法律类的垂直AI大模型

以下是一些可以让模糊的老照片变清晰的 AI 工具和方法： 1. 使用 Stable Diffusion ： 将照片放入后期处理中，使用 GFPGAN 算法将人脸变清晰。您可以参考文章——。 将图片发送到图生图当中，打开 stableSR 脚本，放大两倍。这个放大插件是所有插件中对原图还原最精准、重绘效果最好的。您可以参考文章——。切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可以什么都不写，以免对原图产生干扰。 为了做到颜色与内容的统一，可以启用之前讲到过的一款 cutoff 插件来进行控制，依次按顺序设置好颜色提示词。您可以参照文章——。 2. 图像放大修复在 AI 绘画领域中必不可少，旧照片重现清晰可以利用 AI 技术进行图像修复，保留珍贵回忆。以前手机拍摄的低分辨率图片，也可以用 AI 技术进行高清修复。人像高清修复方面，不需要专业相机设备，用手机拍摄的照片也能通过 AI 技术修复至高清大片。而且，AI 技术不单单只是修复图片，还可以用于图像分辨率的无限扩大且不失真。例如马斯克原始图像分辨率为 234x180 像素，高清修复扩图后可达到 1880x1440 像素，差不多达到 2k 分辨率的质量。多进行几次采样放大后，完全可以实现 8k 超清放大。

以下是一些作为浮窗存在的 AI 陪伴应用： 1. Character.ai：是一个 AI 虚拟陪伴平台，用户可与数百个 AI 驱动的角色交流，还能创建自己的角色并赋予其各种特性。 2. Replika：一款 AI 虚拟陪伴应用，用户能设计理想伴侣，其会存储记忆并在未来对话中参考，甚至发送照片。 3. Talkie：主打情感路线，有大量 npc，游戏和休闲娱乐体验感强，与角色交流过程中会触发抽取卡牌机会。 4. JanitorAI：无限制的 AI 陪伴应用。 5. Spicychat：无限制的 AI 陪伴应用。 6. CrushOn：无限制的 AI 陪伴应用。 每个应用都有其特定的应用场景和功能，您可根据自身具体需求选择合适的产品。

以下是一些常见的 AI 知识库： 1. 通往 AGI 之路：这是一个由开发者、学者和有志人士参与的学习社区和开源的 AI 知识库。它提供了全面系统的 AI 学习路径，帮助用户了解从 AI 常见名词到 AI 应用等各方面知识。用户可以通过在飞书大群中与机器人对话获取对应的资料。其相关信息包括公众号、网站、内置知识库 AI 助手、B 站、小红书、X（Twitter）等渠道的内容。 2. 大圣的相关知识库：在大圣的中，以 AI 时代的知识库作为例子进行了讲解，目的是帮助非编程人士理解 AI 时代的知识库。

对于小白学习 AI，以下是一些建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，还可以参考《雪梅 May 的 AI 学习日记》，其适合纯 AI 小白，学习模式是输入→模仿→自发创造。学习内容可在 waytoAGI 社区发现自己感兴趣的 AI 领域，学习最新内容。学习时间灵活，资源免费开源。 对于纯小白开发应用，可参考以下案例：比如一位只玩过图形化编程的女孩，在暑假超脑 AI 黑客松期间，靠 Claude 和家长的帮助，用 Unity 开发了一个 RPG 小游戏。小白需要通过 AI 能直接搞定的小项目，先学明白背后的原理，在此基础上开发复杂项目。最好有人类导师，一开始把任务拆解到足够小，针对性地设计学习路径，并密切关注随时从坑里捞人。

以下是一些常见的 AI 搜索引擎： 1. 秘塔 AI 搜索：由秘塔科技开发，具有多模式搜索、无广告干扰、结构化展示和信息聚合等功能，能提升搜索效率和体验。 2. Perplexity：聊天机器人式搜索引擎，允许用自然语言提问，通过生成式 AI 技术收集信息并给出答案。 3. 360AI 搜索：360 公司推出，能通过 AI 分析问题，生成清晰有理的答案，支持增强模式和智能排序。 4. 天工 AI 搜索：昆仑万维推出，采用生成式搜索技术，支持自然语言交互和深度追问，未来将支持多模态搜索。 5. Flowith：创新的 AI 交互式搜索和对话工具，基于节点式交互，支持多种 AI 模型和图像生成技术，有插件系统和社区功能。 6. Devv：面向程序员的 AI 搜索引擎，专注于提供编程、软件开发和人工智能等领域的专业建议和指导。 7. Phind：专为开发者设计，利用大型语言模型提供相关搜索结果和动态答案，擅长处理编程和技术问题。 有人做了一个名为“ThinkAny”的 AI 搜索引擎，其作者选择做这个产品基于三个原则：感兴趣、有价值能带来成就感、在能力范围内。作者在了解了一些相关项目代码和底层技术“RAG”（检索增强生成，包括检索、增强、生成三个步骤）后决定尝试。

以下是为您整理的关于 AI 应用提示词的相关内容： Apple Intelligence 中的提示词： 在最新开发者测试版中包含生成式 AI 功能，其模型中的指示会在对聊天机器人说话前默认出现。 如“有用的邮件助理”AI 机器人会被告知如何根据邮件内容提问，指示包括“将答案限制在 50 个单词以内，不产生或编造虚假信息”等。 生成 Apple Photos 中“回忆”视频的指示集存在一些限制，如“不要写宗教、政治等负面内容”。 AI 应用于工作场景制作单词卡片的提示词： 核心目的包括生成符合要求的单词卡内容，并填入 Excel 文件中。 生成过程中先给出基本示例，再根据不同生成内容限定规则。 测试结果显示可同时解析多个单词，大体格式符合要求，但存在部分效果偏差和设定改变，可通过复制粘贴等方式处理。 批量产出时需上传压缩文件并完成套版操作。 关于 AI 幻觉的提示词相关思考： 网上找到的总结公众号的提示词存在输出与实际不符的情况。 总结类文章，AI 可能未读完整个文章，大语言模型可能未真去搜索网页，更像是开发商的“狡猾”，而非“AI 幻觉”。

以下是一份垂直领域大模型训练指南： 一、大模型入门 通俗来讲，大模型就是输入大量语料，让计算机获得类似人类的“思考”能力，能够进行文本生成、推理问答、对话、文档摘要等工作。 大模型的训练和使用过程可以用“上学参加工作”来类比： 1. 找学校：训练大模型需要大量计算，GPU 更合适，只有购买得起大量 GPU 的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型更好理解 Token 之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，进行如翻译、问答等工作，在大模型里称之为推导（infer）。 在 LLM 中，Token 被视为模型处理和生成的文本单位，可以代表单个字符、单词、子单词等，具体取决于所使用的分词方法。在将输入进行分词时，会对其进行数字化，形成一个词汇表。 二、LLM 开源中文大语言模型及数据集集合 1. 医疗领域 XrayGLM：首个会看胸部 X 光片的中文多模态医学大模型。 地址： 简介：该项目发布了 XrayGLM 数据集及模型，在医学影像诊断和多轮交互对话上显示出非凡潜力。 MeChat：中文心理健康支持对话大模型。 地址： 简介：该项目开源的中文心理健康支持通用模型由 ChatGLM6B LoRA 16bit 指令微调得到，数据集通过调用 gpt3.5turbo API 扩展真实的心理互助 QA 为多轮的心理健康支持多轮对话，提高了通用语言大模型在心理健康支持领域的表现，更加符合在长程多轮对话的应用场景。 MedicalGPT 地址： 简介：训练医疗大模型，实现包括二次预训练、有监督微调、奖励建模、强化学习训练。发布中文医疗 LoRA 模型 shibing624/ziyallama13bmedicallora，基于 ZiyaLLaMA13Bv1 模型，SFT 微调了一版医疗模型，医疗问答效果有提升，发布微调后的 LoRA 权重。 三、100 基础训练大模型 步骤三·Lora 生图： 1. 点击预览模型中间的生图会自动跳转到相应页面。 2. 模型上的数字代表模型强度，可在 0.6 1.0 之间调节，默认为 0.8。 3. 可以自己添加 lora 文件，点击后会显示训练过的所有 lora 的所有轮次。 4. VAE 不需要替换。 5. 正向提示词输入所写的提示词，可以选择基于这个提示词一次性生成几张图。 6. 选择生成图片的尺寸，包括横板、竖版、正方形。 7. 采样器和调度器新手小白可以默认不换。 8. 迭代步数可以按照需求在 20 30 之间调整。 9. CFG 可以按照需求在 3.5 7.5 之间调整。 10. 随机种子 1 代表随机生成图。 11. 所有设置都完成后，点击开始生成，生成的图会显示在右侧。 12. 如果有某次生成结果不错，想要微调或者高分辨率修复，可以点开那张图，往下滑，划到随机种子，复制下来，粘贴到随机种子这里，下次生成的图就会和这次的结果近似。 13. 如果确认了一张很合适的种子和参数，想要高清放大，则点开高清修复，可以选择放大的倍数。新手小白可以默认算法，迭代步数建议在 20 30 之间，重回幅度根据需求在 0.3 0.7 之间调整。 今日作业：按照比赛要求，收集六个主题中一个主题的素材并且训练出 lora 模型后提交 lora 模型与案例图像。 提交链接:https://waytoagi.feishu.cn/share/base/form/shrcnpJAtTjID7cIcNsWB79XMEd

在PPT中插入垂直直线，您可以按照以下步骤操作： 1. 打开您的Microsoft PowerPoint程序，并打开您想要插入直线的演示文稿。 2. 选择您想要插入直线的幻灯片。 3. 在菜单栏中，找到“插入”选项，点击它。 4. 在“插入”菜单中，您可以看到“形状”选项。点击它，会弹出一个形状列表。 5. 在形状列表中，找到“直线”或者“垂直直线”的图标。通常，“直线”图标是一个水平的直线，而“垂直直线”则是一条垂直的直线。 6. 点击“垂直直线”图标后，您的鼠标指针会变成一个十字准线，同时会有一个提示框显示“拖动鼠标绘制形状”。 7. 在幻灯片的适当位置点击并拖动鼠标，绘制出您想要的垂直直线。 8. 当您释放鼠标按钮时，直线就会被插入到幻灯片中。 9. 您可以点击直线以选择它，然后在格式工具栏中调整它的颜色、粗细、样式等属性，以符合您的演示需求。 10. 完成后，您就可以继续编辑您的演示文稿或进行演示了。 注意：不同的PowerPoint版本可能在界面和选项上有所不同，但基本的插入直线操作是相似的。如果您使用的是其他版本的PowerPoint或者在线的PowerPoint替代品，步骤可能会有所不同。

目前，AI Agent 已逐步应用于电商、电信服务、银行、核能制造和新零售等多个行业领域。以新零售客户为例，实在 AI Agent 能够提供全域数据自动化采集、全平台竞店、竞品、竞对的数据分析和回溯，通过自动化采集、分析数据，并以可视化呈现用户评论数据，帮助企业解决数据分散和处理效率低的问题，助力客户提效降本、敏捷精准优化营销策略。此外，该应用还能协助企业进行财务处理、客服互动、自动退换货等工作，极大提高工作效率。 在 AI 应用的开发过程中，实在智能团队充分发挥了在 RPA 领域的专业优势，开发团队成员包括流程开发工程师、AI 框架搭建师、接口开发工程师等，共同协作以确保应用高效运行。实在智能高级产品经理张译颢介绍，在喂数据库和调试阶段，团队通过模拟各种业务场景，不断优化 AI 模型，以确保准确理解和执行用户指令。实在智能的 AI 应用不仅显著提高流程性工作的效率，还降低了人为错误的可能性。通过自动化流程，企业能够更快响应市场变化，提升服务质量，在激烈的市场竞争中占据优势。 现代的 Agent 已经被广泛应用于游戏、机器人和其他领域。吴恩达在红杉美国 AI 峰会谈上表示，自己已经在使用研究 Agent，虽然不总是可靠，但有时会非常有用，可以帮助他节省时间和提高效率。

知识图谱是一种结构化的知识表示方法，它通过节点和边来表示实体之间的关系。在垂直领域的知识库智能问答中，知识图谱可以作为问答系统的基础，帮助系统理解用户的问题，并从知识库中检索相关信息。以下是一些关键步骤和考虑因素： 1. 数据收集和预处理： 收集与垂直领域相关的数据，包括文本、图像、音频和视频等。 对数据进行清洗、去噪和标准化处理，确保数据的质量和一致性。 2. 实体识别和关系抽取： 使用实体识别技术识别文本中的关键实体，如人名、地点、组织等。 通过关系抽取技术识别实体之间的关系，如“作者写了书籍”。 3. 构建知识图谱： 根据实体和关系，构建知识图谱的节点和边。 使用图数据库（如Neo4j）来存储和管理知识图谱。 4. 问答系统设计： 设计一个能够理解自然语言问题的问答系统。 使用自然语言处理（NLP）技术，如命名实体识别、意图识别、槽填充等，来解析用户的问题。 5. 查询和推理： 使用知识图谱查询语言（如SPARQL）进行查询，以检索与用户问题相关的信息。 利用图神经网络等方法进行知识图谱上的推理，以生成更准确的答案。 6. 答案生成和优化： 将从知识图谱中检索到的信息转化为自然语言回答。 对回答进行优化，使其更加清晰、准确和易于理解。 7. 系统集成和部署： 将问答系统集成到垂直领域的应用中，如在线客服、教育平台等。 部署问答系统，并进行持续的监控和优化，以提高系统的性能和用户体验。 在构建垂直领域的知识库智能问答时，需要充分考虑该领域的特点和需求，并利用先进的AI技术和工具，如深度学习、知识图谱、自然语言处理等，来提高问答系统的准确性和效率。随着技术的发展，未来可能会出现更多创新的方法和工具，以进一步优化垂直领域的知识库智能问答系统。

以下为您推荐支持中文且能克隆自己声音的免费 TTS 公有模型站点： GPTSoVITS： 只需 1 分钟语音即可训练一个自己的 TTS 模型。 5 秒数据就能模仿您，1 分钟的声音数据就能训练出一个高质量的 TTS 模型，完美克隆您的声音，且适配中文，界面易用。 主要特点： 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 预训练模型：项目提供了一些已经训练好的模型，您可以直接下载使用。 GitHub： 视频教程： 需要注意的是，Stuart 模型存在一些问题： 语音生成基本功能方面： 支持的语音时长不超过 30 秒，超过 30 秒的需要特别修复。 某些 audio seed 在念某些语句时会丢失一些语句。 Refine 过程中有些字会被丢失，比如“儿童节”在大概率会被 refine 成“童节”，丢失一个“儿”字。解决方法是跳过自动 refine，以手动修改文本的方式来控制停顿。 即使同一个 audio seed，如果使用不同的语句分段方式，或者不同的 text seed，生成的音色也不是很稳定，会给人感觉不是同一个人的声音。 代码 Bug： uv_break 等提示词可能会在 refine 之后缺少，甚至有时候在有中括号的情况下也会被念出来。 没提供微调 SFT 的接口。 本模型特别申明：不支持商用，仅用于学术研究。在生成的语音内，作者加了听不见的噪音水印，可以很容易的被检测出来是他的模型生成的语音。ChatTTS 还没放出训练代码无法自己克隆声音，作者还只放出了 4w 小时训练的版本，确保这个模型的声音能被 AI 检测出来。作者还留着一个 10w 小时训练数据的版本。

以下为您推荐两个免费的支持中文的 TTS 模型站点： 1. Fish Speech：语音处理接近人类水平，约十五万小时三语数据，对中文支持完美。开发者为 fishaudio，具有亿级参数，高效轻量，可在个人设备上运行和微调，适合作为私人语音助手。详细介绍及更多演示：https://xiaohu.ai/p/10779 ，GitHub：https://github.com/fishaudio/fishspeech 。 2. GPTSoVITS：只需 1 分钟语音即可训练一个自己的 TTS 模型，是一个声音克隆和文本到语音转换的开源 Python RAG 框架。5 秒数据就能模仿您，1 分钟的声音数据就能训练出一个高质量的 TTS 模型，完美克隆您的声音，完美适配中文。GitHub： 。

以下是关于本地大模型联网搜索的相关内容： 部署本地大语言模型： 1. 下载并安装 Ollama：根据电脑系统，从 https://ollama.com/download 下载，双击打开点击“Install”，安装完成后将下方地址复制进浏览器确认：http://127.0.0.1:11434/ 。 2. 下载 qwen2:0.5b 模型： Windows 电脑：点击 win+R，输入 cmd 点击回车。 Mac 电脑：按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”选择应用程序。 复制相关命令行粘贴回车，等待自动下载完成。 模型获取与分辨： 1. 模型下载网站：大多数模型可在 Civitai（C 站）https://civitai.com/ 下载。 科学上网（自行解决）。 点击右上角筛选按钮选择模型类型。 看照片找到感兴趣的点进去下载。 还可点击左上角“Images”查看他人做好的图片，点进去获取信息。 2. 模型保存地址： 大模型：SD 根目录即下载 SD 时存放的文件夹。 Lora、VAE 等。 3. 分辨模型类型：可使用秋叶的模型解析工具 https://spell.novelai.dev/，将模型拖动到空白处获取信息。 DeepSeek 联网版： 1. 核心路径：通过工作流+DeepSeek R1 大模型实现联网版。 2. 拥有扣子专业版账号：普通账号自行升级或注册专业号。 3. 开通 DeepSeek R1 大模型：访问地址 https://console.volcengine.com/cozepro/overview?scenario=coze ，在火山方舟中找到开通管理，开通服务并添加在线推理模型。 4. 创建智能体：点击创建完成智能体创建。

以下为您推荐能够阅读网页链接内部信息的 AI 模型相关内容： 有一款 AI 浏览器插件，在产品化开发阶段，需要考虑如何稳定获取网页内容、如何选择适合的 AI 大模型 API 服务以及如何构建生产级提示词等问题。 在获取网页内容方面，由于大模型对话产品的外链解析方式容易遭到平台反爬机制制裁，通过用户浏览器以浏览器插件形式本地提取网页内容是一种稳定、经济的解决方案。比如 AI Share Card 插件，可以获取网页元素清单。开发时，您可以拿着初版提示词，询问 AI 来设计获取相关元素的 js 代码。 对于大模型 API，需要利用插件预先获取的网页内容变量、提示词和 API 请求参数，拼搭出完整的 API 提示请求，精确引导 API 返回想要的生成结果。根据 BigModel 官网给出的请求示例，需要传递 Model 类型、系统提示词、用户提示词、top_p、temperature 等关键参数。如果缺少参数设定经验，可以先询问 AI 相关设定的合适值，再逐步调试效果。 同时需要注意，使用 AI 写东西时，它可能会“产生幻觉”生成错误内容，需要检查所有内容。而且 AI 不会真正解释自己，可能给出编造的答案，使用时要对其输出负责。

目前存在能够阅读网页链接内部信息的相关技术和工具。例如，有一些 AI 浏览器插件可以实现这一功能。 在实现过程中，需要考虑以下几个关键方面： 1. 稳定获取网页内容：在初版提示词实验中，获取网页内容依赖大模型对话产品的外链解析能力，但易受平台反爬机制制裁。转换思路，通过用户浏览器以插件形式本地提取网页内容是一种稳定且经济的解决方案。开发时需确定需要插件获取的网页元素，可拿着初版提示词询问 AI 来设计获取相关元素的 js 代码。 2. 选择适合的 AI 大模型 API 服务：需要综合考虑多种因素来选择合适的服务。 3. 构建生产级提示词：对于大模型 API，要利用插件预先获取的网页内容变量、提示词和 API 请求参数，拼搭出完整的 API 提示请求，精确引导 API 返回想要的生成结果。同时，要根据不同模型的特点和要求设置相关参数，也可先询问 AI 相关参数的设定经验再进行调试。 此外，在初版提示词的开发中，将设计要求拆分为“设计规范”和“内容结构”，再细分为独立模块，并结合“内容结构”进行要求提示，这种提示词组织方式具有模型通用性、提示简易性和生成稳定性等显著优势。

以下是关于法律方面在 AI 领域的运用： 开源中文法律大语言模型： LaWGPT：基于中文法律知识的大语言模型。地址： 。该模型在通用中文基座模型基础上扩充法律领域专有词表、大规模中文法律语料预训练，并通过构造法律领域对话问答数据集、中国司法考试数据集进行指令精调，增强了在法律领域的基础语义理解和执行能力。 LexiLaw：中文法律大模型。地址： 。它是基于 ChatGLM6B 微调的，旨在为法律从业者、学生和普通用户提供准确、可靠的法律咨询服务，包括具体法律问题的咨询，以及对法律条款、案例解析、法规解读等方面的查询。 Lawyer LLaMA：中文法律 LLaMA。地址： 。开源了一系列法律领域的指令微调数据和基于 LLaMA 训练的中文法律大模型的参数，首先在大规模法律语料上进行了 continual pretraining，借助 ChatGPT 收集数据进行指令微调，让模型习得将法律知识应用到具体场景中的能力。 律师常用 Prompt 场景： 案例检索：最好使用法律行业垂类的 AI 产品。Prompt 指令词示例：“请搜索近五年内关于商标侵权案件中‘混淆可能性’标准的具体判例，并提供相似度最高的三个案例的关键要点摘要。”预计效果是 AI 系统将检索相关数据库，找出符合要求的判例，并提炼出关键判决理由和结果，形成摘要报告。Prompt 结构提示：【案例领域或类型+明确需要查找的重点内容+查找案例的目的+其他希望 AI 做的事情】 类案检索：同样最好使用法律行业垂类的 AI 产品。 相关法律规定： 《生成式人工智能服务管理暂行办法》： 第一条：为促进生成式人工智能健康发展和规范应用，维护国家安全和社会公共利益，保护公民、法人和其他组织的合法权益，根据相关法律、行政法规制定本办法。 第二条：利用生成式人工智能技术向中华人民共和国境内公众提供生成文本、图片、音频、视频等内容的服务适用本办法。国家对利用生成式人工智能服务从事特定活动另有规定的，从其规定。未向境内公众提供生成式人工智能服务的某些情况不适用本办法。 第三条：国家坚持发展和安全并重、促进创新和依法治理相结合的原则，对生成式人工智能服务实行包容审慎和分类分级监管。 第四条：提供和使用生成式人工智能服务，应当遵守法律、行政法规，尊重社会公德和伦理道德，并遵守多项规定，包括不得生成法律、行政法规禁止的内容，防止产生各种歧视，不得实施垄断和不正当竞争行为，尊重他人合法权益，提升服务的透明度，提高生成内容的准确性和可靠性。

以下为为您推荐的法律咨询 AI 和 agent： 法信智能法律咨询：这是一个 AI 法律咨询助手，运用自然语言处理和知识图谱技术，能够解答法律问题并提供法律咨询。其市场规模达数亿美元。 Casetext：在法律领域表现出色，2023 年 4 月访问量约 479 万，2024 年 3 月增至 628 万，占比提升至 68%。它是法律赛道的领先产品，可能因提供高质量法律信息和工具而受用户青睐。

以下是关于法律咨询类如何借助 AI 来搞定的相关内容： 潘帅提出，使用 AI 进行数据分析时，应将各环节分开处理以优化性能和便于发现修正问题。针对复杂问题，律师可逐步深化细化提问方式。要给 AI 提供参考和学习内容，包括操作指南、行业最佳实践、案例研究等，并编写详细流程和知识。利用专业领域术语引导 AI 回答方向，如在处理合同纠纷时提示特定方面。使用 AI 回答后要进行交叉验证，结合自身专业知识筛选判断。还可指定 AI 模仿资深律师的风格，要求其提供多个例子和从多个角度思考，如给出多种诉讼策略并分析优劣。 陶力文律师认为不能期待设计一个完美的提示词让 AI 百分百给出完美答案，应把提示词当作相对完善的“谈话方案”，在对话中产生成果。对于尝试 AI 的朋友，建议多给 AI 几轮对话修正的余地，不要期望一次输入就得到想要的东西。 潘帅还提到了 PEMSSC 方法，包括个性化的风格、给参考或一定逻辑结构、从多个角度思考、总结概括、区分以及明确能力或角色，并分别举例说明了如何应用。

以下是一些优质的法律大模型数据集： 1. ChatLaw： 地址： 简介：由北大开源的一系列法律领域的大模型，包括 ChatLaw13B（基于姜子牙 ZiyaLLaMA13Bv1 训练而来），ChatLaw33B（基于 Anima33B 训练而来，逻辑推理能力大幅提升），ChatLawText2Vec，使用 93w 条判决案例做成的数据集基于 BERT 训练了一个相似度匹配模型，可将用户提问信息和对应的法条相匹配。 2. LaWGPT： 地址： 简介：该系列模型在通用中文基座模型（如 ChineseLLaMA、ChatGLM 等）的基础上扩充法律领域专有词表、大规模中文法律语料预训练，增强了大模型在法律领域的基础语义理解能力。在此基础上，构造法律领域对话问答数据集、中国司法考试数据集进行指令精调，提升了模型对法律内容的理解和执行能力。 3. LexiLaw： 地址： 简介：LexiLaw 是一个基于 ChatGLM6B 微调的中文法律大模型，通过在法律领域的数据集上进行微调。该模型旨在为法律从业者、学生和普通用户提供准确、可靠的法律咨询服务，包括具体法律问题的咨询，还是对法律条款、案例解析、法规解读等方面的查询。 4. Lawyer LLaMA： 地址： 简介：开源了一系列法律领域的指令微调数据和基于 LLaMA 训练的中文法律大模型的参数。Lawyer LLaMA 首先在大规模法律语料上进行了 continual pretraining。在此基础上，借助 ChatGPT 收集了一批对中国国家统一法律职业资格考试客观题（以下简称法考）的分析和对法律咨询的回答，利用收集到的数据对模型进行指令微调，让模型习得将法律知识应用到具体场景中的能力。

医疗人工智能在带来诸多益处的同时，也存在新的风险。以下为您举例说明其风险及法律防范： 以自动化医疗分诊系统为例，其具有适应性和自主性。适应性方面，它能基于对医疗数据集、患者记录和实时健康数据的分析来预测患者病情；自主性方面，它能为医疗专业人员或直接为患者生成有关症状可能原因的信息，并推荐潜在的干预和治疗措施。 然而，这也带来了一些风险和监管问题。比如，若该系统提供了错误的医疗建议，导致患者出现负面健康结果，责任归属不明确，影响患者获得赔偿。 在法律防范方面，需要明确此类系统的责任界定，制定相关法律法规，确保患者在因错误建议受到损害时能够获得有效的救济。同时，应加强对医疗人工智能系统的监管和评估，确保其准确性和可靠性。

以下是关于法律智能律师的相关内容： 一、什么是 Prompt 及如何写出好的 Prompt 1. Prompt 指的是给人工智能（AI）系统提供的信息或者问题，用来引导 AI 产生特定的回答或者执行特定的任务。对于 AI 来说，一个好的 Prompt 可以帮助它更准确地理解需求，并给出更相关、更有用的回答。 2. Prompt 的建议框架及格式： CRISPE 框架： Capacity and Role（能力与角色）：明确 AI 的角色和能力，如专注于民商事法律领域的律师，擅长案例研究、法律条文检索以及案件策略分析。 Insight（洞察）：提供背景信息和上下文，如处理一起复杂的合同纠纷案件，向 AI 提供案件的关键事实、相关法律以及案件涉及的背景。 Statement（陈述）：明确期望 AI 完成的任务，如要求 AI 总结案件中双方的诉求、检索法条、预测可能的判决结果。 Personality（个性）：确定希望 AI 以什么风格或方式回答。 Experiment（举例）：通过举例进一步说明。 二、关于写 Prompt 的实践经验 1. 不能期待设计一个完美的提示词，然后 AI 百分百给到完美符合要求的答案，中间不能有谬误，否则就是一个需要修复的“BUG”。这本质上还是前 AI 时代“机器编程”的思路，是工程学的，把 AI 当成机械的。 2. 给到 AI 的提示词实际上是一个关于此项问题的相对完善的“谈话方案”，真正的成果需要在对话中产生，在对话中限缩自己思维中的模糊地带。 3. 现在大多数人（包括各个大厂的提示词工程师们）基本上都还抱着前 AI 时代的“机器编程”思路来进行 AI 的“自然语言编程”。这种希望通过一个超级提示词母机，保证 AI 不出错的一次性生成用户想要的理想效果的工程学路线，恐怕原理上比较难走。 4. 对于想要尝试 AI 的朋友们，建议多给到 AI 几轮对话修正的余地，不要期望输入一次提示词 AI 就能给到想要的东西，毕竟很多时候自己刚开始也不知道自己想要什么。 三、个人写 Prompt 的习惯和示例 1. 基于个人习惯和审美偏好，把 Prompt 或者提示词称为【灵机符箓】或简称【符箓】，把 AI 称为【灵机】。 2. 习惯用的大模型是 KIMI，但别的 GPT、文心一言、豆包等也都可以，具体效果可能有不同。 3. 示例：敕令法律文章撰写 箓： author:叁随道人 version:1.0（20240626） language:中文 符： 你是一名资深中国律师，不仅精通法律，而且熟悉商业实践和人性，本任务中你需要根据【基础材料】，输出特定【语言风格】的文章。开头是惯例的赋予 AI 灵机一个“身份”，这实际上就是一次划定【边界】，避免输出的结果里出现国外的或非法律的内容，过于宽泛。而后是一个总的任务流程，和两个关键变量【基础材料】和【语言风格】。首先获得基础材料。