ChatLaw

一、网站概况

ChatLaw 是由北京大学元培学院主导的 YuanGroup（PKU-YuanGroup）团队开源的一个中文法律大语言模型项目，托管在 GitHub 平台，项目主页 star 数已达 7.6k、Fork 数 619。项目定位是”专为中文法律场景打造的大语言模型”，其核心思路是通过知识图谱增强与 Mixture-of-Experts（MoE，专家混合）架构，构建一个可靠性更高的多智能体 AI 法律助手。

官方配套演示站点为 chatlaw.cloud。该项目最早版本（ChatLaw-13B 等）发布于 2023 年，最新版本 ChatLaw2-MoE 基于 InternLM 架构开发，采用 4x7B 的 MoE 设计，专为中文法律语义处理而优化。项目代码以 AGPL-3.0 协议开源，可供研究者和开发者免费下载、使用与二次开发。

二、核心功能详解

多智能体协作的 AI 法律咨询
ChatLaw 最核心的能力是模拟律师事务所的标准化作业流程（SOP），生成一份结构化的”法律咨询报告”。以离婚咨询为例，系统会通过多个智能体分工完成信息收集、法律检索、综合研判，最后输出一份涵盖建议与依据的完整报告，尽量降低大模型常见的”幻觉”（编造不实信息）风险。

海量判例训练的文本匹配能力
项目附带一个 ChatLaw-Text2Vec 模型，专门基于 93,000 份法院判决文书训练。它能将用户的问题与相关法律条文进行相似度匹配，例如当用户咨询”借款能否追回”的问题时，系统能自动关联到合同法对应的具体条款，提升答案的上下文相关性。

多版本模型选择
针对不同硬件和使用需求，项目提供了 ChatLaw2-MoE、ChatLaw-13B、ChatLaw-33B 等多个版本。轻量的 13B 适合通用中文任务，33B 在逻辑推理上更强，最新的 MoE 版则在中文法律专项上表现最佳，用户可根据算力条件灵活选配。

法律大模型研究数据集
项目开源了一套覆盖多类任务的高质量中文法律数据集，包含案件分类、舆论分析等维度，并经过人工筛选，为该领域的后续研究提供了训练与评测基础。

三、使用教程

需要说明的是，ChatLaw 并非一个开箱即用的在线问答网站，而是面向开发者的开源模型项目，需要一定的技术基础。

普通用户使用方式
如果你只是想体验法律咨询效果，可以访问演示站点 chatlaw.cloud，在页面输入框内描述你的法律问题（建议尽量补充时间、金额、当事双方关系等细节），提交后即可获得生成的法律咨询报告。

开发者本地部署步骤
1. 访问 GitHub 仓库首页，点击 “Code” 下拉菜单，选择 “Download ZIP” 下载代码，或用 git clone 命令克隆仓库。
2. 在项目根目录找到模型文件说明，从 HuggingFace 平台下载所需的模型权重（推荐 ChatLaw2-MoE）。
3. 根据 README 文档安装依赖环境（Python 及深度学习框架），运行项目提供的 demo 脚本启动本地界面。
4. 项目内置 Gradio 交互界面，启动后可在浏览器中调用模型进行测试。

小提示
普通用户无需自行部署，直接使用官方演示站即可；但在涉及真实维权的敏感问题时，应将 AI 答复仅作为参考线索，最终决策建议咨询持证律师。由于项目代码更新频繁，遇到报错可先查看仓库的 Issues 板块寻找解决方案。

四、内容与资源质量

从技术角度看，ChatLaw 的内容质量有清晰的评测数据支撑。论文结果显示，其 MoE 模型在 Lawbench 基准测试中比 GPT-4 的准确率高 7.73%，在”国家统一法律职业资格考试”（法律资格考试）上领先 11 分，并在真实案件咨询中的完整性、逻辑性、权威性等多项维度上取得最高分。

不过需要注意，这些指标评估的是模型本身的推理与检索能力，并非指系统内置了海量的成文法律文库。ChatLaw 的核心依托是约 9.3 万份判例训练出的匹配模型，结合外部法律条文检索，其优势在于”找对条文”而非”背诵法条”。作为学术开源项目，其代码、论文与数据集已开源供学界复现，模型本身可从 HuggingFace 免费下载。

五、适用人群与场景

适合人群：
– 有编程基础的法律科技研究者或开发者，希望搭建中文法律问答原型。
– 需要快速评估 AI 法律问答能力的产品经理、法务人员。
– 有轻度法律常识疑问、想先了解大致依据的普通网民。

典型使用场景：
1. 创业者想知道合同里某条款是否对己方不利，先让模型辅助梳理相关条文方向。
2. 程序员尝试将法律大模型接入自己的咨询类小程序，需要可商用的开源底座。
3. 研究者需复现法律 AI 论文实验或获取训练数据，将此作为参考基线。

不适合人群：需要最终法律意见的当事人（模型结果未经执业律师复核，不能替代正式法律文书）、完全无代码基础又要求本地部署的普通用户。另外，英文为主或非中文法律场景（如判例主要面向中国法域）的需求也不匹配。

六、优缺点分析

优点：
1. 中文法律场景针对性强，评测分数在多个维度优于商业闭源大模型。
2. 完全开源（AGPL-3.0），可自由下载、微调与私有化部署，数据不外泄。
3. 多智能体 + SOP 流程设计在减少幻觉、提升答案权威性方面思路新颖。
4. 附带判例匹配模型与训练数据集，形成完整生态。

不足与缺点：
1. 使用门槛较高，主要面向开发者，普通用户只能依赖演示站在线体验。
2. 部分早期版本（如基于 Anima 的 33B）偶尔会默认输出英文，直接影响体验。
3. AGPL-3.0 协议具有传染性，商用闭源集成时需评估授权风险。
4. 精度特别依赖检索知识图谱与条文覆盖，超出覆盖范围的复杂法律问题处理有限。