4. 法律文书自动生成：基于模板与AI的起诉状、答辩状、律师函等文书的半自动/全自动生成

法律文书生成，说白了就是让机器替你写状子。我见过太多律所的新人，入职第一周全在套模板、改当事人信息，眼睛都快看瞎了。其实这部分工作，完全可以用AI来分担。

我个人习惯把文书生成分成两档：半自动和全自动。半自动适合复杂案件，律师需要把控关键事实；全自动适合批量案件，比如催收函、批量起诉状。你想想看，一个律所一年处理几千件信用卡纠纷，每份起诉状都手写？那效率太低了。

4.1 模板引擎：老本行，但别小看它

先聊模板。很多律师觉得模板就是Word里改改名字，其实不是。真正的模板引擎，是结构化的。

我在项目中遇到过一家律所，他们用Python的Jinja2模板引擎做文书生成。效果不错，但踩了个坑——模板里嵌入了太多业务逻辑，导致维护成本飙升。后来我建议他们把模板拆成三层：

层级	内容	示例
固定文本层	法律条文、格式套话	“依据《民法典》第XXX条”
变量占位层	当事人信息、案号、金额	{{ plaintiff_name }}、{{ case_no }}
条件逻辑层	根据案件类型选择不同段落	{% if case_type == '合同纠纷' %}...{% endif %}

这样做的好处是，模板本身是干净的，律师也能看懂。我曾经见过一个模板里写了200行if-else，那已经不是模板了，那是代码。

4.2 AI生成：从填空到创作

模板能解决80%的重复劳动，但剩下20%需要AI。比如答辩状，每个案件的抗辩理由都不一样，模板没法穷尽。

我建议的做法是：AI生成初稿 + 人工审核。具体流程如下：

为什么会这样设计？因为直接让AI写整篇文书，它容易“编造”法律依据。我踩过这个坑——有一次AI生成了一份起诉状，引用的法条编号是对的，但内容完全驴唇不对马嘴。从那以后，我坚持让AI只生成事实描述部分，法律依据部分必须从模板库中匹配。

4.3 技术实现：一个简单的流水线

嗯，这里要注意。文书生成不是调一个API就完事了，它是一条流水线。我画了一张图，你看一眼就明白了：

你看，整个流程其实不复杂。关键在第二步——AI事实解析。这一步做不好，后面全是垃圾。

4.4 代码示例：一个简单的起诉状生成器

我写个Python示例，你感受一下。这不是完整代码，但核心逻辑都在里面了：

# 起诉状生成器 - 简化版
from jinja2 import Template
import openai  # 假设你接入了AI接口

class ComplaintGenerator:
    def __init__(self, template_path):
        with open(template_path, 'r', encoding='utf-8') as f:
            self.template = Template(f.read())
    
    def extract_facts(self, case_text):
        """用AI提取案件关键事实"""
        prompt = f"从以下案件描述中提取：原告、被告、案由、事实经过、诉讼请求。\n{case_text}"
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=[{"role": "user", "content": prompt}]
        )
        # 解析返回的JSON结构
        return self._parse_response(response)
    
    def generate(self, case_text):
        facts = self.extract_facts(case_text)
        # 填充模板
        complaint = self.template.render(
            plaintiff=facts['plaintiff'],
            defendant=facts['defendant'],
            cause=facts['cause'],
            facts=facts['facts'],
            claims=facts['claims']
        )
        return complaint

# 使用示例
generator = ComplaintGenerator('complaint_template.j2')
doc = generator.generate("张三借了李四10万元，约定2023年1月还款，至今未还...")
print(doc)

4.5 半自动 vs 全自动：怎么选？

我建议你根据案件类型来定：

• 全自动适用场景：批量催收函、信用卡纠纷起诉状、格式化的律师函。这类文书变化少，模板能覆盖95%以上。
• 半自动适用场景：复杂民商事案件、知识产权纠纷、劳动争议。这类案件事实差异大，需要律师介入调整。

你想想看，如果一个离婚案件的起诉状全自动生成，连感情破裂的描述都是AI编的，你敢直接提交吗？反正我不敢。

4.6 质量保障：别让AI背锅

最后说一个血泪教训。我曾经帮一家律所做文书生成系统，上线第一天就出事了——AI把被告的名字写错了，把“张三”写成了“张四”。虽然概率只有0.1%，但一旦发生，就是执业事故。

我的做法是：在生成环节加入关键字段校验。比如当事人姓名、身份证号、案号，这些字段必须从结构化数据源读取，不允许AI自由发挥。说白了，AI只负责写“肉”，骨架必须由模板和数据库来定。

嗯，关于文书生成，今天就聊这么多。记住一句话：模板保下限，AI提上限，人工守底线。这三者缺一不可。

---