么只是形式风险，什么必须升级给管理层。

这些判断很难完全从教科书获得，也很难靠一份标准模板传给新人。过去，它们可以长期停留在专家头脑里，通过个案处理、逐级审核和师徒训练缓慢传递。

AI系统没有这种默认理解。它需要知道什么条件会触发一项判断，什么事实不足会阻断结论，怎样识别异常，以及什么时候必须把任务交还给人。模型犯错以后，专家还要能够解释它错在哪里，问题来自规则、上下文、流程还是模型能力，又应当怎样修改系统，才能让下一次运行得到改善。

于是，资深专业人员创造价值的方式开始扩展。

过去，他主要通过亲自处理事项、审核下属工作和提供个案意见输出专业能力；未来，他还可能通过定义判断规则、建立质量标准、设计处理流程和维护专业系统，把一次性的个人判断转化为组织可以反复调用的能力。

这并不会削弱专业主义。相反，专业经验一旦进入系统，就必须接受更直接的检验：规则是否清楚，适用边界在哪里，不同事实是否真的导致不同结论，专家之间出现分歧时怎样处理，版本更新以后又怎样证明新的方法比过去更好。

评测因此会逐渐成为法律工作的基础设施。

前沿技术法律创新实验室在介绍“严格评测”时明确指出，模型在标准基准测试中取得高分，不等于它进入真实法律流程后就具有实用价值。法律服务质量很难由单一指标衡量，评测必须扩展到完整任务、人机协作和最终服务质量。【注5】

一套法律AI系统上线，也不意味着工作结束。模型会升级，提示词会调整，检索来源会变化，企业规则和法律法规也会更新。版本管理、测试用例、回归验证和运行监控，会像今天的软件维护一样进入法律专业能力的维护过程。

传统法律工作关心某一次意见是否正确。工程化以后，还要追问：这项专业能力能否在变化的环境中持续、稳定地正确运行？

只把法律工程理解成写代码会出现的四类典型风险

DPIA PRACTICE

七、我最近开发DPIA Skill，正好碰到了这些问题

最近，我也在用一个具体项目验证这种感觉：从自己的数据合规实务经验出发，开发一套数据保护影响评估（DPIA）Skill。

这项工作的起点不是先寻找别人已经写好的Skill，而是把自己完成DPIA时的方法拆出来：拿到产品材料以后怎样确认事实，什么时候需要完整DPIA，什么信息缺失会真正阻碍评估，必要性、比例性、风险和措施怎样衔接，整改以后如何复评，最后怎样形成可以真正交付的报告。

第一版运行以后，问题很快显现。有时材料已经提供，系统仍然重复询问；有时一个局部未知事实会错误地让整个任务停止；有时专业分析已经完成，最终报告却没有准确反映进度；还有一些事实在对话中区分了“计划”“部分实施”和“完成验证”，进入正式文档以后又重新变得含糊。

每一次问题都迫使我回到专业方法本身，重新说明判断条件、影响范围和恢复路径。测试让许多“专家知道、但没有写清楚”的事情显形。

这套Skill经过多轮修改，目前进入了0.7系列。形成自己的基线以后，我又开始系统研究六个公开可获取的DPIA Skill或套件。目的不是寻找一个最好的版本照搬，而是比较不同系统怎样理解同一项专业任务：有的更重视业务访谈，有的对事实生命周期处理得更细，有的强调必要性、比例性和替代方案，还有的对问题优先级和过程记录提出了不同设计。

真正困难的环节发生在修改之后。规则改了，不等于系统真的变好。同一份材料需要在可比条件下分别运行旧版本和新版本，观察问题优先级、事实更新、法律判断和最终交付是否出现预期变化。这种前后版本对照，本质上已经很接近软件工程中的回归验证。

9月16日19:30的直播会把这个过程展开：一方面观察不同DPIA Skill怎样处理同类专业任务，另一方面展示一套从专家经验出发开发到0.7系列的Skill，怎样从外部实现中学习，再进入下一轮迭代。

直播主题：从手搓系统到专家经验AI化——开源Skill评测与自研迭代

Cece直播对谈｜朱玲凤Skill演示｜Anna专业点评

全球DPIA评测直播预约海报

图：9月16日19:30视频号直播预约海报，可扫描右下角二维码预约。

海报上的三个问题——系统跑通以后专业评估还差什么、公开可获取的DPIA Skill能用到哪一步、专家经验怎样写进自己的Skill——其实也是法律工程最具体的三个入口：定义质量、验证能力，以及把个人方法变成可以持续迭代的系统。

我真正想讨论的并不是“哪个DPIA Skill最好”。

更值得追问的是：当法律人开始能够亲手构建、测试并改进自己的专业工作系统以后，我们对法律职业能力的理解会发生什么变化？

CAREER PATH

八、法律人的下一条路径，不是统一转码，而是重新理解自己的稀缺性

法律工程师可能会成为一种正式职位，法律工程也可能只表现为一组逐渐进入不同岗位的能力。不是每位律师都要成为法律工程师，更不是所有法律人都需要达到同样的技术深度。

真正的变化，是法律人开始需要用另一种方式审视自己的工作。

过去，一名优秀法律人的标准主要是能不能把复杂事项处理好。未来可能还会增加一项要求：能不能解释自己为什么这样处理，哪些部分可以稳定复制，哪些部分依赖具体语境，哪些错误必须被系统发现，以及怎样把这套方法交给一个由人和AI共同组成的工作系统。

这会迫使每个法律人重新回答几个问题：我的工作真正出售的是什么？是文本生产，是信息转交，是组织中的风险接口，还是对复杂情境的判断和责任承担？我有哪些方法只能依靠个人经验完成，又有哪些已经可以表达成团队能力？如果AI能够承担第一轮分析，我的价值会向哪里移动？

答案不会对所有人相同。

但有一个方向已经越来越清楚：法律人的稀缺性会从“亲自完成每一步”，逐渐延伸到定义任务、表达知识、设计流程、验证质量和承担最终判断。

斯坦福这次把这组正在形成的能力放进了法律工程的框架中。

它提示我们的，或许不是一种所有人都要改用的新职位名称，而是法律职业正在增加一个新的发展维度：

不仅能够完成专业工作，也能够把专业工作变成可解释、可运行、可验证并持续改进的能力。

SOURCES

参考资料

【注1】斯坦福法学院，《法律工程的兴起》；法律工程研修项目页面。

【注2】John J. Nay，《法律工程：法律领域的一次范式转变》，2025年。

【注3】斯坦福法学院，人工智能项目官方页面。

【注4】斯坦福法学院，前沿技术法律创新实验室成立公告，2025年9月15日。

【注5】斯坦福法学院，前沿技术法律创新实验室官方页面。

法律人的稀缺性，不只在于给出答案，也在于定义一套专业能力如何可靠运行。