案例检索：法律推理

可视化演示

演示法律推理核心方法：三段论演绎推理、类比推理与案例检索，直观展示从事实与规则到结论的完整推导链路与可解释性设计。

三段论推理：从手册到结论的“标准推导”

周正教小律的第一课，是“查手册”。手册第34条写着“盗窃公私财物数额较大的，处三年以下有期徒刑”。他指着桌上的线索记录问：“张三偷了邻居的电动车，数额三千块，怎么办？”小律回答前，周正先给它立规矩：“先找大前提——手册适用哪一条；再看小前提——事实是否对上号；对上了，结论自己就出来了。”

这个“两条前提推结论”的思维，在逻辑学里叫三段论。法律推理中，大前提是可适用的法律规则，小前提是被证据证明的案件事实。只要大前提真实、小前提符合要件，结论就必然成立。AI要做法律推理，第一步就是把规则与事实翻译成计算机能处理的形式化语言。

用一阶逻辑表达：设 D(x) 表示“x实施盗窃”，P(x) 表示“x应受处罚”。大前提是 ∀x(D(x)→P(x))，读作“对任何 x，如果 x 盗窃则 x 应受罚”；小前提是 D(a)，表示具体当事人张三实施了盗窃；于是结论 P(a) 顺理成章。这个推导对应逻辑学中的“肯定前件”规则，是法律推理引擎的核心基础。

周正合上手册说：“答案不是凭空冒出来的，是沿轨道滑到站的。但轨道也有风险——如果手册这一条本身已经废止，或者你把'盗窃'偷换成了'抢夺'，列车就会脱轨。” 这就是有效性检验：先验证大前提合法有效，再确认小前提与法条要件逐字对上，最后检查推导中没有偷换概念。

类比推理：翻旧卷宗找“相似先例”

有一次，小律遇到手册里没有的案情：快递员在运输途中私自取走客户包裹里的手机。翻遍手册，找不到“快递员”三个字。周正转身从卷宗柜里抽出一本：“2019年刘某某案，同样是运输中私自取走财物，法院定了盗窃。你先把两案的关键情节摆出来比一比。”

这种不靠明文规则、靠“新旧案件相似”来推结论的方法，就是类比推理。法律上，雷同的案件应当被同等对待，这是“同案同判”的朴素正义观。人类律师靠经验判断两个案子像不像，AI则要把这种经验判断变成可计算的比较。

具体做法是：把每个案件表示成特征向量，为每个特征设权重 wₓ——“非法占有目的”“数额较大”这些影响定罪量刑的要件权重大，“案发当天穿什么衣服”权重趋近于零。两个案件的相似度，就是逐特征加权求和的结果。

“像不像不能凭感觉。”周正敲着卷宗说，“刘某某案和新案最像的是'运输中占为己有'，不是两人都骑电动车。还要做差异权衡：新案里快递员后来主动归还了手机，参照旧案时就要扣减一档。” 权重和差异权衡，就是类比推理的“良心”。

案例推理CBR：把借鉴经验做成“4R流水线”

类比推理是“偶尔翻旧案”，CBR则是把“借鉴旧案”做成标准化流水线。周正升级了档案系统后，小律的办案流程固定为四步：先从卷宗库检索最像的旧案，把旧案的判决借来试，发现案情差异就调整，最后把新案归档——经验越攒越厚。

这四步的英文缩写是 4R：Retrieve（检索）、Reuse（复用）、Revise（修正）、Retain（保留），这正是基于案例推理（Case-Based Reasoning，简称CBR）的核心循环。法律领域尤其适合CBR，因为大量案件规则模糊，但历史判决沉淀了稳定的裁判尺度。

检索环节最常用加权 k 近邻：对新案件 q，逐一计算它与案例库中每个旧案的相似度，挑出最相似的前 k 个“邻居”，让它们按相似度投票——越像的案例话语权越大。这一票投的，正是“人家那案子最后怎么判的”。

“CBR就像带徒弟：多看旧案、照着判、遇新情况就微调、然后记进脑子里。”周正拍拍卷宗柜，“但雪球滚大了要小心——检索出来的必须真是'最像'的案子，修正过程还得讲清楚，否则就是乱套经验。”

推理链设计：给每一步推理写“破案笔记”

周正给小律立了一条规矩：“每次推理都必须写破案笔记：用了手册哪一条、采信哪几个证据、中间先得出什么、最后到什么结论，一个环节不许少。” 从那以后，小律的每一条回答背后，都跟着一条完整的“笔记链”。

这条笔记链在技术上叫推理链（reasoning chain），它把一次法律推理展开成有序的推导序列：从初始证据出发，每一步由一条规则触发，得到新的中间结论，最终抵达裁判结论。推理链既是推理证据，也是可审查的完整依据。

形式化地看，一条推理链是带标注的推导序列，e₀ 是初始证据状态，rᵢ 是每一步使用的规则，eₘ 是最终结论。链条上的每一条“边”都必须能回答“这一步凭什么”，这正是它与一段黑箱输出最本质的区别。

破案笔记写好后，周正还要做结案复核：从结论倒推回每条证据，确认链条没有断环。哪一步证据不足、哪一步规则引用错误，都会明明白白暴露。这一步叫结论溯源与审计追踪，是法律AI敢不敢交付给业务方的基本前提。

可解释性设计：把结论“摊开讲”给委托人

案子办结，小律第一次独立向委托人汇报。周正叮嘱：“别只说结论，把笔记摊开讲。” 委托人看到“结论：张三应受处罚”下面跟着三行字——用的是什么规则、靠的是什么证据、怎么一步步推出来的，这才点头签字。

对AI而言，“结论加依据”就是可解释性。法律场景的特殊之处在于，结果直接关系人身财产权益，必须可审查、可复核、可申诉。所以法律推理系统输出的不是一个孤零零的答案，而是一个结构完整的解释包。

一次可解释的推理输出 E(C) 由四个部分组成：命中的规则集合 R*、支撑事实集合 F*、推导链条 Chain(C)、置信度声明 conf(C)。置信度由证据强度决定，关键证据缺失时系统要主动降级声明，绝不硬撑。

周正说：“委托人信你，不是因为你嗓门大，而是因为你能把每一步摆在桌面上。” 在法律AI里，这套“摊开讲”的设计就是算法被信任的通行证——没有它，再准的模型也难以被法官与律师真正采纳。

知识库集成：升级“档案室”的三种武器

手册越来越厚，卷宗越来越多，周正决定彻底升级档案室：把法条拆成一张张带编号的卡片，卡片之间互相标注“这一条管那个要件”，再配一台检索机器人，问一句话就能从卡片堆里秒速翻出相关页。

这个升级方案对应的技术，就是法律知识库集成。法律知识要被推理引擎真正用起来，必须完成三件事：法条结构化——把自然语言法条解析成可推理的规则；知识图谱——刻画法条、要件、罪名之间的语义关系；向量检索——用语义相似度快速召回相关条文与案例。

落地时常用“符号+向量”混合检索：符号检索依赖知识图谱，精确但覆盖有限；向量检索依赖语义表示，灵活但可能不精确。λ 是两者的平衡旋钮——λ 大，偏重精确；λ 小，偏重灵活。调好这个旋钮，检索质量往往能整体上一个台阶。

档案室升级后，小律找资料从“翻箱倒柜”变成“按图索骥”。周正很满意：“查得快、查得准，推理链才接得上。” 知识库不是简单堆资料，而是把资料变成能协同工作的体系。

落地与ROI：给局长交一本“明白账”

升级档案室花了真金白银，局里要周正交一份预算报告：这套系统一年能省多少人力、少出多少错漏？建设花了多少、每年维护又花多少？周正说：“技术再漂亮，账算不平，也上不了桌。”

这正是AI项目落地绕不开的ROI账本。ROI（投资回报率）衡量投入产出效率，法律AI项目尤其要算两笔账：技术账看算法能不能跑通，业务账看投入到底划不划算。两者缺一，项目就可能在试点后烂尾。

收益侧通常包括效率收益（缩短检索与文书时间）与质量收益（减少漏检、错漏带来的风险损失）；成本侧包括建设成本（数据、模型、开发）与运营成本（算力、维护、人工复核）。ROI 大于 1，说明投入能产生净收益；小于 1，就要回头重新选场景、砍成本。

周正把报告呈上去，局长签了字。他心里清楚：法律推理AI不是要取代任何一位办案人，而是当一个不知疲倦的助手——把重复劳动扛下来，把推理笔记写得整整齐齐，把需要拍板的判断留给人类。这才是技术落地的正解。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""法律推理演示: 三段论推导 + 基于案例的检索(CBR)""" import math RULES = [    {"rid": "R1", "need": "盗窃", "out": "盗窃罪",     "text": "盗窃公私财物数额较大的, 处三年以下有期徒刑"},    {"rid": "R2", "need": "故意伤害", "out": "故意伤害罪",     "text": "故意伤害他人身体的, 处三年以下有期徒刑"}] CASES = [    {"cid": "C1", "fact": {"盗窃": 1, "故意伤害": 0, "金额": 0.8},     "out": "盗窃罪", "penalty": "拘役六个月, 罚金3000元"},    {"cid": "C2", "fact": {"盗窃": 0, "故意伤害": 1, "金额": 0.2},     "out": "故意伤害罪", "penalty": "有期徒刑一年"},    {"cid": "C3", "fact": {"盗窃": 1, "故意伤害": 1, "金额": 0.9},     "out": "盗窃罪+故意伤害罪", "penalty": "有期徒刑一年六个月"}]  def apply_rule(rule, fact_map):    """三段论: 大前提(规则) + 小前提(事实) -> 结论"""    if fact_map.get(rule["need"], 0) == 1:        return rule["out"], rule["text"]    return None, ""  def cosine_sim(fact_a, fact_b):    """计算两个案件特征向量的余弦相似度"""    keys = set(fact_a) | set(fact_b)    dot = sum(fact_a.get(k, 0) * fact_b.get(k, 0) for k in keys)    na = math.sqrt(sum(fact_a.get(k, 0) ** 2 for k in keys))    nb = math.sqrt(sum(fact_b.get(k, 0) ** 2 for k in keys))    if na == 0 or nb == 0:        return 0.0    return dot / (na * nb)  def retrieve_top(query, k=1):    """案例检索: 按相似度排序, 返回最相似的 k 个案例"""    scored = sorted(CASES, key=lambda c: cosine_sim(c["fact"], query),                    reverse=True)    return scored[:k]  def build_chain(fact_map):    """生成可解释的推理链: 规则推导 -> 类案参照 -> 结论"""    chain = []    for rule in RULES:        out, text = apply_rule(rule, fact_map)        if out:            chain.append("规则依据: " + text)            chain.append("事实认定: 满足'" + rule["need"] + "'要件")    best = retrieve_top(fact_map)[0]    chain.append("类案参照: " + best["cid"] + ", 结论 " + best["out"])    chain.append("建议结论: 参照类案, 可判处" + best["penalty"])    return chain  if __name__ == "__main__":    query = {"盗窃": 1, "故意伤害": 0, "金额": 0.7}    print("待处理事实:", query)    for line in build_chain(query):        print("- " + line)

1. chain = []初始化推理链列表，后续每一条依据都会追加进来，保证结论可溯源
2. def apply_rule(rule, fact_map):三段论推导函数：把每条规则当作大前提，逐个检查是否命中
3. fact_map.get(rule["need"], 0) == 1小前提核验：检查案件事实是否满足规则要求的要件
4. def cosine_sim(fact_a, fact_b):相似度计算：把案件特征变成向量后比较方向与大小
5. dot = sum(fact_a.get(k, 0) * fact_b.get(k, 0) for k in keys)计算两个特征向量的点积，是余弦相似度的分子
6. scored = sorted(CASES, key=lambda c: cosine_sim(c["fact"], query), reverse=True)案例检索：按相似度降序排列，最像的案例排最前
7. chain.append("规则依据: " + text)把每一步规则依据写进推理链，让最终建议可以被审查

常见误区

面试题