贺倩明，深圳得理科技有限公司创始人，知名律所高级合伙人，中国政法大学经济法学博士，香港中文大学EMBA，北京大学法律硕士，曾被评为广东省优秀律师，深圳、广州、武汉仲裁委员会仲裁员，深圳市人工智能行业协会副会长，中国科学院深圳先进技术研究院-得理法律人工智能联合实验室执行主任。
杨敏，深圳得理科技有限公司首席科学家、联合创始人，中国科学院深圳先进技术研究院-得理法律人工智能联合实验室主任，中国科学院深圳先进技术研究院高性能数据挖掘重点实验室主任，深圳市海外高层次人才，连续四年入选全球前2％顶尖科学家。长期从事人工智能、自然语言处理、大模型相关研究，发表高水平学术论文200余篇，谷歌学术引用8800余次，H-index 51。
雷宇，深圳得理科技有限公司首席技术官、联合创始人，深圳市人工智能学会法律人工智能专业委员会副主任，拥有超过10年互联网企业研发管理经验。深耕搜索与大数据技术领域，曾任职于百度和腾讯，参与腾讯支付系统的设计和研发，并荣获腾讯2019年度微信支付创始人团队大奖。
基础篇
第一部分 大模型基础
第一章 人工智能与大语言模型常见术语 // 003
第二章 大语言模型的基本原理 // 011
2.1 大语言模型工作原理 // 011
2.1.1 预训练 // 011
2.1.2 Transformer架构核心组件 // 012
2.1.3 微调 // 014
2.1.4 扩展法则与涌现能力 // 015
2.2 大语言模型技术概览 // 017
2.2.1 数据预处理与清洗 // 018
2.2.2 高效训练策略 // 020
第三章 大语言模型的演变历程 // 029
第四章 DeepSeek的技术创新 // 033
4.1 模型训练领域创新 // 033
4.1.1 混合专家模型（MoE） // 033
4.1.2 FP8混合精度训练 // 034
4.2 Transformer架构创新 // 035
4.2.1 多Token预测（MTP） // 035
4.2.2 多头潜在注意力（MLA） // 036
4.3 模型微调领域创新 // 037
4.3.1 强化学习（RL）驱动的推理训练 // 037
4.3.2 推理模型（Reasoning Model） // 038
第二部分 法律大模型应用
第一章 发展现状 // 039
1.1 通用大模型与法律专业大模型的对比 // 039
1.1.1 知识深度与专业性 // 039
1.1.2 实际应用效果 // 040
1.1.3 可靠性与局限性 // 041
1.1.4 实战场景差异：法律问题研究应用 // 042
1.1.5 实战场景差异：案例检索总结应用 // 045
1.1.6 实战场景差异：合同生成应用 // 050
1.1.7 实战场景差异：诉讼文书生成应用 // 054
第二章 法律应用场景 // 061
2.1 功能场景 // 061
2.1.1 法律决策辅助 // 061
2.1.2 法律文书起草 // 062
2.1.3 合同审查 // 062
2.1.4 法律问题研究 // 062
2.1.5 法律检索 // 063
2.2 用户场景 // 065
2.2.1 司法工作者 // 065
2.2.2 律师 // 068
2.2.3 法务 // 072
2.2.4 法科学生 // 076
2.2.5 一般大众 // 078
实战篇
第一部分 基础实战-指令工程
第一章 提示词优化方向 // 083
1.1 需重新审视的提示词技巧 // 083
第二章 通用技巧 // 086
2.1 提示词通用技巧详解 // 086
2.1.1 写出清晰的指令 // 086
2.1.2 提供示例 // 088
2.1.3 将复杂的任务拆分为更简单的子任务 // 091
2.1.4 给模型时间思考 // 093
2.1.5 给大语言模型分配角色 // 102
2.1.6 其他提示技术 // 108
第三章 提示词结构化 // 119
第四章 法律提示词的特殊考量 // 123
第二部分 法律场景化实务指南
第一章 DeepSeek 法律AI实现功能革新 // 132
1.1 DeepSeek 得理法律大模型 // 132
1.2 实现的功能革新 // 133
1.2.1 法律检索：AI 类案检索总结 // 133
1.2.2 法律分析：联网搜索 // 133
1.2.3 法律文书：要素式起诉状 // 134
1.2.4 文本分析：多文档上传解析 // 134
1.2.5 合同审查：现已上线数类常用合同审查 // 134
第二章 AI法律检索 // 135
2.1 功能一：法规检索 // 135
2.1.1 场景模拟 // 135
2.1.2 其他使用方向 // 137
2.2 功能二：案例检索 // 138
2.3 功能三：观点检索 // 142
第三章 AI法律研究 // 143
3.1 功能概述 // 143
3.2 使用指南 // 143
3.3 实战案例分析 // 145
3.3.1 应用场景 // 145
3.3.2 法律研究流程 // 146
3.3.3 方法论总结与建议 // 149
3.4 其他实例展示 // 150
第四章 AI法律咨询 // 158
4.1 功能概述 // 158
4.2 使用指南 // 159
4.3 使用示例 // 161
第五章 AI法律文书 // 167
5.1 功能概述 // 167
5.2 使用指南 // 168
5.3 实战案例分析 // 169
5.3.1 重构程序性法律文书撰写流程 // 169
5.3.2 使用AI 制作答辩状全流程 // 170
5.3.3 进阶法律文件：合同生成 // 172
5.4 其他提示词展示 // 176
第六章 AI协助法律学习 // 178
6.1 功能概述 // 178
6.2 使用示例 // 178
6.3 实战案例分析 // 188
第七章 AI助力个人营销 // 194
7.1 功能概述 // 194
7.2 实战案例分析 // 194
7.3 应用建议 // 196
第八章 法律大模型提示词模板 // 197
8.1 通用 // 197
8.1.1 法律研究 // 197
8.1.2 法律文书 // 198
8.1.3 法律分析 // 199
8.1.4 法律程序 // 200
8.1.5 法律术语 // 201
8.2 细分领域 // 201
8.2.1 合同 // 201
8.2.2 刑事 // 203
8.3 公司场景 // 204
8.3.1 公司经营 // 204
8.3.2 知识产权 // 205
8.3.3 劳动用工 // 206
8.3.4 合同文本 // 206
8.3.5 公司规章制度 // 208
第三部分 其他AI工具
第一章 内容创作与办公效率工具 // 209
1.1 PPT生成工具 // 209
1.1.1 AiPPT // 209
1.1.2 笔灵PPT // 210
1.1.3 讯飞智文 // 210
1.1.4 iSlide // 211
1.1.5 Gamma // 211
1.1.6 Mindshow // 212
1.2 写作与笔记工具 // 212
1.2.1 Effie沉浸写作软件 // 212
1.2.2 幕布极简大纲笔记 // 213
1.2.3 Flomo卡片式笔记 // 214
第二章 商业信息与数据分析工具 // 215
2.1 工商查询工具 // 215
2.1.1 天眼查 // 215
2.1.2 企查查 // 215
2.1.3 启信宝 // 216
第三章 语言处理与翻译工具 // 217
3.1 翻译工具 // 217
3.1.1 大模型翻译 // 218
3.1.2 DeepL // 221
3.1.3 沉浸式翻译 // 221
3.2 录音转文字 // 222
3.2.1 讯飞听见 // 223
3.2.2 飞书妙记 // 223
第四章 知识管理与团队协作工具 // 225
4.1 协同笔记与知识库 // 225
4.1.1 飞书文档协同办公笔记软件 // 225
4.1.2 Notion个人知识库管理 // 227
4.1.3 思源笔记双向链块式笔记 // 229
4.2 任务管理 // 231
第五章 AI助手与智能平台 // 233
5.1 知识库 // 233
5.1.1 Ima copilot // 233
5.1.2 Flowith // 234
5.2 通用AI助手 // 235
5.2.1 Chatbox // 235
5.2.2 CherryStudio // 236
第四部分 AI安全伦理
第一章 数据隐私与安全 // 237
1.1 信息泄露与隐私侵犯 // 237
1.1.1 数据收集阶段 // 237
1.1.2 模型训练阶段 // 241
1.1.3 模型推理阶段 // 241
1.1.4 数据存储阶段 // 245
1.2 数据质量安全风险 // 246
第二章 模型偏见与歧视 // 250
2.1 训练数据中的偏见 // 250
2.2 模型输出中的偏见 // 252
2.3 如何确保人工智能的决策符合道德伦理 // 254
第三章 内容生成的误导 // 256
3.1 模型幻觉（Hallucinations） // 256
3.1.1 模型幻觉的主要类型 // 256
3.1.2 模型产生幻觉的原因 // 257
3.2 恶意利用 // 258
3.3 信息操纵和传播 // 260
第四章 透明度与可解释性 // 263
4.1 透明度要求 // 263
4.1.1 定义与概念 // 263
4.1.2 透明度要求的具体内容/内涵 // 264
4.2 黑箱问题 // 267
4.2.1 什么是黑箱问题？ // 267
4.2.2 黑箱问题的成因 // 268
4.2.3 黑箱问题带来的挑战 // 269
4.2.4 应对黑箱问题的研究方向 // 273
第五章 大语言模型责任归属 // 276
5.1 错误输出的责任 // 276
5.2 预测准确性与法律风险 // 278
5.3 知识产权与数据使用 // 280
5.4 隐私和数据保护 // 282
第六章 人工智能引用规范 // 285
6.1 中国 // 285
6.2 美国 // 285
6.3 欧盟 // 286
6.4 其他国家协会规则 // 286
第七章 用户行为规范 // 287
7.1 律师 // 287
7.1.1 防止AI幻觉 // 287
7.1.2 杜绝偏见问题 // 287
7.1.3 杜绝证据伪造 // 287
7.1.4 能力与勤勉义务 // 288
7.1.5 征求客户知情同意 // 288
7.1.6 保密义务 // 288
7.1.7 对律师代理人负责 // 288
7.1.8 费用问题 // 288
7.1.9 符合法律规范 // 289
7.2 司法人员 // 289
7.2.1 理解生成式人工智能及其局限性 // 289
7.2.2 不得转授司法职能 // 289
7.2.3 对生成内容负责 // 289
7.2.4 维护知识产权 // 290
7.2.5 信息保密 // 290
7.3 普通用户 // 290
7.3.1 理解生成式人工智能及其局限性 // 290
7.3.2 维护机密和隐私 // 290
7.3.3 确保信息准确性 // 290
7.3.4 注意道德问题 // 291
7.3.5 披露生成式人工智能的使用 // 291
7.3.6 符合法律法规 // 291
行业趋势篇
第一部分 法律AI市场
第一章 生成式AI产品介绍 // 295
1.1 国外知名通用模型 // 295
1.2 国内知名通用模型 // 298
第二章 法律科技市场简述 // 308
2.1 当前国内法律科技市场概述 // 308
2.1.1 大语言模型国内算法备案情况 // 308
2.1.2 国内法律科技市场现状 // 311
2.1.3 主要公司及产品介绍 // 313
2.2 国际上的法律大模型 // 317
2.2.1 国外法律大模型概览 // 317
2.2.2 代表性产品 // 317
第二部分 数智化转型道路
第一章 律师事务所如何把握转型先机？ // 323
1.1 整体趋势 // 325
1.2 转型内容 // 327
1.2.1 组织管理的数智化转型 // 327
1.2.2 业务流程的数智化转型 // 328
1.2.3 市场拓展的数智化转型 // 329
1.2.4 客户服务的数智化转型 // 330
1.3 应对策略 // 331
第二章 组织架构的优化方向 // 333
2.1 传统律师事务所的管理体制及逻辑 // 333
2.1.1 律师事务所组织架构发展 // 333
2.1.2 国内的律师事务所组织架构 // 335
2.1.3 法律服务的传统价值定位 // 336
2.2 数智化律师事务所团队的管理架构 // 337
2.2.1 数智化时代法律服务的价值定位 // 337
2.2.2 数智化时代律师事务所组织架构初探 // 338
2.3 数智化律师事务所团队的管理架构 // 340
2.3.1 组织架构变革方向 // 340
2.3.2 组织架构具体内容 // 341
第三章 数据资产走向数智化 // 343
3.1 律师事务所数据资产的定义 // 343
3.2 建立数据资产的优势 // 344
3.3 律师事务所为何需要建立数据资产？ // 345
3.4 如何建立数据资产 // 346
第四章 DeepSeek视角下律师业务与客户关系重构 // 348
4.1 AI技术法律服务市场的影响 // 348
4.2 AI技术重构律师竞争力 // 349
4.3 AI重塑律师案源与客户关系 // 350
4.4 应对AI浪潮，律师行业的应对与行动 // 352
参考学习资料 // 354
结束语 // 360
法律/免责声明 // 361
书单推荐
