文章介绍律师已成为 Claude 的最大用户群体，普通人也应利用 AI 审阅合同。作者详细讲解了 Anthropic 官方法律插件的安装方法（commercial-legal，含 /review、renewal-tracker 等 12 个技能），以及如何通过 cold-start-interview 和 customize 建立个人 playbook（合同规则），如限定肖像使用权 30 天、需逐条审批等。文中分享了作者因未审查合同条款而损失六位数赞助协议的教训，并给出 NDA 审查、合同签署判断、服务条款安全评估、续约追踪等 5 个实战用例，最后强调 AI 不能替代律师，敏感信息需注意隐私保护。
Uber 工程团队分享了其法律红线审查智能体（Legal Redlining Agent, LRA）的构建经验。该系统以 Word 插件形式集成到律师的工作流中，能够识别外部合同修改、理解对方意图、基于政策生成建议和评论并标记风险。自上线以来，合同平均审查时间缩短超过 20%，律师对 AI 决策的采纳率达 91%。文章详述了从 RAG 方案到引入律师反馈自学习循环的四次迭代历程，核心经验是：从业务问题出发、嵌入律师既有工作流程以赢得信任，并通过紧密的反馈迭代持续改进智能体。该系统助力 Uber 法务团队获得 2026 年 ALM Legalweek 年度最具创新法务部门奖。
文章面向律师行业，介绍如何用AI工具WorkBuddy提升工作效率。作者梳理了四个常见场景：合同审查初筛（分层审查、推荐contract-risk-reviewer等Skill）、类案检索（AI只做检索路线规划，案号需人工到官方库核实，防范AI编造案例）、起诉状答辩状撰写（AI搭初稿骨架、律师把关论证）、案件归档与纪要转待办（录音转纪要、OCR归档、开发案件台账系统）。强调AI只能做初筛和辅助，法律判断必须由律师完成，并提醒注意保密脱敏和逐字审核。
Harvey 团队将合同 Playbook 审查引擎从基于固定提示词流水线的旧系统重构为多智能体系统。文章分析了合同审查的难点：复杂的条件逻辑、规则间的交叉依赖、交易情境影响判断、最小编辑原则以及需人工升级的决策。旧流水线架构存在上下文丢失、按条款孤立编辑、建议互相冲突等问题。团队与内部法律团队共建了评估基准，将法律判断量化，并据此设计了新的多智能体架构，以分析文档、标记风险并提出律师可信赖的精准修订建议。
