小方律师的AI灵魂伴侣：法律AI实战与MaaS启示

在硅基流动「Build with MaaS」分享中，一位港股IPO律师展示了她如何将大模型变成"灵魂伴侣"——从写招股书到懂人情世故，甚至替她带孩子。这可能是法律行业被AI重构的早期样本。

从"牛马"到CEO：一个律师的AI使用哲学

分享者自称"小方律师"，来自红圈所，主业是港股IPO。她调侃这是"牛马中的牛马"行业——经济好时一单1500万，现在约700万。作为对效率极度挑剔的客户，她每天都在想：凭什么客户要付700万给律师，而不是给AI？

她的答案是用一个倒三角模型管理AI：底层是算力（Token成本），中间是AI员工的人力成本，顶层是具体场景。她把自己视为"AI的唯一CEO"，每个Token都是一笔投资。除了律师身份，她还是宝妈，用豆包培训孩子，并认为"宝妈手搓AI产品做教育"是一片巨大的蓝海。

MaaS（Model as a Service，模型即服务）指通过API按需调用大模型能力，按Token计费，用户无需自建算力与模型。对行业用户来说，MaaS把模型变成像水电一样的基础设施，真正的差异化落在上层的skill、数据与工作流编排上。分享者所说的"倒三角模型"正是这一逻辑的体现：底层Token成本趋于透明和廉价，越往上的人力成本与场景Know-how越值钱，因此竞争重心会从模型本身转向行业场景的重构能力。

三个月"骂"出质变：Know-how才是护城河

她从4月开始，花了约三个月不断"骂"AI，直到8月某天发现质变发生。关键不是Prompt技巧，而是把Know-how喂进去。以港股招股书为例，300页约20万个句子，每句都需要法律证据支撑。过去几十年靠人眼核对，现在她把"为什么这句话真实可靠"的判断逻辑沉淀给AI。

她强调，给AI案例时不要只给A、B、C的线性结果，而要传递判断框架。最初AI很不适应，提了大量问题，她需要配合大量Prompt。第一版团队是Coder，跑通后沉淀出一套skill，直接套到"签问办公"（所内智能体），现在又自己花Token在硅基流动轨迹上跑。

BYOK的算计：一个Token干三份活

她特别提到Bring Your Own Key（BYOK）带来的自由度。自己买Token时格外计较产出比，于是会在硅基流动轨迹上反复跑同一法规，换三四个模型对比，"骂"完之后把分析结果套到签问办公的智能体上。这样一个Token等于干了三份活。

她引用孙天树教授的生态链观点：从基建、能源、芯片、算力，到基础模型分散化，再到行业场景重构。她判断，未来产能会从头部模型分散到各行业，开源闭源并存，而"产业重构场景"是新的战场。

BYOK（Bring Your Own Key）指用户自行提供模型API密钥，直接向模型厂商或聚合平台付费，而非使用SaaS产品内置的模型额度。对律师这类高合规行业用户而言，BYOK的价值不只是省钱：调用记录、数据流向、模型选择都掌握在自己手里，便于审计与保密隔离；同时可按任务灵活切换不同厂商的模型，避免被单一供应商锁定。代价是用户需自行管理密钥、路由与成本核算，这也解释了分享者为何要像CEO一样逐笔核对Token账本。

人机协作的闭环：从实习生到智能体

她描述了培训"小方"的过程：Prompt一半是skill，一半是markdown，加上中英双语。红圈所4月来了一位北大实习生，她手把手教办案和know-how。到上周，两人微信对话框几乎只剩markdown互发——她发markdown，对方回markdown。原本三天的培训，现在两个智能体对话约20分钟就能对接完一个表格项目。

她的多位一体架构包括：硅基流动的模型地基、北大法宝（法律界官方认证的"弹药库"）、所内智能体"签问办公"。她每晚8点布置作业，第二天早上收工作成果。她还会"串联别人的智能体"——同事用Codex和Harvey开发的skill，她沉淀后在不同模型上跑一遍，再沉淀成自己的skill，"变成别人的轮子直接架来用"。

幻觉与"人情世故"：人脑不可替代的部分

她坦承幻觉很常见：团队其他律师反馈，五个模型给出五个不同的法律意见。这时人脑要发挥作用——不是找标准答案，而是"apply the law"，适用法律法规。

更意外的是，小方展现出"人情世故"。招股书查验时，律师常需向客户财务部要文件，但若招股书尚不成熟，人脑会判断先不打扰客户。某天小方主动说："我觉得这一条引用行业惯例，你现在先不要找客户要"，理由是招股书还没到成熟那一步，找人家要东西会让人二次返工、不高兴。她认为，在沉淀模板文档的同时，也可以培训AI这种"察言观色"的能力，这也是省Token的方法。

大模型幻觉（hallucination）指模型生成看似合理、实则与事实或依据不符的内容，在法律场景中可能表现为虚构法条、判例或监管口径。多模型并联时幻觉往往表现为答案发散，而非简单对错，因此不能靠"多数投票"解决。业界常用缓解手段包括检索增强生成（RAG，先检索权威法源再生成）、要求模型逐句给出证据出处、以及设置人工复核环节。对法律AI而言，关键不是追求零幻觉，而是让每一条结论都可溯源、可审计，把最终适用法律的判断留给人。

量化回报：三天活压到两三小时

她估算，固定路由能把三天的活做到三小时甚至两小时。凌晨的活具体花了多少Token她没有细调，但会像期权授权一样让AI自选路由："你觉得哪个模型干合适？先回家吃饭，15分钟给我分析用哪个模型。"每晚凌晨三点AI开工。月底她像管理员工一样看per token账本，拆解文本固化、法律分析、人情世故、新想法各花了多少算力，算出高杠杆、高ROI的投入方式。

保密与归零心态：法律AI的两道坎

客户保密是法律AI实践的大坎。她的做法是：把所有所内保密政策沉淀后嵌入智能体；做二次隔离——任何客户信息（甚至客户名称或暗示）先用AI过滤脱敏，再生成分级保密skill，用Prompt提示不同级别。她要求Coder把保密skill沉淀进产品，形成长期记忆。后来小方会主动说："我手上这份保密文件不会用于其他培训，也建议你不要透露客户敏感信息。"

她认为年轻律师比老律师干得好，因为"归零心态"——愿意自费探索不同模型、开发APP。这个时代需要和智能体一起归零进步。她还预测，偏文本知识化行业的KPI可能从看人、看社保公积金、看项目经验，转向看"智能体密度"。

对MaaS开发者的启示

这场分享的价值在于一线使用者的真实账本：BYOK让模型切换成本可见，skill沉淀让Know-how可复用，多模型并联让人脑做最终裁决。对MaaS平台而言，律师这类高价值、强合规、重Know-how的用户，需要的不是更便宜的Token，而是可审计的路由、可沉淀的skill层、以及能嵌入保密策略的智能体编排能力。法律行业未必第一个被AI干掉，但一定是最早被AI重构工作流的行业之一。