法律智能体设计师(LAD)，是指能够将法律专业知识与人工智能应用能力相结合，利用法务AI平台独立完成法律智能体设计搭建、调试和持续优化的专业人员。
LAD的工作不是简单“使用AI”，而是把法律专业经验转化为可以运行、可以复制、可以持续优化的法律智能体。具体包括:工作流定制、输出格式定制、资料库/知识库/Skill定制，以及自主完成工具调用配置等。通过这些工作，LAD可以为本企业或客户提供个性化、实用的法务AI应用。

目录
基础篇
第1章　法律人与LAD
1.1　法律人为什么要成为LAD？
1.2　法律人为什么能主导法律智能体的开发？（为什么社会需要LAD？）
1.2.1　法律智能体的核心难题，不只是技术问题
1.2.2　法律智能体需要的不是普通法律知识，而是可执行的法律任务结构
1.2.3　为什么需要法律人主导，而不是技术人员主导？
1.2.4　AI和低代码平台，使法律人具备了主导的现实条件
1.2.5　法律人主导的是结构核心层，不是全部开发工作
1.2.6　社会为什么需要LAD？
1.3　一个延伸：AI时代，学一点编程知识，投入产出比急剧上升
1.4　法律人的机会主要在应用层
1.4.1　基座模型层
1.4.2　中间层
1.4.3　应用层
1.4.4　使用层
1.4.5　结论：法律人应把握在应用层的机会
第2章　AI与IT基础认知
2.1　AI、大模型、大语言模型（LLM）
2.1.1　AI是技术总称
2.1.2　大模型（Foundation Model）
2.1.3　大语言模型（LLM）
2.1.4　LLM与多模态
2.1.5　包括LLM在内的大模型技术本质上都是概率预测系统
2.2　法律模型（垂直领域模型）和微调（Fine-tuning）
2.2.1　什么是“法律模型”？
2.2.2　法律模型是怎么来的？
2.2.3　微调（Fine-tuning）
2.2.4　当前法律模型与微调在法律AI应用中的状况
2.2.5　NLP与大语言模型
2.3　Markdown(md）：与LLM沟通的基本语法
2.3.1　Markdown基本语法说明
2.3.2　Front Matter（FM）
2.3.3　AI时代，所有文件都将变成md或html？
2.4　JSON
2.4.1　JSON入门知识
2.4.2　为什么LAD需要掌握JSON格式？
2.5　YAML
2.5.1　对YAML的基本认识
2.5.2　高级LAD绕不开YAML格式
2.5.3　YAML语法要点
2.6　函数、工具、IPO与模块化开发
2.6.1　函数、工具、节点，本质上都是IPO
2.6.2　模块化开发，就是把多个IPO拼成更大的IPO
2.6.3　模块之间能否协同，关键在接口对齐
2.6.4　Process可以交给模块内部，LAD必须说清楚Input和Output
2.6.5　模块化思维对LAD的意义
2.6.6　LAD必须时时刻刻用IPO理解任务
2.7　SaaS、私有化部署与部署方式
2.7.1　SaaS 与私有化部署（软件的两种购买方式）
2.7.2　私有化部署与软件部署方式的关系
2.8　抽象：追问事物背后的共通性
2.9　对程序语言的一些基础认知（以Python为例）
2.9.1　程序语言的本质：精确的命令
2.9.2　程序语言的基本要求
2.9.3　Python的微观层面：一行一行代码在做什么
2.9.4　Python的宏观层面：代码是如何“组织起来”的
2.9.5　库的意义：为什么“会写一点点代码就够了”
第3章　法律智能体的基本架构
3.1　WAFT架构
3.1.1　WAFT架构含义
3.1.2　WAFT四类组件之间的关系
3.1.3　WAFT架构的目的
3.1.4　一个法律智能体相当于复杂软件系统中的一个模块，通过“输入+输出”与其他模块交互
3.2　自顶向下设计，自底向上测试
3.3　先从MVP做起
3.4　关于Dify
3.4.1　AI应用时代，为什么会有Dify这类低代码、可视化工作流编排系统
3.4.2　企业级AI应用开发适合用Dify吗？
3.4.3　LAD通过Dify来掌握智能体设计是当前阶段最优选择
3.5　一个企业需要多少个法律智能体？
3.6　从产品经理的角度，法律智能体开发相对于传统软件开发的不同之处
技能篇
第4章　工作流（Workflow）组件（一）：LLM节点
4.1　对LLM节点的基本认识
4.1.1　认知起点：一次输入→一次输出
4.1.2　LLM的知识结构
4.1.3　一次LLM任务的时长与输入输出的关系
4.2　提示词语法：应该向LLM提供什么样的输入？
4.2.1　给LAD的专门提示：面向AI时代的表达
4.2.2　基本语法：普通字符串、Markdown、程序语言的结构化表达
4.2.3　如何对输入内容进行分块
4.2.4　提示词“中英混杂”是必需的
4.2.5　最小输入原则
4.2.6　跟AI对话不需要讲礼貌
4.2.7　其他一些输入技巧补充
4.3　提示词模板
4.3.1　提示词模板：包含变量、输出要求的任务说明
4.3.2　法天使标准提示词模板（RTROI）
4.3.3　SYSTEM、USER、ASSISTANT是什么？
4.4　输出要求
4.4.1　LLM能输出什么？
4.4.2　根据最终输出要求，倒推对LLM的输出要求
4.4.3　最小输出原则
4.4.4　要求LLM输出JSON时，提示词怎么写输出要求？
4.4.5　如何减少LLM输出有误导致的程序报错？
4.4.6　延伸：Dify节点中的异常处理
4.4.7　延伸：如何实现一个有特定功能的内容输出？
4.5　模型配置
4.5.1　国内模型的选择
4.5.2　模型参数设置
4.5.3　关于模型上下文窗口容量
第5章　工作流（Workflow）组件（二）：工作流编排
5.1　工作流编排的基础认知
5.1.1　为什么要编排工作流？
5.1.2　工作流绝不是越复杂越好
5.1.3　工作流编排时的“工程化考量”
5.1.4　工作流编排仍将长期存在
5.2　工作流编排实操：串、分、并、汇与循环
5.2.1　串：串行，顺序处理
5.2.2　分：路由与分支决策判断
5.2.3　并：并行、拆分处理
5.2.4　汇：汇总多条工作链路的结果
5.2.5　工作流编排就是“串分并汇”的组合应用
5.2.6　“生成→反思”模式
5.2.7　“规划→执行”模式
5.2.8　分角色模式
5.2.9　投票机制
5.2.10　Dify中的迭代：实为并行批量处理
5.2.11　拆分（切片）处理的一个关键问题：如何让LLM看到“全局”
5.2.12　循环：相同提示词框架的串行调用
5.2.13　归纳：复杂工作流编排就是串、分、并、汇、循环的组合
5.3　代码节点：LLM节点的助手
5.3.1　代码节点主要干什么？
5.3.2　一个代码与LLM结合的示例：切块
5.3.3　让AI帮你写代码节点，你只需要提要求和适当测试
5.3.4　Dify代码节点的格式要求
5.3.5　随着LAD代码能力的增强，代码节点处理的事务会越来越多
5.4　归纳：工作流编排的基本原则
第6章　工作流（Workflow）组件（三）：从Agent到Skills
6.1　重申对LLM能力认知起点：一次输入→一次输出
6.2　工具与MCP：让LLM可以调用外部能力
6.2.1　传统的工具调用方式
6.2.2　为什么LLM需要调用工具
6.2.3　LLM调用工具的基础方式
6.2.4　进一步发展：让LLM在运行中决定是否调用工具
6.2.5　让LLM调用工具更加方便和标准：MCP
6.2.6　MCP工具通常需要说明哪些信息
6.2.7　LAD对MCP工具的关注点
6.2.8　归纳
6.3　AGENT=工具+循环工作流
6.3.1　ROUND1
6.3.2　ROUND2
6.3.3　ROUND 3
6.3.4　简要归纳
6.3.5　注意：MCP工具的输出与AGENT节点的读取
6.4　SKILL
6.4.1　一个Skill≈一个文件夹
6.4.2　简单版Skill的运行≈让AGENT节点调用文件检索接口
6.4.3　全面版Skill：更多能力
6.4.4　Skill的核心：渐进式加载
6.5　归纳：普通工作流、AGENT和SKILL的选择
6.5.1　三者不是替代关系，而是组合关系
6.5.2　普通工作流适合确定性强的任务
6.5.3　AGENT适合不确定性较强的任务
6.5.4　SKILL适合沉淀专业能力
6.5.5　三者的典型分工
6.5.6　复杂任务往往需要三者的结合
6.6　更可控，还是更灵活？（更靠人，还是更靠AI？）
第7章　知识库与RAG
7.1　RAG一般认知
7.1.1　RAG的含义
7.1.2　RAG使用场景梳理
7.1.3　LLM的“记忆”究竟是怎么实现的？
7.1.4　资料：GPT怎么记住我们的？
7.1.5　提示词工程、上下文工程与RAG
7.2　检索的一般知识
7.2.1　关键词检索（传统检索）
7.2.2　代码过滤（规则过滤）
7.2.3　语义检索（向量检索）
7.2.4　召回率（Recall）、精确率（Precision）、阈值、Top-K
7.3　检索方案（RAG方案）
7.3.1　检索步骤
7.3.2　query与chunk的设计
7.3.3　语义槽位对应query和chunk的字段
7.3.4　根据query的要求，考虑是否需要对原始输入进行“LLM提取转换”
7.3.5　了解BM25
7.3.6　混合检索：向量检索与 BM25 的融合
7.3.7　embedding 模型的选择
7.3.8　Rerank（re-ranking）与LLM重排
7.3.9　RAG环节的时长
7.3.10　注意被检索内容不等于输出内容
7.4　LAD该如何设计检索方案
7.5　切片方案
7.6　法务AI平台上的资料库、知识库与Skill
7.7　知识的未来，是结构化字段，还是自然语言？
资料篇
第8章　LAD应掌握的基础IT知识补充
8.1　正则表达式
8.2　Mermaid
8.3　HTML
8.4　软件之间的互通方式：API vs.SDK vs.嵌入式方式
8.5　Word文档解析
8.5.1　Dify中的文档解析功能
8.5.2　Word文档解析对法律智能体的重要性
8.5.3　Word文档解析的本质：从docx包中“取对东西、组好结构”
8.5.4　Word文档解析的几种常见方法（给LAD的认知版）
8.5.5　Word文档中的表格解析
8.5.6　关于后缀名为WPS的文档
8.5.7　LAD需要掌握到什么程度
8.5.8　开源Word文档编辑器
8.6　开源软件
8.7　Docker与容器：现代软件的“外卖盒”
8.8　URL的结构
8.9　HTTP和HTTPS（关联TCP/IP协议，Cookie，HTML，URL）
8.9.1　HTTP
8.9.2　HTTPS
8.10　Dify中如何通过http请求调用工具？
8.11　数据库
8.12　哈希值
8.13　LAD应掌握的AI常见相关术语

前言
一、关于法务AI平台与LAD
“法天使—法务AI平台”的核心理念是：让每家企业都有自己的法务AI平台。
我们认为，企业法务AI应用不能只依赖通用AI工具。不同企业有不同的合同模板、审查规则、内部制度、业务流程和风险偏好，真正有价值的法务AI应用，必须能够满足企业的个性化需求。
但另外，如果每家企业的法务AI系统都完全从零开发，成本又会过高，难以大规模落地。因此，“法天使—法务AI平台”采用的解决方案是：标准化的软件+智能体层面的定制。
平台本身提供低成本的SaaS及私有化部署方案，作为稳定、标准、可复用的软件底座；在此基础上，通过“智能体装配车间”的能力，让企业可以根据自身需求定制法律智能体，包括定制工作流、输出格式、资料库、知识库和Skill等。
这也是法律智能体设计师（Legal AI Designer，LAD）这一角色产生的背景。
法律智能体设计师（LAD），是指能够将法律专业知识与人工智能应用能力相结合，利用法务AI平台独立完成法律智能体设计、搭建、调试和持续优化的专业人员。LAD并不等同于程序员，也不等同于传统法律从业者，而是一种以法律专业能力为核心、以智能体设计和应用能力为抓手的新型复合角色。
LAD的工作不是简单“使用AI”，而是把法律专业经验转化为可以运行、可以复制、可以持续优化的法律智能体。具体包括：工作流定制、输出格式定制、资料库/知识库/Skill定制，以及自主完成工具调用配置等。通过这些工作，LAD可以为本企业或客户提供个性化、实用的法务AI应用。
“法天使—法务AI平台”欢迎法律人加入法天使LAD联盟，尤其欢迎年轻的、对AI应用有兴趣的律师加入。LAD不应被理解为一种简单的业务兴趣，而可能发展为一种新型职业方向。具备LAD能力的法律人，可以在企业法务、法律服务、法律科技项目中形成新的专业优势，并获得新的服务机会和收入来源。
二、本书的定位：法务AI平台+Dify的操作手册
本书可以理解为一套“法务AI平台+Dify”的操作手册。
其中，“法务AI平台”提供法律AI应用所需的平台能力，例如，智能体管理、资料库、知识库、Skill、工具调用、权限管理、结果页面等；Dify则作为重要的工作流与智能体编排工具，用于完成具体的流程编排、节点调用、模型调用和工具调用。
因此，本手册并不是抽象地讨论“AI如何改变法律行业”，也不是泛泛介绍大模型原理，而是围绕一个具体目标展开。
如何利用法务AI平台和Dify，设计、搭建、运行和优化一个真正可用的法律智能体。
需要说明的是，虽然本书以“法务AI平台+Dify”作为主要实现方式，但其中的大部分能力是通用的。
•如何把法律规则转化为智能体可执行的审查逻辑；
•如何设计法律智能体的输入、处理流程和输出格式；
•如何组织资料库、知识库和Skill；
•如何设计工具调用；
•如何拆分复杂法律任务；
•如何评估和优化智能体效果。
这些能力并不只适用于某一个平台。法务AI平台和Dify只是提供了一种具体、可操作、可落地的法律AI应用实现方式。掌握这些能力之后，即使未来使用其他智能体平台、低代码平台或企业内部AI系统，相关方法也仍然具有迁移价值。
三、LAD应具备法律专业背景
本书主要面向具有法律专业背景，但并非IT出身，且有志于成为法律智能体设计师（LAD）的人员。本书的核心目标，是帮助法律人完成从“法律专业人员”向“能够设计和落地法律智能体的复合型人才”的能力跃迁。
需要特别说明的是：
1.本书不提供法律基础知识或法律实务培训。
本书默认读者已经具备法律专业教育背景，理解法律概念、法律逻辑及基本的法律实务运作方式。
本书关注的重点，并非“法律怎么学”，而是法律如何被转化为可由智能体执行和协助的规则、流程与系统设计。
2.本书并不以IT背景人员为主要目标读者。
如果读者仅具备IT或工程技术背景，而缺乏系统的法律专业训练，我们认为难以胜任LAD这一角色。原因并不在于技术能力不足，而在于法律智能体设计的核心并不是算法或系统本身，而是对法律规则、合同结构、审查逻辑和实务判断的深刻理解。
缺乏法律专业背景，通常无法独立完成法律智能体的设计。
同时需要指出的是，本书中涉及的IT与技术相关内容，均定位为“法律人所需掌握的最基本必要技术认知”。对IT背景人员而言，这些内容整体上是非常基础甚至偏浅的，并不构成系统性的技术进阶训练。
四、关于LAD团体标准
《法律智能体设计师（LAD）职业能力评价规范》（以下简称“LAD团体标准”）由法天使（北京）科技有限公司参与制定并组织推广、实施。
本书是LAD团体标准的配套教材。
五、本手册中未涉及的内容
1.对Dify、扣子等低代码平台的完整操作指引。
本书不会逐项说明Dify、扣子等低代码平台中的每一类节点、每一个按钮和每一项配置。
这些内容可以直接通过平台帮助文档学习，而且平台帮助文档会实时更新。本书没有重复各平台帮助文档中的基础内容，而是主要围绕法律智能体设计的原理、方法和实操知识展开。
LAD在实操时，可以同时查阅相关平台的帮助文档。例如，Dify的帮助文档：https://docs.dify.ai/zh。
2.系统性的Python编程教学。
高级LAD应当具备相当于Python二级的编程知识。
这方面知识可以通过自学、培训班等方式学习。尤其在AI工具已经非常成熟的情况下，学习基础编程的门槛已经明显降低。
如果你希望成为高级LAD，建议在学习本书时同步开展Python学习。本书会涉及一定的编程知识，但并不提供系统性的编程课程。
Python二级考试每年3月、9月举办，可报名参加：https://ncre.neea.edu.cn/。
《Python编程：从入门到实践》（第3版）是一本值得推荐的Python入门书。高级LAD可重点自学其中的第一部分；第二部分主要是开发项目实操，不一定必须完成。
六、本书与AI
1.本书由人类作者与AI协作撰写。
这也是我们认为AI时代必然出现，并且值得提倡的高效写作方式。
同时，本书无论从选题、结构，还是具体内容细节，均有人类作者深度参与，内容架构由人类作者负责。因此，人类作者仍是本书作者，并承担本书作者的相应责任。
2.我们提倡你在学习过程中使用“AI助教”。
作为LAD，电脑上应该随时打开AI助手的页面，有问题随时问它。当然，你仍然需要保持独立判断。
这应当成为AI时代的日常工作方式。
在法天使公司，我们要求所有人的工作都应当尽可能与AI配合，充分利用AI提高效率。
本书中的多数微观内容，当前阶段的AI基本都可以理解。如果你有看不明白的地方，可以把相关内容和你的问题发给AI，让它解释。尤其是本书中涉及IT、程序、代码方面的内容，对AI来说通常并不困难。
3.如果AI都懂，本书的价值是什么？
在某种意义上，本书本身就是一个“上下文工程”。
我们尽可能把LAD必须掌握的、相对准确的法律智能体设计知识整理出来。否则，学习者需要花费大量时间自行搜索、筛选、判断和组织相关内容。
更重要的是，本书提供了一个“法律智能体”的认知框架，可以把分散的知识模块化，再有组织地拼装起来。
这样，LAD就可以做到：把握整体架构设计，微观方案随时让AI协助提供。
这也是AI时代学习和工作的基本方法。
4.感谢AI。
没有AI，“法天使—法务AI平台”的方向是不成立的，LAD这个概念是不成立的，本书也很难成立。
作为法学院毕业生，本书的作者原本很难真正进入“代码、程序、智能体编排”这些领域。AI降低了跨界学习和实践的门槛，也让法律人有机会亲自参与法律智能体的设计与落地。
（这段绝非AI所写……）
补充几个与AI交流的小贴士：
•花点钱，想点办法，使用当前最好的、收费的AI；
•要通过多轮对话来达到最好效果，不要指望一步到位；
•要在个人设置、项目设置、对话中，提示AI不要顺着你说话，要多提不同意见（注意AI有顺着你说话的倾向；如果你发现你的意见AI几乎全都认同，这肯定是你的设置有问题！）；
•习惯随时随地问它，有初步想法就问它，不用等想法成熟；
•习惯让它就一件事出多个方案，习惯让它反复重写、重来，你来挑最好的，不要怕累着它，它并不是人；
•不要把它当文科生，它在理工、IT方面更强。
七、版权声明
本书由法天使组织编写，并由人类作者与AI协作完成。除法律另有规定外，本书相关知识产权归属于法天使（北京）科技有限公司。
本书仅在法天使指定渠道发布，包括法天使自有公众号、网站、知识库或其他官方授权渠道。未经法天使事先书面同意，任何机构或个人不得擅自转载、复制、改编、摘编、传播或发布到其他渠道。
对于违反本版权声明的行为，法天使保留依法追究法律责任的权利。
八、特别说明
1.本书所涉及的内容，基于当前人工智能技术发展水平，以及主办方对法律智能体设计方法论的阶段性认识整理而成。随着AI技术快速演进、工具形态变化以及实践经验积累，本书内容将不定期修订与更新。
请关注legalai.cn和“法天使”公众号以随时了解本书最新版知识。
2.本书中出现的各类示例，包括但不限于流程示例、结构示例、输出示例等，均仅用于说明设计思路和方法，不代表法天使在实际产品或项目中的真实实现方案，也不保证是同类场景下的最优解。
3.法律智能体设计具有较强的实践性与场景依赖性。读者应在理解原理的基础上，根据自身业务需求进行调整与创新。
4. AI是新生事物，法律智能体设计也是一个快速发展的新领域。本书中难免存在错误、不当或不完善之处。真心欢迎读者通过评论、反馈等方式，对本手册内容提出批评、意见或建议。我们将持续修订。