收益：
- 能够识别环境立法（法律、法规、公报）的层次结构和限值来源
- 能够使用人工智能进行立法扫描和问题生成并定向到官方文本
- 能够验证 AI 从官方公报/官方来源给出的物质编号和限值
在一家环境咨询公司，您正在为新的染厂准备废水排放许可证。客户询问“颜色和COD的限值是多少，基于什么物质？”他问道，但时间有限。你的第一反应是问一个语言模型：“根据《水污染防治条例》，纺织行业的排放限值是多少？” LLM 提供表格限制、项目编号和日期（以秒为单位）；一切看起来都非常正式和令人信服。但这是一个陷阱：语言模型以统计方式生成文本；他可以非常严肃地编造一个不存在的货号、一个被废除的规定或一个不正确的限值。在本单元中，我们将介绍正确了解立法、在立法研究中安全地使用人工智能以及从官方公报中确认每个问题的纪律。
立法层级
环境法按照等级制度运作；下台阶不能与上台阶相矛盾。了解极限值的来源使您能够在正确的来源中查找它。
步骤
谁把它摘下来？
绑定
环境实例
法律
立法机关（议会）
顶部、框架
环境法
监管
部委/部长理事会
适用并详细说明法律
水污染控制条例
通知
部委
技术细节、测量/极限表
测量和分析公报
通函/指示
行政管理
内部应用程序重定向
申请通告
限值（排放限值、排放限值）通常可以在法规附件（表格）或公报中找到。那么“我应该看哪份文件？”问题是“数字是多少？”出现在问题之前。
废除和执行的风险
立法是活的：法规改变，条款被废除（废除），新的日期文本废除旧的文本。
要检查的历史情况： - 生效日期：文本何时生效？ - 更改日期：相关文章随后是否有更改？ - 废除状态：该条款/法规是否已废除？ - 过渡性规定：现有设施是否有例外/延期？
注意：LLM的培训数据是截至某个日期的，并且不知道该日期之后发生变化的立法。此外，训练数据可能包含已过时的旧规则；该模型可以将其呈现为最新的。在使用限值之前，您必须从官方公报/官方立法门户网站确认其所依据的文本今天有效。
人工智能制造虚假商品编号的风险
语言模型最危险的行为是它产生形式上正确但内容上不存在的引用。诸如“根据第26条”或“在附件表19中”之类的短语可能纯粹是幻觉。
弱提示：“给出纺织废水排放限值和项目编号。”-> 该模型生成的项目编号和数字看似精确，但未经验证。强烈提示：“解释我应该检查哪些立法和哪种类型的附件/表格以获得纺织/染色厂的废水排放许可证。您的任务：1）确定有关该主题的可能类型的法规和公报以及哪个部分（附件/表格）。“告诉我可以找到部门限制。 2) 请勿编造具体的货号或数量限制；放置一个占位符“待在官方公报上核实”。 3）列出在官方文本中搜索时我应该使用哪些关键术语（扇区名称、参数）。 4) 提醒我应该检查的历史风险（废除、修订、过渡条款）。”
强大的提示模型将其用作搜索和导航工具——“我应该查看哪个文档，使用哪个术语？” ——不作为数字的来源。
提示：在监管研究中使用法学硕士最安全的方法是将其定位为“研究指南针”而不是“答题机”。让模型产生问题：“该设施有哪些许可、哪些参数、哪些可能的法规？”然后从官方文本中寻找这些问题的答案。模型指导；官方公报决定。
验证流程：官方公报确认
每个问题和项目编号要遵循的链：
1) 从法学硕士获取主题/文件类型/关键术语（不要依赖文章编号）。2) 在官方立法门户上打开法规的当前文本。3) 验证该文本未被废除及其生效日期。4) 在文本中搜索相关文章/添加内容；亲眼查看商品编号和限制。 5）查看过渡条款和最新修订内容。 6) 在报告中写下来源并附上完整引文：[法规名称]、[文章/附件编号]、[官方公报日期和编号]。
示例：测试 LLM 输出
# 将LLM的参考文献翻译成“待验证”清单llm_iddialari = [ {"source": "SKKY", "item": "Annex Table 10.7", "parameter": "COD", "limit_mgL": 300, "status": "NOT VERIFIED"}, {"source": "SKKY", "item": "Article 26", "parameter": "pH", "limit": "6-9", "status": "NOT VERIFIED"},]for k in llm_claims: # 没有官方公报上的“VERIFIED”，任何人都无法进入报告。assert k["status"] == "NOT VERIFIED" print(f"REQUIRE CONFIRMATION: {k['source']} / {k['article']} / {k['parameter']}")# 必须在官方公报文本中手动找到每一行，并且必须更新状态。
这种方法将模型输出视为待确认的声明列表，而不是直接接受的“事实”。
迷你盒
一位环境官员参考LLM收到的“相关法规第18条”，在大气排放报告中写入了烟气限值。当报告提交给管理部门时，审计员打开了这篇文章；第 18 条涉及一个完全不同的问题（监督义务），并且模型给出的数值限制在当前案文中根本不存在——该值属于两年前已废除的通知。报告被退回，流程被推迟了数周，公司失去了信心。经进一步调查，发现该限量与本通知附件中的编号不同。单一的官方公报控制就可以避免所有这些损失。教训：模型可以“弥补”参考，而且一旦做到，就非常有说服力。
常见错误
- 使用法学硕士给出的物质编号和限值，而未在官方公报上确认。
- 将已废除的法规误认为是现行法规。
- 忽略模型不知道训练日期后发生变化的立法。
- 在错误的层（规律）中寻找极限值；而该值在法规的附件/通知中。
- 绕过过渡性规定和现有设施例外情况。
- 未记录完整引用的来源（法规名称、文章/附件、RG 日期和编号）。
- 不要将模型用作“答录机”，而应将其用作研究指南针。
综上所述
- 环境立法按照法律-规定-通报-通报的层次结构运作；限值一般在法规附件或通知中。
- 立法是有生命力的；废除、修订和生效日期影响每个问题的有效性。
- LLM 可能会产生可信但不存在的项目编号、废除的文本和错误的限制（幻觉）。
- 使用该模型的安全方法是不要将其用作答案的来源，而是将其用作“我应该使用哪些术语查看哪个文档？”是做一个指南针。
- 每篇文章和问题都必须从当前的官方公报/立法门户文本中进行视觉确认，并且其来源必须写有完整的印记。
- AI输出的是初步研究草案；未经正式文本核实，任何立法参考都不能用作报告或决定的基础。
应用任务
选择具体场景（例如设施废水排放或烟气排放的限值研究）。首先，写一个强有力的提示，仅使用法学硕士作为指导：制定您需要查看的法规/通知类型、附件/表格以及关键术语；在标有“未验证”的索赔清单中写下所有项目编号和模型给出的编号。然后从真正的官方来源（官方公报/官方立法门户）找到相关的当前文本；核实其有效且未被废除；目视确认相关物质/补充剂和限量值。写下每个已验证项目的完整引文（法规名称、文章/附件编号、OG 日期和编号）。最后，“法学硕士给出的哪份参考文献被证明是错误/不完整/捏造的？”用一个段落评估这个问题。