智能工具在资本市场法律实务中的运用

这篇随笔写于春节期间，随后出现了openclaw等智能体以及法律垂直领域模型的火爆，算是阅读心得，也结合免费大模型的使用感受和对标资本市场场景的AI产品构想。

若按应用场景划分，可分为以deepseek、豆包、文心一言为代表的通用型模型与聚焦行业细分领域的法律专业模型。

法律出版社2025年9月发行的《法律人的AI通识课》对通用模型与法律专业模型在法律问题研究分析方面的能力进行了对比，得出以下结论（摘录部分）：

1、通用模型开放性语料训练方式可能造成规范性文本污染风险，因此在法律文书撰写或分析领域，专业模型更具优势；

2、专业法律模型产生"幻觉"的概率低于通用模型——所谓幻觉即虚构的案例（涵盖资本市场的IPO案例及诉讼裁判案例）以及编造的法律法规；

3、法律法规数据库更新时效方面，通用模型可能存在滞后问题；

4、专用模型可通过系统微调方式使模型更接近人类专家水平。

当然，该书编委均为深圳得理科技（小理AI产品，属于典型的法律专用模型工具）创始人及员工，难免从公司产品角度著书立说，但本书为我们提供了认识法律专用模型的视角，即如何选择AI工具，怎样运用AI工具，以及如何结合行业痛点优化AI工具。

对资本市场法律从业者而言，面对AI产品同样需要思考关键问题：AI能解决资本市场法律工作中的哪些问题，如何解决，在AI未来发展趋势下，资本市场法律从业者如何找准自身定位。

在此，我先提出资本市场法律从业者面对AI产品的简要实务方法论：

1、了解更多的AI工具及其功能边界，结合工作需求匹配工具，认知通用模型之外的专用模型——例如谷歌基于Gemini开发的NotebookLM，可基于上传的文本概括笔记要点、生成PPT、音频、视频，不同于传统大模型，其受"源文件限制"机制约束，降低因数据污染引发的AI幻觉风险；

2、梳理工作中可由AI替代或辅助的环节，尝试运用AI工具，验证使用成效；

3、掌握如何向AI工具提问，核心在于提示词的打磨；

4、思考AI未来优化方向，顺应现有技术发展趋势审视工作中需要人发挥主观能动性的环节，据此预判行业发展方向，人的角色将如何转变。

一、资本市场法律从业者可由AI辅助的环节

1、辅助尽职调查工作

（1）生成基于网络信息的尽职调查报告

（2）生成潜在法律风险关注要点

（3）从IPO问询视角给出解决建议

2、辅助法律研究

3、辅助资本市场/诉讼案例研究

4、开展IPO申报及审核情况研究

5、归纳IPO问询问题关注要点

6、对申报文件进行错误筛查

7、合同文本的修改与起草

8、宣传文稿的起草

9、股东穿透核查身份证号码的摘录与梳理

10、制作PPT演示文稿

11、依据录音生成访谈纪要并提炼要点

12、涉及从PDF文件/图片摘录信息的各类基础摘录工作

二、资本市场法律工作AI工具实操要点

1、关于提示词

依据《法律人的AI通识课》一书的阐述，"提示词"的品质决定了反馈结果的优劣，具体要点如下：

（1）关于示例样本

由于当前大模型已具备推理逻辑，理论上"零样本"指令也能获得大模型反馈，"零样本"即无需向大模型展示示例，但向大模型展示示例样本仍能更好地引导模型发挥更优性能。

在示例撰写方面需注意如下要点：

1）关联性：确保示例与期望大模型处理的任务类型高度相关，示例与实际用例越相似，模型表现越佳；

2）描述清晰性：需将示例部分与其他部分明确区分，避免大模型将示例与其他部分混淆，例如"以下是关于检索案例的示例"。

（2）关于身份设定

在大模型使用过程中，为模型设定角色，可引导其以特定方式响应，提升准确性与其他性能，这种技术称为"角色提示"（role prompting）。

角色提示的核心逻辑是通过角色设定来框定模型的输出范围和方向。

具体要点包括：

1）精确定义期望模型扮演的角色：涵盖具体职业、经验、专长领域。

例如询问豆包模型"你是一位资深的资本市场律师，请以列表方式列举IPO企业在股改基准日后减少注册资本的案例，列明减资的股东会决议日、股改基准日、减资完成工商登记日、创立大会/成立大会日期、股改完成工商登记日"，在添加句首的"角色提示"后，相较未添加版本，新增了与IPO审核相关的要素，即"减资常见原因"、"审核关注重点"，并主动询问"需要我补充每个案例的减资程序完整流程、债权人通知与公告情况、中介机构核查意见及监管问询回复要点对比表吗？"

具体如下：

减资常见原因：

解决股改基准日净资产低于注册资本问题（最常见）

清理未实缴出资，降低股东出资义务

优化资本结构，提高资金使用效率

弥补累计亏损，使公司财务指标更健康

审核关注重点：

减资程序是否完整合规（决议、通知、公告、工商变更）

减资原因是否合理，是否存在损害债权人利益、抽逃出资嫌疑

减资后净资产是否充实，是否符合上市条件

减资对公司持续经营能力的影响

2）设定输出格式：若受众需要更通俗易懂的语言，可告知大模型注意调整表述风格；

3）加入引导性问题，让模型进入角色："作为公司法专家，你会考虑哪些因素？你的过往经验如何影响你的决策？"

4）保持身份灵活性：鼓励AI运用跨学科知识，采用"包括但不限于"、"可能了解"某专业领域的表述

（3）降低AI"幻觉"

有时AI编造案例或法规，实际是面对不确定、模糊或超出知识范围问题时的"应急反应"，因此，降低AI幻觉的方法之一就是允许模型回答"我不知道"，例如：

"如果你不确定或没有足够信息给出自信答案，只需说我不确定"

另一种促使AI降低幻觉的方式即要求AI援引规则或案例原文，且应做到"逐字援引"，可要求其用双引号标注援引的原文范围。

（4）运用Markdown语法格式

Markdown语法格式即采用分隔符与大语言模型交互，其核心原理是为大语言模型提供清晰的上下文边界。模型处理输入时，会尝试理解文本的结构和意图，通过使用特定符号或标记作为分隔符，可帮助模型更准确识别不同部分的信息，从而提升理解和生成能力。

例如指示模型在答复中：

""——用于标注法律条文

*——用于标记关键事实情况

[ ]——用于标记分析步骤

2、生成专利清单

虽然在企查查中已通过官方网站数据爬取了专利清单，可一目了然获知公司专利情况，但若控股子公司众多，需逐一筛查，于是借助AI手段予以辅助。

对此，我对比了豆包与deepseek-V3.2模型，在这一测试中，两者的表现情况如下：

首轮询问问题，未进行"身份设定"提示：

"生成上海XX智能科技股份有限公司及其控股子公司所持有的现行有效专利统计情况，包括申请日、权利人、专利类型"

豆包与deepseek均未列示完整信息，均列示了10项左右的专利信息，豆包在这一环节的信息准确度更高，具体表现在：

（1）其查询了招股说明书的数据；

（2）查询到了境外的四项专利；

（3）deepseek在首轮答复中遗漏了"控股子公司"这一关键信息，仅答复称控股子公司的名单需官方渠道查询确认；

（4）deepseek错误援引了深交所投资者互动平台的信息，但该公司并非A股上市公司；

（5）豆包关注到了控股子公司的范围情况，列示的合计注册专利数量基本准确。

在第二轮问询中，明确了"身份设定"提示，即：

"你是一位资深的专利律师，请详细列举全部上海XX智能科技股份有限公司及其控股子公司所持有的现行有效专利统计情况，包括申请日、权利人、专利类型"

deepseek仍未列示完整信息，且列示的控股子公司存在遗漏，并给出了错误答案"并未检索到以上述三家控股子公司名义申请的、且现行有效的专利"，与事实明显不符，且答复相对简略，称建议查询主管部门网站。

豆包在获得身份设定后，列举了100多项专利信息，但存在子公司错误的情况，即该子公司未持有专利，但豆包认为其存在专利申请情况，同时遗漏了一家全资持股并持有大量专利的子公司。

在生成专利清单方面，豆包在被赋予身份设定前提下优于deepseek-V3.2，但在提问环节，可注意如下要点：

（1）需指定数据