Legora CTO Jacob Lauritzen 谈如何为律师构建 AI 智能体

Legora 从斯德哥尔摩地下室的一个简单产品起步——ChatGPT 加瑞典法律和搜索工具，如今其智能体可以起草和编辑 Word 文档、一次性审阅数千份合同，并在律师、客户与其他智能体之间协调工作。公司 4 月 ARR 突破 1 亿美元，距上线不到 18 个月，目前客户超过 1800 家；3 月以 55.5 亿美元估值融资 5.5 亿美元，10 月再以 88 亿美元估值融资 5.5 亿美元，今年已完成第五笔收购 Wexler。 评估是这套体系的核心难点。由于用户上传内容几乎全部保密，且多属于律所客户而非律所本身，Legora 无法像多数团队那样读取 trace。其评估团队由 3 名工程师和 3 名律师组成，构建 RL 环境模拟客户工作，例如在一个 1 万份文件的数据室中执行尽职调查并产出能捕捉正确风险点的报告，再按业务领域和任务绘制热力图。生产中，Legora 将失败归入 10 到 20 种已知失败模式，并通过功能开关运行低成本的 LLM 检查。基础设施全部跑在 Azure 上，原因是创业初期律所不接受 AWS 或 GCP，而微软已通过 365 成为获批供应商。 产品建立在少数原语之上：承载文件的项目、智能体、Tabular Review 和列表。列表是类似 Notion 的灵活数据库，带触发器和自动化，智能体可创建和读取列表，列表变更也能启动智能体。Tabular Review 每行是一份文档、每列是一个问题，支持最多 100 万个单元格，但默认只先跑 10 行以便用户修正提示词。法律工程师无需写代码即可在这些原语上配置新产品，Wexler 的事实智能产品同样运行于这套组件。 团队分工上，法律工程师像高级用户一样配置产品、不写代码；前线部署工程师（FDE）则编写进入生产环境的代码、对接律所的 CRM 或文档管理系统，并把经验回流到核心产品，且不接触客户数据。Legora 约 9 个月前在纽约招入首位 FDE，Jacob 预计一年内会形成轮换的 FDE 小组，在客户处驻场数月完成构建后转场。模型方面，Legora 曾长期抵制模型选择器，Jacob 认为在质量、成本、延迟、治理和区域可用性之间找最佳权衡是 Legora 的职责；他估计模型已能很好处理约 60% 的法律工作，复杂分析和百万 token 级合同编辑仍需更强智能，公司已开始针对法律检索等窄任务后训练开放权重模型，但无意训练自己的前沿模型。为应对幻觉，智能体写出的每项内容都附带引用，可在源 PDF 中高亮对应区域。