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。
作者分享了如何使用腾讯云ADP平台搭建企业级智能体的保姆级教程，实现云端在线、接入企微群、带Skills固定产出、小白友好等需求。教程分三步：一是创建Claw模式应用并配置知识库（文档、问答、数据库），支持Agentic RAG精准检索；二是配置内置、共享、自定义三种Skills及Notion、Cloudflare、Stripe等丰富连接器；三是接入企业微信机器人发布应用，让团队成员在群里随时@调用。作者以定时发送法律科技周报为实际案例演示了完整搭建流程。
本文介绍了开源的模拟律所环境Calderwood & Harkness (C&H)，旨在测试大语言模型在企业级海量知识（超1亿Token）中的检索与推理能力。C&H包含46个客户和266个案件。基准测试表明，当前先进模型在全面搜索和判断信息检索的“完整性”上存在严重瓶颈，导致任务完成度受限。作者指出，未来的改进方向是让智能体预先构建更丰富的语料库表示（如索引、摘要、记忆），以分摊运行成本并提升企业级知识处理能力。
