Harvey AI：AI法律助手

为什么需要 Harvey AI：法律工作流太重，通用 LLM 又不可信

传统法律工作高度依赖人工文本处理。律师进行合同审查时需要逐条扫读条款、比对历史版本、标记风险点；并购尽职调查需要团队在数千份文件中提取关键信息；法律研究则要在数据库检索结果中逐篇判断相关性。这些工作以“小时”和“天”为计量单位，人力成本高、出错代价大，且瓶颈往往不在专业判断，而在信息检索与文本整理的机械劳动上。

Harvey 的解决方案是把生成式 AI 嵌入法律工作流，而非停留在“通用问答”层面。律师上传文件后，系统可以按要求提取条款、总结要点、对比差异，并在回答中标注来源位置，供律师回溯核验。与传统法律数据库的本质区别是：它不是返回“可能相关的文档列表”，而是直接产出“经过综合的结构化结果”，同时保留引用锚点，让律师在数分钟内完成过去需要数小时的初筛工作。

与 LangChain、LlamaIndex 等开源开发框架相比，Harvey 不是留给工程师自由编排模型的“积木”，而是面向律师交付的闭环产品。两者的气质差异在于：前者是“工具箱”，后者是“成品”。律师不需要理解提示工程、向量数据库或模型微调，只需要在受控界面内完成业务操作；而 AI 工程师则可以把 Harvey 视为研究“法律垂直领域 LLM 产品化”的参考对象——它展示了在合规敏感场景下，如何用工作流+引用溯源+权限隔离把通用模型的不可控性压低到可接受水平。

安装与环境配置：零部署接入，3 步完成企业开通

Harvey 是闭源企业级 SaaS，不存在本地安装包或 pip 依赖。所谓“安装”实际是“企业接入与工作区开通”，由客户 IT 部门与 Harvey 客户成功团队协作完成。整个开通流程可以归纳为 3 步：

第一步：申请开通企业租户。 在官网提交试用申请或由商务团队创建企业租户。Harvey 的销售交付模式是“企业项目制”，需要签署服务协议与数据处理协议（DPA），明确数据存储区域、留存周期与保密义务。这一环节通常由律所的管理合伙人或企业法务负责人推动。

第二步：配置身份与权限体系。 企业管理员登录管理控制台后，批量导入用户账号并分配角色。建议至少划分“管理员”、“律师（项目负责人）”、“律师助理”、“外部合作律师”四类角色，并按照律所或企业内部的项目隔离策略设置数据可见范围，确保不同项目组的律师无法跨项目访问文件。

第三步：验证开通结果。 用一个真实但非涉密的问题做端到端验证，例如上传一份公开的采购合同，要求系统识别违约责任条款并给出引用位置。确认输出结构、引用锚点和导出功能均正常后，再正式向团队开放。

# Harvey 为云服务，无本机安装命令。# 企业开通仅涉及以下流程，由管理员在 Web 控制台完成：# 1. 申请企业租户（联系 Harvey 销售团队）# 2. 导入成员并配置角色与项目权限# 3. 上传测试文档，验证引用溯源与导出功能

快速上手：10 分钟跑通一份合同审查

Harvey 的核心交互是“对话+文档”模式，最小可用流程的思路是：建一个项目 → 传一份文档 → 用自然语言提出分析要求 → 核验引用 → 导出结果。整个过程不写一行代码，全部在浏览器完成。

1. 新建项目：登录 Harvey 工作台，点击“新建项目”，输入项目名称（如“某采购合同审查”），选择面向合同分析的工作流或对话入口。

2. 上传合同文件：在项目内点击“上传文件”，导入 PDF 或 Word 格式的合同文本，等待系统完成解析与索引。

3. 提出分析要求：在对话输入框输入指令，例如“识别本合同中的违约责任、赔偿限额与终止条款，逐条给出原文位置，并指出对甲方不利的风险点”。

4. 核验引用：系统返回结构化结果后，点击结果中标注的引用锚点，跳转至合同原文核对。这一步是法律 AI 使用的必要环节，不可跳过。

5. 导出交付：将确认无误的结果导出为 Word 或 PDF，归档至项目文件夹；如需修订，可在导出文稿中直接批注。

进阶技巧：对于重复性审查任务（如每周处理同一供应商模板合同），将审阅指令固化为团队内的标准提示模板，让不同律师使用同一套分析口径，可以显著提升输出一致性，也方便后续质量抽检与复盘。

核心能力详解：5 大支柱

支柱一：法律知识问答与研究。 Harvey 的知识问答不是简单的“百科全书式应答”，而是围绕法律检索场景提供带引用的答案。律师描述争议焦点后，系统返回相关法律要点、判例脉络与法条依据，并标注信息来源，便于律师核验与后续引用。它把“检索—阅读—综合—成文”四步压缩为“提问—核验”两步。

支柱二：合同条款级分析。 这是 Harvey 最成熟的落地场景。系统可识别合同中的定义条款、陈述与保证、违约责任、赔偿限额、终止条件等关键条款，支持多版本合同对比，自动标记条款差异。律师可以从“逐条通读”变为“按差异清单复核”，大幅压缩机械阅读时间。

支柱三：尽职调查与批处理。 在并购、合规审查等场景中，Harvey 支持对批量文件执行统一的提取任务，如“从所有租赁合同中提取租金支付条款和违约条款”，并将结果汇总为结构化表格。律师的精力从“翻文件”转移到“判断提取出的风险信号是否构成交易障碍”。

支柱四：文书起草与摘要。 Harvey 可根据律师给出的要点生成备忘录初稿、邮件草稿、合同条款建议文本，也可对长文档（如监管答复、专家报告）生成摘要。输出属于“初稿”而非“终稿”，律师在此基础上修改润色，效率提升明显。

支柱五：企业级权限与审计。 面向律所和大型企业，Harvey 提供项目级数据隔离、用户角色权限控制、操作审计日志等治理能力，满足客户对“谁在什么时间访问了什么文件、生成了什么内容”的可追溯要求。这是法律 AI 与普通 AI 工具最本质的差异之一。

生产部署与监控：从企业落地到持续管控

部署方式一：企业级 SaaS 租户接入。 Harvey 由厂商托管运行，企业侧不需要维护 GPU 集群或模型服务。客户需要做的是：完成身份体系对接（将内部账号体系与 Harvey 打通）、确认数据存储区域合规、签署数据处理协议。IT 部门的职责是“管账号、管权限、管审计”，而非“管服务器”。

部署方式二：知识库与私有数据接入。 Harvey 的价值高度依赖其可引用的知识来源。企业可将内部法律知识库、历史合同模板、合规政策等纳入系统，让回答基于“客户自己的语料”而非仅依赖通用知识。配置时需注意划分知识库的可见范围，避免跨项目或跨业务线的数据越权访问。

可观测性：审计、用量与质量复核。 上线后应建立三层监控：一是用户行为审计，定期导出访问日志，确认无异常越权操作；二是用量分析，跟踪各团队的项目数、文件处理量与活跃度，评估投入产出比；三是质量复核机制，抽取一定比例的输出结果由资深律师对照原文复核，记录错误率并反馈改进提示模板。法律 AI 的可观测性核心不是系统指标，而是“输出是否经得起事实核验”。

<p class=“para-label“>避坑清单：</p><ul class=”dash-list”><li>坑 1：误以为“法律专用模型=零幻觉”。Harvey 提供引用溯源来降低幻觉风险，但引用本身需要律师点击跳转核验；若团队跳过复核直接交付，错误仍会流入最终成果。必须把“人工复核引用”设置为强制流程节点。</li><li>坑 2：客户数据隔离配置不当。律所同时处理多个客户的敏感数据，若项目权限和知识库可见范围未按客户维度隔离，可能导致跨客户信息泄露。上线前应由 IT 安全团队逐项测试权限矩阵。</li><li>坑 3：知识库来源未做质量筛选。Harvey 的答案会引用接入的企业知识库内容；若知识库中存在过期或未审核的文档，输出质量会随之劣化。应定期清理、审核并版本化管理纳入知识库的资料。</li></ul>

AI 应用场景

常见误区

面试题