第1章：法律大模型技术栈全景
大家好，我是这门课的主讲人。在开始之前，我想先聊聊一个很现实的问题——做法律大模型，到底需要掌握哪些技术？
说实话，我见过不少朋友一上来就扎进模型训练里，结果发现连数据都读不进去。或者模型跑通了，但生成的法律文书根本没法用。为什么会这样？说白了，就是技术栈没搭好。
这一章，我就带你看看法律大模型的全景图。你不需要一次性全掌握，但心里要有张地图。
1.1 法律大模型的技术分层
我个人习惯把法律大模型的技术栈分成四层。就像盖房子，地基、框架、装修、家具，缺一不可。
四层技术栈：
- 基础层：Python 编程、数据处理、Linux 环境
- 框架层：PyTorch / TensorFlow、模型训练与推理
- 算法层：自然语言处理（NLP）、文本分类、信息抽取
- 应用层：法律知识图谱、检索增强生成（RAG）、法律推理
嗯，这里要注意。很多人觉得 Python 太简单，直接跳过。我在项目中遇到过一位同学，他花了两周学完 PyTorch 基础，结果连数据加载的 batch 都调不明白。后来发现是 Python 的生成器没搞懂。所以，别小看基础层。
下面这张图，是我手绘的技术栈全景。你可以把它当作学习路线图。
1.2 Python 基础——地基要稳
Python 是法律大模型的「母语」。你想想看，从数据清洗到模型训练，再到最后的部署上线，哪一步离得开 Python？
我个人建议，你至少要掌握这些：
- 数据结构：列表、字典、集合、元组——这些是基本功
- 文件操作：读 JSON、写 CSV、处理大文本
- 面向对象：类与继承——模型封装时用得上
- 生成器与迭代器：处理海量法律文书时，内存不够？生成器来救
小技巧：我在处理法律判决书时，经常遇到 GB 级别的文本数据。用 yield 逐行读取，比一次性加载到内存快 10 倍不止。
1.3 深度学习框架——PyTorch vs TensorFlow
说到框架，我估计你会纠结选 PyTorch 还是 TensorFlow。嗯，我直接说结论：做法律大模型，首选 PyTorch。
为什么？三个原因：
- 生态优势：Hugging Face 的 Transformers 库原生支持 PyTorch
- 调试方便：动态图机制，跑错了能立刻看到中间结果
- 社区活跃：最新的法律 NLP 论文，90% 用 PyTorch 实现
当然，TensorFlow 也有它的场景。比如你要部署到移动端或生产环境，TensorFlow Serving 确实更成熟。但作为学习起点，我建议你先啃 PyTorch。
下面是一个最简单的 PyTorch 代码示例，用来加载法律文本数据：
import torch
from torch.utils.data import Dataset, DataLoader
class LegalTextDataset(Dataset):
def __init__(self, texts, labels):
self.texts = texts
self.labels = labels
def __len__(self):
return len(self.texts)
def __getitem__(self, idx):
return self.texts[idx], self.labels[idx]
# 假设我们有 1000 份法律文书
texts = ["判决如下...", "原告主张..."] * 500
labels = [0, 1] * 500
dataset = LegalTextDataset(texts, labels)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)
for batch_texts, batch_labels in dataloader:
print(f"批次大小: {len(batch_texts)}")
break注意：我曾经在项目中直接用 DataLoader 加载 10 万份法律文书，结果内存爆了。后来才发现，shuffle=True 会先把所有数据加载到内存。解决方案是：用 IterableDataset 配合生成器。
1.4 自然语言处理基础——法律文本的特殊性
法律 NLP 和通用 NLP 最大的区别在哪？我举个例子你就明白了。
通用 NLP 里，「苹果」可能指水果，也可能指手机。但在法律文本里，「苹果」大概率是商标或侵权标的物。你想想看，如果模型连这个都分不清，那生成的法律意见书谁敢用？
所以，法律 NLP 要重点关注这几个方向：
| 技术方向 | 法律场景 | 常用方法 |
|---|---|---|
| 文本分类 | 案由识别、文书类型判断 | BERT、TextCNN |
| 命名实体识别 | 提取当事人、法条、金额 | BiLSTM-CRF、BERT-CRF |
| 关系抽取 | 判断「原告-被告」关系 | 远程监督、Prompt 学习 |
| 文本生成 | 自动撰写法律意见书 | GPT、LLaMA 微调 |
说白了，法律 NLP 的核心就一句话：把法律人的专业知识，翻译成机器能理解的数学语言。
1.5 法律知识图谱——让模型「懂法」
最后聊聊知识图谱。你可能听过一句话：「大模型是黑盒，知识图谱是白盒。」
我个人觉得，两者不是替代关系，而是互补关系。大模型擅长语义理解，知识图谱擅长逻辑推理。把两者结合起来，才是法律 AI 的未来。
法律知识图谱长什么样？我给你画个简单的：
你看，张三起诉李四，引用了合同法，最后生成判决书。这就是一个最简单的法律知识图谱片段。
核心要点：知识图谱的本质是「实体-关系-实体」的三元组。在法律领域，实体包括当事人、法条、案件、法院等。关系包括起诉、引用、判决、上诉等。
1.6 本章小结
好了，这一章我们走马观花地看了一遍法律大模型的技术栈。你不需要现在就全部掌握，但至少要知道：
- Python 是地基，别偷懒
- PyTorch 是主流框架，优先学它
- 法律 NLP 有特殊性，不能照搬通用方案
- 知识图谱和大模型是互补的，不是二选一
我曾经带过一个团队，大家技术背景参差不齐。有人擅长 Python，有人擅长 NLP，但没人能把整个链路串起来。结果呢？模型训练好了，数据加载却成了瓶颈。所以，我建议你先把这张全景图刻在脑子里，再逐层深入。
下一章，我们会从 Python 基础开始，手把手带你搭建法律大模型的开发环境。到时候见。