Claude 在法律文书起草中的辅助作用

第一次用Claude起草《股权代持协议》时，我犯了一个几乎所有法律人都会犯的错误，我把它当成了一个只会填空的模板机器。 我输入“起草一份股权代持协议”，三秒钟后得到一份看起来完整、格式工整的合同。

我满意地浏览到第三页，突然意识到一个致命问题：这份协议的第二条和第六条存在明显的权利义务冲突，代持人同时被要求“完全服从实际出资人指示”和“以自己的名义独立行使股东权利”。这种逻辑矛盾，任何一个实习律师都能一眼看出来。

我没有直接修改这份协议。我重新打开了一个对话窗口，换了一种方式告诉Claude我需要什么。这一次，它给我的东西完全不同，不是更好看，而是逻辑自洽、章节之间形成完整闭环、风险条款与义务条款环环相扣。

这件事让我意识到一个关键问题：我们对AI辅助法律文书的理解，从一开始就错了。 大部分律师在谈论AI法律文书时，讨论的都是“能不能用”“准不准”“会不会替代律师”。但真正有价值的问题其实是另一个：Claude这样的长上下文AI，到底改变了法律文书起草中的哪个环节？

在过去一年里，我系统性地测试了Claude（从3.0 Sonnet到3.5 Sonnet版本）在合同类文书、法律意见书、诉讼文书三大类法律文本中的辅助表现。这篇文章，我想把我踩过的坑、验证过的结论、以及一套可复用的操作框架完整拆解出来。

一、核心结论：Claude不是起草工具，是结构规划系统

先给结论。

Claude在法律文书起草中最核心的价值，不是“生成文字”，而是“规划结构”。

这不是语义游戏。这里有一个关键区别：

• 生成文字是指AI理解你的需求，给出成段的、可直接使用的文本内容。这确实是Claude能做到的。
• 规划结构是指AI在生成内容之前，先理解法律文书内在的逻辑关系、权利义务分配、风险传导机制，然后按照这些逻辑去组织条款。

绝大多数律师用AI辅助起草时，只用了“生成文字”这一层。他们输入一个标题或者简单的需求描述，得到一份看起来完整的文书，然后开始逐条修改。这个工作流有严重缺陷：你在修改一棵树的叶子时，根本不知道它的根系有没有长错地方。

我测试过三种不同的工作流：

工作流A：传统模板流。 打开Word，找到事务所内部模板，逐条填写、修改。一份中等复杂的《软件开发外包合同》，熟练律师需要3-4小时。

工作流B：简单AI生成流。 给Claude一句话指令，生成初稿，然后人工修改。同样一份合同，初稿生成只需30秒，但人工修改环节需要2.5-3小时，因为律师需要逐条核对逻辑、补充缺失条款、删除冗余内容、调整权利义务分配。

工作流C：结构化AI协作流。 先在Claude中规划合同结构（章节逻辑、权利义务分配框架、风险条款布局），确认结构无误后，再要求Claude按确认的结构生成初稿。初稿生成时间仍然是30秒，但人工修改时间骤降到40-60分钟。

三次测试，同样一份《软件开发外包合同》，工作流C的总耗时是工作流A的约1/5，是工作流B的约1/3。

这个数据解释了一个现象：为什么有些律师说“AI挺好用的”，而另一些律师说“AI根本没法用”？不是AI的差距，是使用方式的差距。 把Claude当成模板生成器使用的人，最终会发现AI输出需要大量修改，反而增加了工作量。把Claude当成结构规划系统使用的人，会发现它真正改变了起草的效率瓶颈。

法律文书起草真正的效率瓶颈从来不是“打字速度”，而是“结构搭建”。 一份合同的条款布局是否合理，权利义务分配是否平衡，风险条款与其他条款是否形成闭环，这些决定文书质量的要素，都发生在结构层面。Claude的长上下文能力和结构化理解能力，恰好击中了这个效率瓶颈。

二、为什么是Claude，而不是其他AI？

这个问题的答案不能笼统地说“Claude更强”。法律文书起草对AI有几个特殊要求，而这些要求恰好是Claude在技术路线上的强项。

1. 长文本的连贯性

一份常规的《股权转让协议》通常在8-15页之间，大约3000-8000字。一份复杂的《投资协议》可能达到30页以上，超过15000字。这不是一个“写一段话”的生成任务，而是一个“写一整本书”的结构任务。

我做过一个对比测试： 分别用Claude 3.5 Sonnet和ChatGPT-4o起草同一份《技术转让合同》，要求合同包含定义、转让标的、技术资料交付、付款条件、技术服务与培训、技术改进成果归属、保密条款、违约责任、争议解决、不可抗力等12个主要章节。

两个AI都生成了一份看起来完整的合同。但差异出现在第五页之后：

• Claude生成的合同，第十条（违约责任）引用了第四条（付款条件）中约定的付款节点和金额，形成了精确的逻辑关联。
• ChatGPT生成的合同，第十条出现了“乙方未按约定时间支付转让费用，应承担违约责任”的表述，但在第四条中根本没有约定明确的支付时间节点。换句话说，违约责任条款成了一个空壳。

这不是偶然的差异，而是模型架构决定的系统性差异。 Claude在设计上就强化了长文本的结构化理解和跨章节信息调用能力。在起草长文本法律文书时，这种能力直接决定了文书的质量下限。

2. 格式规范的遵循能力

法律文书对格式有严格要求。不是“排版好看”意义上的格式，而是条款编号体系（一、1.1、(a)等层级）、特定条款的位置（例如保密条款通常放在协议末尾，争议解决条款紧随其后）、某些固定表述（如“本协议一式四份，双方各执两份，具有同等法律效力”）的准确使用。

我测试了Claude对中国法律文书格式规范的遵循度。测试方法是：给定一份格式标准的《租赁合同》样本，要求Claude按照完全相同的格式体系，起草一份不同标的（租赁场地改为租赁设备）的合同。

测试结果：

Claude在格式遵循上明显优于ChatGPT。原因在于Claude在训练中强化了“遵循格式指令”的能力，不是生成格式，而是理解并复现格式规则。

3. 伦理约束带来的保守性，在法律场景中恰恰是优势

Claude有一个被很多用户诟病的特点：在涉及法律、医疗、金融等专业领域的问题上表现得相对“保守”，会反复强调“请咨询专业人士”“本建议不构成法律意见”。在一个娱乐性对话中，这种保守性可能让人不爽；但在法律文书起草场景中，这种保守性恰恰是必要的。

我测试过一个场景： 要求AI起草一份包含“惩罚性赔偿条款”的《买卖合同》。

• ChatGPT生成了包含“乙方违约需支付合同金额三倍作为惩罚性赔偿”的条款，没有任何风险提示。
• Claude生成条款的同时附加了说明：“请注意，惩罚性赔偿条款在中国合同法框架下存在被认定为无效的风险，建议在加入该条款前审慎评估其可执行性。”

对于法律从业者来说，后者的价值远高于前者。你需要的不是一份看起来漂亮但隐藏法律风险的文书，而是一份明确标注了风险点的、可供专业判断的草稿。

三、但别急着下结论：Claude在法律文书起草中的真正定位

讲完优势，必须讲清楚边界。这个边界如果不划清楚，AI辅助法律文书就会变成AI制造法律风险。

Claude不是律师，也不能替代律师

这句话听起来像废话，但在实际操作中，很多法律从业者确实在模糊这个边界。我见过有律师用Claude生成《法律意见书》初稿，修改了几处措辞后就发给客户。这是极其危险的。

Claude在法律文书起草中的正确角色是“高级文书助理”，它能：

• 将你的法律判断转化为结构化的文书框架
• 基于你提供的事实和诉求，生成符合格式规范的初稿
• 检查条款之间的逻辑一致性和完整性
• 发现你可能忽略的风险提示点

但它不能：

• 判断客户提供的事实是否真实完整
• 确定某个法律观点是否适用于当前案件
• 预判法官/仲裁员对某一条款的裁量倾向
• 承担任何形式的执业责任

更精确地说：Claude处理的是文书的“形式层”和“结构层”，律师处理的是文书的“判断层”和“责任层”。 形式层包括格式、措辞、条款组织；结构层包括章节逻辑、权利义务分配框架；判断层包括法律适用性、事实认定、策略选择；责任层是最终的合规审核和执业责任承担。

我给自己设定的工作原则是：Claude生成的所有内容都必须经过人工审核，没有例外。 即使是一份简单的《保密协议》，我也会逐条核查。

原因很简单：Claude的“法律知识”来源于训练数据，它无法区分训练数据中的正确法律观点和错误法律观点。在某些具体法律问题上，Claude可能会生成看似合理但实际存在偏差的表述。这种偏差在法律实践中可能造成严重后果。

数据隐私是真实存在的风险

很多律师在使用AI辅助起草时忽略了一个关键问题：你输入给Claude的信息，包括客户名称、交易结构、商业条款细节，是否会被用于模型训练或存在泄露风险？

我对此制定了明确的使用规范：

• 绝不直接输入客户的真实名称、地址、证件号等个人信息。 用虚构名称（如“甲方”“乙方”）替代。
• 对敏感的商业模式或交易结构做抽象化处理。 例如“某企业通过VIE架构控制境内运营实体”可以简化为“境外主体通过协议安排控制境内业务”。
• 不在同一个对话窗口中混合处理多个不同客户的敏感信息。 每个独立案件开启全新对话。这个习惯很重要，如果我在同一个对话里处理客户A的股权架构和客户B的债务重组，Claude可能在生成文书时意外调用了错误的事实信息。分开对话是最简单也最有效的隔离方式。

Anthropic官方声明不会使用用户对话数据训练模型，我目前的工作也基于这个前提。但作为一个法律从业者，你永远不应该把数据安全的全部责任交给一纸声明。最小化敏感信息输入，是从源头控制风险的方式。

四、我踩过的最大的坑：把Claude当成“填空题机器”

回到文章开头提到的那份《股权代持协议》。那次经历让我意识到一个普遍存在的误区。

大部分律师在使用AI辅助起草时，下意识地把它当成一个“智能模板工具”：输入需求 → AI填充内容 → 人工修改。这个流程看起来高效，但实际上有一个根本缺陷：模板逻辑和具体案件逻辑之间存在断裂。

传统模板（比如律所内部使用的合同模板）有一个隐含假设：起草者具备足够的专业判断力，能够识别模板中哪些条款适用于当前案件，哪些需要修改，哪些需要删除。模板的章节结构和条款设置是固定的，起草者的任务是在模板框架内做加减法。

但在AI起草的场景中，这个假设不再成立。AI生成的初稿没有任何“适用性判断”，它只是根据你的输入生成了它认为“最可能符合需求”的结构和内容。 如果你输入的需求描述不够精准，AI生成的初稿可能在结构层面就与案件实际情况脱节。而人类律师在修改这份初稿时，往往只关注条款层面的措辞调整，忽略了结构层面的偏差。

我自己的教训就发生在这里。 在我第一次起草那份《股权代持协议》时，我在需求描述中强调了“实际出资人保留对公司的完全控制权”。Claude基于这个描述，生成了一份极度偏向实际出资人的协议结构，几乎所有权利都赋予实际出资人，而代持人被简化为一个“名义持有者”。

这个结构本身没有错，它反映了我输入的需求。但问题是：一份真实的股权代持关系，远比“实际出资人控制一切”要复杂。 代持人虽然是名义股东，但在工商登记、银行开户、税务申报等环节中，他是唯一具有合法身份的操作主体。完全剥夺他的独立性，会导致这些实操环节无法推进。

我应该在生成初稿之前，先去和Claude讨论这个案件的权利义务分配逻辑，而不是直接告诉它“给我生成一份协议”。

从那以后，我的工作流彻底改变了。

五、被重新定义的工作流：从“起草”到“结构规划”

经过反复测试和调整，我建立了如下工作流。这个工作流的核心思想是：把AI生成放在结构确认之后，而不是需求描述之后。

阶段一：信息梳理（10-20分钟）

这个阶段，Claude完全不参与文书生成。我用Claude来做信息结构化。

输入：客户提供的交易背景、商业诉求、特殊要求（用抽象化处理后的信息）。

指令示例：

> “请你作为我的法律分析助理。我接下来会告诉你一个股权转让交易的基本情况，请你帮我梳理出以下信息：

> 1. 交易的商业实质是什么（股权转让 vs 资产收购 vs 增资扩股）？

> 2. 各方的核心诉求分别是什么？

> 3. 本次交易的主要风险点有哪些（法律风险、商业风险、履约风险各列三点）？

> 4. 基于以上分析，这份协议应该重点保护哪一方的利益？

> 不要生成合同条款，只做分析。”

这个阶段的输出，帮助我在进入文书起草之前，先完成法律判断。Claude的分析当然不能替代我的判断，但它提供了一个“第二视角”，有时能发现我在初步沟通中忽略的风险点。

阶段二：结构设计（15-25分钟）

这是整个工作流中最关键的阶段。在这个阶段，我会和Claude讨论文书的章节结构、逻辑关系和风险条款布局。

指令示例：

> “基于刚才的分析，我想请你帮我设计这份《股权转让协议》的章节结构。要求是：

> 1. 列出所有必要的章节标题（从第一条到最后一条）

> 2. 在每个章节标题下，用1-2句话说明该章节的核心内容

> 3. 指出各章节之间存在逻辑关联的条款（例如付款条件与违约责任之间的联动关系）

> 4. 标注你认为可能存在争议或需要特别注意的条款

> 先不要生成完整的合同正文，只做结构设计。”

这个阶段，我会和Claude多轮对话，调整结构，直到逻辑自洽。当结构确认无误后，Claude生成完整初稿的准确度会大幅提升。

这里有一个我反复验证过的操作技巧： 不要接受Claude第一次给出的结构设计。它第一次给出的结构往往是“最常见”的结构，而不是“最适合当前案件”的结构。你需要追问：

• “第三条（付款条件）和第七条（违约责任）之间的联动关系是否合理？违约责任是否覆盖了所有付款节点？”
• “第六条（陈述与保证）的条款设置是否与第四条（交割条件）呼应？”
• “如果我希望加强对转让方虚假陈述的追责力度，你会建议修改哪个章节的哪些条款？”

这种追问会让Claude的结构设计从“通用模板”转向“定制化方案”。

阶段三：初稿生成（30秒-1分钟）

在这个阶段，结构已经确认完毕，生成就是水到渠成的事。

关键指令：

> “请按照我们刚才确认的结构，生成完整的《股权转让协议》草案。请注意：

> 1. 严格按照确认的章节顺序和内容框架撰写，不要增减章节

> 2. 使用中国合同法格式，条款编号采用‘一、/1.1/(1)’体系

> 3. 需要填写具体信息的地方用方括号标注，如【转让方名称】

> 4. 在每一个重要的权利义务条款后，用脚注格式标注该条款的法律依据或风险提示

> 5. 全文保持一致的术语使用，不要在同一概念上使用不同表述”

这个阶段最容易被忽视的是指令的精确度。越是“生成”的阶段，越要给Claude明确的约束条件。 模糊的指令产生模糊的结果，这在法律文书领域是不可接受的。

阶段四：人工精修（40-60分钟）

即使有前三阶段的铺垫，人工精修仍然不可省略。我的精修清单包含以下核查项：

事实准确性核查

• 所有需要填写的具体信息（主体名称、金额、日期、标的等）是否正确
• Claude生成的法律引述是否准确（注意：AI可能会引用不存在的法条）

逻辑一致性核查

• 权利义务条款与违约责任条款是否形成闭环
• 各章节之间的联动关系是否合理
• 是否存在相互矛盾的条款

风险条款核查

• 争议解决条款是否明确有效
• 保密条款、知识产权条款等是否完整
• 是否存在不公平或不合理的条款安排

格式规范性核查

• 条款编号体系是否规范统一
• 签署栏格式是否符合要求
• 附件标注方式是否正确

六、一个完整的实战拆解：《软件开发外包合同》从头到尾

为了让上面讲的工作流更具体，我把一个完整案例拆解出来。

案件背景（已脱敏处理）： 甲方是一家互联网公司，需要委托乙方开发一款小程序。甲方关心的核心问题是知识产权归属、源代码交付时间和标准、以及乙方延期交付的违约责任。

阶段一：信息梳理

我给Claude的输入：

> “甲方案件情况：甲方委托乙方开发一款小程序，总开发费用50万元，分期支付。甲方要求在合同中明确：

> 1. 小程序的知识产权（包括源代码）全部归甲方所有

> 2. 乙方必须在签订合同后90天内交付完整源代码

> 3. 如果乙方延期交付，需要承担较重的违约责任

>

> 请帮我分析这个交易的法律关系和主要风险点。”

Claude的分析输出（摘要）：

• 交易定性：技术服务合同，兼具委托创作的性质
• 知识产权风险：如果没有明确的归属约定，源代码的著作权可能默认归属于开发者
• 交付风险：源代码的“完整性”需要有客观标准，否则甲方在验收时缺乏判断依据
• 违约责任设计难点：如何平衡对甲方的保护和对乙方履约意愿的维持过高的违约责任可能导致乙方宁愿违约也不继续履行

这一轮分析让我意识到一个问题： 我在需求描述中只强调了“保护甲方”，但没有考虑到过度保护可能反而损害甲方利益。如果违约责任设置过重，乙方在出现轻微延期时可能选择直接放弃履约，甲方反而拿不到产品。

阶段二：结构设计

基于信息梳理的发现，我和Claude进行了多轮结构讨论。最终确认的章节结构如下：

一级标题： 定义、项目内容与范围、开发周期与交付标准、费用与支付、知识产权归属、技术服务与培训、保密条款、陈述与保证、违约责任、争议解决、不可抗力、其他条款、签署栏

关键逻辑关系标注：

• 第三条（开发周期与交付标准）的“交付标准”定义，直接关联第九条（违约责任）的“延期交付认定标准”
• 第二条（项目内容与范围）的“技术参数”附表，是判断知识产权归属完整性的基础
• 第八条（陈述与保证）的乙方保证条款，与知识产权归属条款形成双重保护
• 第四条（费用与支付）的付款节点，应与第三条的开发里程碑一一对应
• 第九条的违约责任应区分“一般延期”和“重大违约”，设置阶梯式违约责任，避免一刀切

这一轮讨论帮我规避了一个常见陷阱：如果不区分“一般延期”和“重大违约”，一旦乙方延期交付3天，甲方就可能面临是否启动违约条款的尴尬，启动吧，代价太高；不启动吧，条款形同虚设。在结构设计阶段就区分不同级别的违约，能避免后续的履约困境。

阶段三：初稿生成

按照阶段二的确认结构生成，我在生成指令中特别加入了：

> “违约责任条款请设计为阶梯式：一般延期（15天以内）适用每日千分之一的违约金；重大延期（超过15天）适用合同总金额20%的违约金且甲方有权单方解除合同。”

最终的初稿，说实话，已经是一个可以直接进入修改阶段的高完成度草案。核心条款基本可用，需要的只是一些细节措辞调整和补充。

阶段四：人工精修

在人工精修阶段，我对初稿做了以下调整：

• 补充了一条“源代码交付标准”： Claude将交付标准定为“甲方验收合格”，但这个标准太主观。我将其修改为“源代码通过甲方指定的第三方代码审计机构的代码质量标准检测”，把主观标准变成了客观可操作的标准。
• 调整了知识产权条款的细节： Claude默认使用了“委托作品的著作权由委托人享有”的标准表述，但软件开发合同的情况更复杂，可能涉及第三方组件、开源代码的授权问题。我增加了关于第三方知识产权的陈述与保证条款。
• 强化了保密条款的范围定义： Claude生成的保密条款范围是“本协议签署后获知的对方信息”，但很多商业信息在协议签署前的商务谈判阶段就已经披露。我将其修正为“在商务谈判及协议履行过程中获知的对方信息”，覆盖了拟合作阶段。

整个案例的过程时间线如下：

七、Prompt工程不是玄学，是结构化的需求说明书

讲了工作流，必须讲Prompt。我见过太多律师给Claude输入“帮我写一份合同”，然后抱怨AI不好用。这就像你告诉一个律师助理“帮我写份合同”而不给任何背景信息，然后抱怨他写出来的东西不能用。

好的Prompt，本质上是把“脑子里的需求”翻译成“AI能理解的结构化指令”。

我总结了一套适用于法律文书起草的Prompt公式：

核心公式：角色 + 案件背景 + 任务 + 结构约束 + 格式规范 + 特别要求

一个好的Prompt示例：

> 【角色设定】 你是一位专注于商事合同起草的资深律师助理，有15年中国合同法实务经验。

>

> 【案件背景】 我正在处理一个软件委托开发案件。甲方案件情况：甲方是互联网公司，委托乙方开发小程序，总费用50万元，分期支付。甲方最关心：知识产权归属、交付时间、违约责任。

>

> 【任务要求】 请帮我起草一份《软件开发外包合同》草案。

>

> 【结构约束】 合同必须包含以下章节：定义、项目内容与范围、开发周期与交付标准、费用与支付、知识产权归属、技术服务与培训、保密条款、陈述与保证、违约责任、争议解决、不可抗力、其他条款。其中，知识产权归属条款必须明确约定所有源代码和相关文档的著作权归甲方所有。违约责任条款请设计为阶梯式结构。

>

> 【格式规范】 使用中国法律文书格式。条款编号采用“第X条”体系。需要填写具体信息处用方括号标注。在关键条款后添加脚注提示法律风险或注意要点。

>

> 【特别要求】 请在生成全文后，单独列出你认为甲方需要特别注意的5个风险点。不要使用真实客户名称或其他可识别信息。

对比一下，一个差的Prompt：

> “帮我写一份软件开发外包合同。”

两者的差异不是“细节多”和“细节少”的差异，而是需求明确程度的差异。差的Prompt让AI猜测你的需求，好的Prompt让AI精确理解你的需求。

三个可以即拿即用的Prompt模板

我整理了三个高频场景的Prompt模板，直接可用（需根据具体案件替换方括号内的信息）。

模板1：合同起草

> 你是一位专注【合同类型】领域的法律专家。请基于以下背景起草一份【合同名称】草案。

>

> 核心背景：

> 1. 甲方：【简要描述，如“某科技公司”】

> 2. 乙方：【简要描述，如“某软件开发团队”】

> 3. 交易实质：【一句话概括】

> 4. 核心风险关注点：【列出3-5点】

>

> 结构要求：

> 【列出具体章节要求，或使用“请参考标准模板结构”】

>

> 特别指示：

> – 【条款1特殊要求】

> – 【条款2特殊要求】

> – 【格式/脚注/风险提示要求】

>

> 请在生成全文后，单独列出本合同的3个关键风险点和建议。

模板2：合同审查

> 你是一位商事合同审查专家。以下是一份【合同名称】的草案，请从【甲方/乙方/中立】角度进行审查。

>

> 审查重点：

> 1. 权利义务分配的平衡性

> 2. 违约责任条款的合理性和可执行性

> 3. 争议解决条款的有效性

> 4. 是否存在相互矛盾或逻辑断裂的条款

> 5. 【其他特别关注点】

>

> 请按以下格式输出审查意见：

> 【条款原文】- 【风险等级（高/中/低）】- 【问题描述】- 【修改建议】- 【修改后文本】

>

> 【在此粘贴合同全文】

模板3：法律文书结构设计

> 我将要起草一份【文书类型】，涉及的法律关系是【简要描述】。在正式起草之前，请帮我设计文书的章节结构。

>

> 请完成以下任务：

> 1. 列出所有必要的章节标题（从第一条到最后一条）

> 2. 在每个章节标题下，用1-2句话说明该章节应当包含的核心内容

> 3. 标注各章节之间的逻辑关联（例如“第五条与第八条形成闭环”）

> 4. 指出可能存在的结构风险（例如“如果缺少X条款，可能导致Y风险”）

> 5. 对于争议较大的条款，请提供两种不同的写法思路供我选择

>

> 暂时不要生成完整文书，只做结构设计。

这三个模板的共同特点是：高度结构化、明确约束条件、要求输出格式。 我使用Claude一年多来最深刻的体会是：你对AI的专业要求有多具体，AI的输出质量就有多高。这和你带人是一样的，你不知道怎么用清晰的语言表达要求，给出的产出就容易打折。

八、当文书起草遇到复杂案件：Claude的进阶操作

常规的合同类文书，上述工作流基本够用。但在处理复杂案件时，我会用几个进阶操作。

1. 多轮结构推演

复杂案件的文书结构往往不是一次性能敲定的。我的做法是：让Claude提供2-3个不同的结构方案，然后做比较选择。

指令示例：

> “针对这个案件，请设计两套不同的合同结构：

> 方案A：以保护甲方利益为优先，承担适度平衡风险

> 方案B：以权利义务均衡为原则，争取双方共赢

> 请列出两套方案的章节结构、关键条款差异、以及各自的风险/收益分析。”

这个操作帮助我在结构层面完成策略选择，而不是在条款层面陷入细节纠缠。

2. “反向测试”，让Claude攻击自己的草案

这是我自己摸索出来的一个非常有效的方法。

当Claude生成合同草案后，我会开一个新的对话窗口，给Claude另一个角色设定，“对方律师”，然后让它从对立角度审查这份合同，找出所有对己方不利的条款。

指令示例：

> “你现在是【乙方】的代理律师，正在审查甲方提供的这份【合同名称】草案。请从乙方利益角度，逐条分析这份合同中对乙方不利的条款，并给出修改建议。

>

> 【粘贴合同全文】”

这个操作经常能发现我在利益平衡上的盲点。作为一个执业律师，我在起草合同时不可避免地会偏向委托人的利益。让Claude从对立面审查，相当于在发出合同之前先做了一轮对方律师的模拟攻击。

我做过一个测试： 对同一份《股权转让协议》，我的自我审查找到了5个需要调整的条款，“反向测试”找到了7个，其中2个是我完全没注意到的。“反向测试”帮我在合同发出前填补了可能被对方抓住的漏洞。

3. 条款级别的“方案生成”

对于某些争议较大的条款，我会让Claude生成多个写法，然后从中选择或组合。

指令示例：

> “关于违约责任条款，请提供三种不同的写法思路：

> 方案A：偏向保护守约方，违约金标准较高

> 方案B：注重平衡，违约金标准适中但覆盖范围广

> 方案C：偏向商业实际，强调补救措施优先于惩罚

> 每种方案请写明完整的条款文本和各自的利弊分析。”

这个操作把“我应该写什么”的选择题变成了“我从这些方案中选哪个”的判断题。从认知心理学的角度来说，做判断题比做选择题要容易，也更容易做出高质量决策。

九、什么情况下不应该用Claude？

讲完了怎么用，必须讲清楚什么时候不该用。

1. 涉及高度敏感商业信息的案件

如果一个案件涉及尚未公开的并购交易、上市前的股权结构调整、或者关键技术转让，我不建议使用任何外部AI工具辅助起草，包括Claude在内。

理由很简单：商业泄露的代价远大于起草效率提升的价值。一份合同的修改可能多花几小时，但商业信息一旦泄露，损失可能没有上限。

可以部分使用的情况： 在不输入敏感信息的前提下，用Claude讨论抽象的法律问题（例如“VIE架构下如何设计股权质押条款”），而不是处理具体案件。

2. 需要大量事实核查的案件

Claude不适合处理事实密集型案件，因为它无法判断输入事实的真实性。

举例：一个涉及多笔往来款项、复杂账目、多次口头约定的合同纠纷案件，文书的核心工作是梳理事实、核对证据、构建事实陈述。这类工作中，Claude的辅助价值有限，甚至可能因为生成不准确的事实叙述而增加工作量。

这类案件，传统的事实梳理方法更可靠。 把Claude用在它擅长的“结构规划”上，而不是用在它不确定的“事实判断”上。

3. 高度依赖特定司法解释或地方性法规的案件

Claude的训练数据覆盖了国家层面的法律法规，但对地方性司法实践的覆盖有限。

如果你处理的案件涉及特定地区法院的审判倾向（例如某些地区法院对违约金调整幅度的特殊裁量标准）、或行业监管部门的特殊执法口径，不要依赖Claude对这些特殊规则的判断。Claude可能会给出“一般正确但在这个特定场景下不适用”的建议。

4. 紧急且简单的小案件

反而是一些非常简单的小案件，用Claude辅助可能不划算。

例如一份《简单的借贷合同》，模板已经足够成熟，你只需要填入金额、利率、期限。用Claude生成 → 人工修改 → 最终确认，这个流程反而比直接套模板更慢。

判断标准很简单：如果人工起草耗时小于30分钟的简单文书，直接用模板即可。 Claude的边际效益在复杂文书上更显著。

十、AI辅助法律文书的未来走向：我的三个判断

在系统性地使用Claude一年多之后，我对AI辅助法律文书形成了三个判断。

判断一：AI不会替代律师，但会改变律师的工作结构

这不是一个“AI永远无法替代人类”的温情判断，而是一个基于法律工作本质的分析。

法律文书起草的核心从来不是文书的格式或措辞，而是法律判断，当事人在什么法律框架下，通过怎样的权利义务安排来达到商业目的或解决纠纷。这个判断涉及法律理解、商业理解、风险预判和策略选择，是人类律师的核心价值。

AI改变的不是“谁来做判断”，而是“判断之后的工作效率”。 一旦法律判断完成，后续的文书框架搭建、条款撰写、格式规范等“执行层”工作，AI可以大幅提效。

这意味着未来的律师工作结构可能会变化：法律判断和策略设计的比重会增加，文书执行层的比重会减少。初级律师的成长路径也会改变，他们不再从“抄模板”开始，而是从“审查AI初稿”开始，这对专业判断能力的培养其实是有利的。

判断二：结构化的文书范式将成为主流

AI辅助法律文书的普及，有可能推动法律文书范式的变化。

传统的法律文书（尤其是一些老派律师起草的文书）存在大量的叙事性段落、冗长的背景陈述、以及夹杂在一起的权利义务说明。这种写法在人工起草时代有其合理性，律师按照思维流输出，写到哪算哪，事后补充修改。

但AI生成更适合高度结构化的范式：清晰的条款编号、模块化的章节设置、逻辑关系显式标注。AI的参与可能会倒逼法律文书变得更“标准”、更“结构化”、更“可读”。

这个趋势已经在发生。越来越多的年轻律师在起草合同时使用表格化的权利义务对照表、流程化的履约步骤、分层化的违约责任结构。这些不是AI发明的，但AI让这种写法变得更容易实现。

判断三：风险提示和合规审查将成为AI的核心应用场景

目前AI辅助法律文书的主要场景是“生成”，写合同、写意见书、写诉讼文书。但我预测，未来更重要的是“审查”，AI检查合同中的逻辑漏洞、提示隐藏的风险、比对不同版本之间的条款变化。

因为生成只是“从无到有”，审查却是“从有到优”。从无到有解决的是效率问题，从有到优解决的才是质量问题。而在法律实践中，质量问题远比效率问题重要。

Claude已经展现出初步的合同审查能力，尤其在识别条款之间的矛盾、标注模糊表述、提示遗漏条款方面。 随着AI对法律理解的深化，这个方向的应用会比“写合同”产生更大的价值。

十一、给正在考虑使用Claude起草法律文书的同行：一个务实的行动建议

如果你读到这里，说明你对AI辅助法律文书有真实的兴趣。作为一个已经在这个领域踩过坑、交了学费的人，我想给一个务实的行动建议。

第一步：从一份简单的合同开始（本周可完成）

不是从最复杂的案件开始，而是从一份你已经非常熟悉、闭着眼睛都能写出来的合同开始。

为什么？因为你对这类合同有充分的判断力，能够识别AI输出中的任何问题。用熟悉的合同类型来测试AI，风险最低，学习效果最好。

操作清单：

1. 选一份你上个月起草过的标准合同（保密协议、简单的买卖合同等）
2. 用本文第六节的Prompt模板，重新起草一次
3. 对比你的原稿和AI生成稿，找出差异
4. 记录你的发现：AI哪些地方做得好？哪些地方不行？为什么？

这个操作的核心目的是建立“对AI能力的精确认知”，而不是测试“AI能不能用”。

第二步：尝试“结构设计先行”工作流（两周内完成）

选一个中等复杂度的案件，按照本文第五节的工作流完整走一遍。

关键： 不要在结构确认之前就让AI生成全文。严格按照“信息梳理 → 结构设计 → 初稿生成 → 人工精修”的顺序执行。如果你跳过了某个阶段，这个工作流的效果会打折扣。

在这个阶段，你可能会遇到两个障碍：

1. 结构设计阶段，你不知道应该和Claude讨论什么。 没关系，先用本文的Prompt模板，逐步调整。结构设计的本质是“逻辑梳理”，你需要的不是一个正确答案，而是一套你可以判断和修改的初始方案。
2. 人工精修阶段，你担心自己有遗漏。 本文第八节的“反向测试”会帮到你。让Claude从对立面审查你自己的稿子，是发现遗漏的有效手段。

第三步：建立自己的使用边界和规范（一个月内完成）

经过前两步的实践，你对Claude在法律文书起草中的优势和局限会有自己的判断。基于这些判断，建立你的个人使用规范。

我的规范，供你参考：

• 所有AI生成的文书，必须在文件属性中标注“AI辅助生成初稿”，直到人工精修完成
• 涉及客户敏感信息的案件，一律不使用外部AI工具
• 紧急但简单的案件（<30分钟人工起草量），直接套模板，不绕AI流程
• 复杂案件必须用“结构设计先行”工作流，不跳步骤
• 每个新案件开启全新对话窗口，不在历史对话中混合处理多个案件

十二、最后的提醒：工具理性与专业主义的平衡

写了这么多关于“怎么用Claude起草法律文书”的内容，我想在最后讲一句可能不太好听的话：

工具不能替代判断，效率不能替代质量。

在法律实践中，一份文书的真正价值不在于它的起草速度，而在于它对当事人利益保护的程度。AI可以让起草更快、更标准、更结构化，但它不能替你判断“这个条款放在这里对当事人的商业目的是有利还是不利”。这是你需要做的。

Claude是一个出色的文书结构规划工具。它改变了法律文书起草中“结构搭建”这个效率瓶颈，让律师能够把更多精力投入到真正体现专业价值的判断层工作。

但记得我在文章一开始说的那句话吗？我们误解了AI辅助法律文书的核心。 它不是来替你写东西的，它是来帮你更好地思考那些你需要思考的东西。结构、逻辑、风险，这些从来都是律师的工作，Claude只是让它变得更容易被看见。

如果你打算尝试，从今天开始。 打开Claude，用本文的任意一个Prompt模板，起草一份你下周一就要用的合同。不是测试，不是实验，是真的用它来完成一份真实的工作任务。这是最有价值的学习方式。

然后，告诉我你发现了什么。我也还在不断地发现。