收益：
- 能够将法律问题转化为可研究的框架并利用人工智能进行初步研究
- 能够识别捏造的判例/引文（幻觉）的风险并验证原始文本中的每个来源
- 能够建立使用人工智能作为创意生成器的工作流程，并将最终决定权留给官方来源
该单元带有整个模块中最严重的警告。人工智能 (AI) 可以对法律问题提供流畅、令人信服且高度自信的答案；问题在于，这种回应可能基于不存在的法规、捏造的法院判决或虚假参考。这称为幻觉：模型产生的信息看似真实，但实际上是捏造的。世界上存在这样的事件：律师向法庭提交人工智能做出的虚假决定，认为它们是真实的，并面临罚款、声誉损失和纪律处分。这就是为什么这个单元有一个铁律：人工智能做初步研究；最终权威始终是主要来源。
让我们澄清一下这些术语。判例法是法院在类似案件中做出的判决，被认为具有指导性。主要来源是法律的实际文本：现行法律/法规的文本和官方决定的文本（例如官方公报、法院本身发布的决定）。二手资料包括文章、评论和针对它们写的评论。引文是对决定或文章的正式引用（决定编号、文章编号）。验证是验证人工智能从主要来源本身给出的每个属性的过程。
为什么如此危险？
人工智能是一种语言预测机器，而不是“事实数据库”。他已经学会了决策数是什么样子，如何写出推理；因此，它可以以正确的格式和令人信服的理由“产生”一个实际上并不存在的决定。他以与传达实际决定时相同的自信语气来做到这一点。因此，没有明显的幻觉警告信号；仅仅因为它“看起来安全”并不意味着它值得信赖。
第二个危险是时效性：人工智能的训练数据会在某个日期截止。该模型可能不知道该日期之后立法的变更、条款的废除或新的判例；但是，模型可能会将旧的/不正确的信息显示为当前信息。
注意：如果尚未从主要来源验证，请忽略人工智能决策编号、文章编号或引文。不存在“可能是真的”这一类别；在法律上，引用要么经过验证，要么无法使用。
安全的研究工作流程
在法律研究中安全使用人工智能的方法是将其定位为“思考伙伴”而不是“答录机”。一步一步：
- 提出问题。澄清事件、法律问题以及您所询问的法律领域（商业、商业、债务）。
- 使用人工智能作为想法/框架生成器。可能的论点、要考虑的概念、反对的观点。
- 不要要求提供具体的参考资料 - 要求一个搜索词。不要要求人工智能给出一个决策编号，而是要求你在官方数据库中搜索的关键概念和术语。
- 验证主要来源的每个来源。做出的每一项/决定均由官方立法和决定文本确认。
- 检查是否是最新的。检查文章是否有效，是否有变化。
- 最终的视图是由人类创建的。人工智能生成论点草案；法律意见和责任属于律师。
您的角色：法律研究助理。您不是最终权威。主题：[案件和法律问题的简要摘要]。要做的事情：1) 列出分析此问题时应考虑的法律概念和可能的论据。2) 建议我将在官方立法和决策数据库中查找的关键术语和概念（决策/引文编号合适）。3) 还写下对方可能的论点。如果您提供准确的法律文章或决策编号，请在旁边写上“已验证 - 从主要来源确认”它。如果您不确定，请说“我不知道”；别猜了。
如果人工智能仍然产生具体的归因，则有必要将它们放入验证队列中。让AI自己说“验证这一点”并不是验证；验证是由人工根据官方来源完成的。
以下是我打算在论证草案中使用的参考文献。为以下各项制作一份验证清单：(a) 应寻求哪些官方来源，(b) 需要确认哪些内容（文章的有效性、决定的存在及其主题），(c) 如果无法验证该怎么办。不要假设归因是正确的；只是告诉我如何验证。
弱提示/强提示
弱提示：给出最高法院的先例判决和有关该主题的相关文章及其编号。
结果：决策编号和文章以正确的格式出现，具有令人信服的推理，但可能全部或部分捏造。在未经验证的情况下使用它们是一个严重的职业错误。
强力提示：【助理角色+“你不是最终权威”+概念/论证分析+搜索词代替决策编号+“必须验证”标签+“如果你不确定，就说我不知道”+单独的验证清单]
结果：研究支持可以加快你的思考速度，但不会让你陷入捏造的参考资料中，并将每一个具体信息放入队列中等待验证。
哪里使用人工智能，哪里不使用人工智能
任务
人工智能适合吗？
为什么
论证/反论证生成
是（草案）
提供多样化的想法
建议概念和搜索词
是的
加快研究速度
简化/总结文本
是（有验证）
根据给定的文本
具体决定/文章编号
否（未经验证）
产生幻觉的风险很高
现行立法的最新版本
没有（单独）
训练数据可能已过时
最终法律意见书
不
责任和权力属于人
三个迷你箱
案例 1——欺诈性决定。一名律师要求人工智能提供支持请愿书的“先例决定”，并在未核实的情况下将 6 个决定中的 4 个添加到请愿书中。当对方表明任何决定都不存在时，律师既对案件失去了信心，又面临纪律处分。随后，该局制定了一项书面政策，即“未经第一手来源核实，人工智能来源不得入卷”；下一季度，未经证实的引用数量降至零。
案例 2 — 废除文章。一位合规专家正准备根据 AI 引用的一篇监管文章建立一个流程。在检查更新的过程中，他发现这篇文章在一年前已经被修改过；人工智能的训练数据已经过时。专家根据当前文本设置了流程。教训：人工智能监管信息只是“快照”，可能已经过时。
案例3——正确使用。一个法律团队仅使用人工智能来针对复杂的竞争法问题生成论证图和搜索词。 AI 建议查看 9 个概念和 4 个可能的反驳；该团队在官方数据库中找到并验证了这些术语的实际决策。研究的概念准备阶段减半；但未经人工智能验证，未使用任何归因。提高了速度，保持了可靠性。
常见错误
- 直接从人工智能请求决策/项目编号并在未经验证的情况下使用它。这是最常见也是最严重的错误。
- 相信，“他看起来很确定。”自信的语气并不代表诚实。
- 绕过新鲜度检查。人工智能的监管知识被冻结在教育史上；可能会错过更改。
- 让AI验证其归属。它本身无法可靠地检测模型错误；验证是在官方来源上完成的。
- 误认为人工智能是最终权威。 AI是一个初步的研究工具；法律意见和责任在于人。
- 不追踪来源。不记录从哪里验证了哪个归因会在审计和辩护中造成差距。
综上所述
在法律研究中，人工智能是一个强大的思维伙伴，但却是一个危险的“答录机”。最大的风险是幻觉，即捏造的判断和归因；第二是时效性，即训练数据是过时的。安全路径很明确：使用人工智能生成论点和搜索术语，切勿在未经验证的情况下使用具体参考文献，从原始文本中验证每个来源，并让人类形成最终意见。人工智能加速研究；主要来源和合格的专业人士决定什么是真实有效的。
应用任务
选择一个法律问题（事实或示例）。 (1) 通过安全的研究提示从人工智能获取概念图、搜索词和反论点；验证它不提供决策编号。 （2）如果AI仍然做出了某个项目/决定，则将其放入带有验证清单提示的验证队列中。 (3) 通过使用至少三个建议的搜索词搜索官方来源来确认真实来源。 （4）将“未经验证不得使用AI归因”规则写入自己的工作流程中。
清单
- [ ] AI的定位是研究助手而非最终权威吗？
- [ ] 是否需要概念和搜索词而不是具体参考？
- [ ] AI 做出的每个项目/决定是否都标记为“必须经过验证”？
- [ ] 每个引文是否都经过主要（官方）来源的验证？
- [ ] 文章是否经过货币/有效性检查？
- [ ] 最终法律意见是由人做出的吗？
- [ ] 是否记录验证来源和踪迹？