律师最贵的不是知识，而是时间：哪些工作真的可以先交给 Agent？
晚上十点半，办公室还亮着灯。
一名律师正在审当天第三份合同。前两页基本没问题，第七页开始出现责任限制，第十一页有一处违约条款写得很模糊。与此同时，客户又在微信里问：“这个条款到底有没有风险？”
真正需要律师判断的，也许只有十几处。
但为了找到这十几处，他还是得把几十页合同完整看一遍。
这种场景在律所和企业法务团队里并不少见。合同审查、法律检索、案例整理、文书初稿、客户常见问题，每一件都需要专业知识，但其中相当一部分工作又是重复的、结构化的。
问题在于，它们很难简单交给一个普通自动化系统。
因为法律工作并不是“出现 A，就执行 B”。
它需要读懂语言，需要知道上下文，需要判断条款之间的关系，还需要知道哪些地方自己不能下结论。
这也是 Agent 在法律场景里真正有价值的地方。
不是替律师决定案件怎么打。
而是先把那些必须读、必须查、必须整理，但不一定需要律师从头亲手完成的工作接过去。
一份合同，律师真正应该把时间花在哪里？
假设一名企业法务每天需要审三份采购合同。
传统流程里，他需要逐条确认付款周期、违约责任、知识产权、保密义务、争议解决、责任上限，再把发现的问题整理成意见。
这里真正有价值的是判断：
这条责任限制是否合理？
对方要求的赔偿范围是否超出公司承受能力？
某项义务是否和实际业务不匹配？
但“定位条款”“和标准模板比对”“确认某个章节有没有缺失”，其实非常适合先由 AI 做第一轮。
在 ZGI 中，可以把企业自己的合同模板、审查规则、历史标准条款放进知识库，再让 Workflow 对上传合同做初筛。模型负责识别合同类型和相关条款，知识库提供企业自己的审查标准，之后再按照固定结构输出风险位置、引用原文和待确认事项。
真正高风险的判断，仍然交给律师。
这和“AI 帮你总结合同”完全不是一回事。
一个摘要告诉你合同讲了什么。
一个真正进入流程的 Agent，更应该回答：
哪些地方值得你优先看。
这可能才是法律 AI 更现实的价值。
概念示意：检索、比对与初稿可由 Agent 协助，专业判断由律师负责。
法律知识库最怕的，不是“查不到”，而是“看起来像真的”
法律行业使用大模型，一个无法绕开的风险就是幻觉。
模型可以用非常确定的语气说出一段并不存在的案例，也可能把已经更新的法律规定和旧版本混在一起。
所以法律场景里的知识库，不能只是“把 PDF 喂进去”。
更重要的是来源和边界。
如果团队在 ZGI 中搭一个内部法律知识 Agent，可以明确要求回答优先基于企业自己的知识库、法规资料和案例库，并返回对应来源；知识库没有依据时，应该明确告诉用户没有检索到，而不是继续生成一个听起来合理的答案。
对于真正需要时效性的法律问题，也应该继续由律师核验现行法律、司法解释和权威数据库。
这也是为什么我们更倾向于把 AI 定位成：
法律工作的第一轮处理者，而不是最终意见签发人。
它可以帮你找到材料。
可以帮你整理。
可以帮你比对。
但“这是不是最终法律意见”，仍然需要人承担责任。
客户每天问的很多问题，其实高度重复
一家做劳动法的律所，可能每天都会碰到类似的问题：
试用期能不能解除劳动合同？
经济补偿怎么算？
加班费怎么认定？
员工拒绝调岗怎么办？
对资深律师来说，这些问题并不困难。
真正麻烦的是一天回答二十遍。
于是前台、助理或者客户经理会不断打断律师，只为了确认一个基础问题。
这类场景适合做一个内部知识 Agent。
把法律法规、所内办案指引、FAQ、历史标准回复和内部培训资料放进知识库，让助理先查询。如果属于明确的基础法律信息，系统可以给出引用来源和标准解释；一旦进入案件策略、责任判断或者事实不充分的情况，就必须明确提示需要律师进一步分析。
这种方式不会让律师“消失”。
反而会让律师少花时间在重复解释上。
真正值得律师出现的，是那些不能模板化的问题。
案例检索，也不应该从零开始翻
法律检索最耗时间的一个原因，是大量材料最后都会被排除。
一个案件要找相似案例，可能先搜几十篇，真正具有参考价值的只有几篇。
如果团队已经拥有合法获得并可用于内部检索的案例资料，可以利用知识库和模型先做一轮语义检索和归类，例如按照案由、争议焦点、法院层级和裁判理由进行初步筛选，再由律师进一步阅读原文。
AI 在这里最适合做的是“缩小阅读范围”。
而不是告诉律师：
“根据这个案例，你应该怎么打。”
这是完全不同的边界。
AI 可以替律师减少无效阅读，但不能替律师承担法律判断。
为什么这种场景更适合开放源代码和自托管
法律行业有一个特点：数据本身就是风险。
合同里有客户名称、价格、商业安排，案件资料里可能包含个人信息、商业秘密甚至诉讼策略。
当 Agent 只是写一段普通文案时，大家不会特别在意部署在哪里。但当它开始处理合同和案件材料，问题就完全不同。
团队会自然开始问：
文件存在哪里？
谁可以访问？
使用哪个模型？
运行记录有没有留下？
能不能部署在自己的环境里？
这也是 ZGI 强调开放源代码和自托管的重要原因。
ZGI 可以作为企业内部的 Agent Runtime，连接自己的模型、知识库、数据库和业务系统。对于有明确安全要求的律所或法务团队，可以进一步根据内部规范配置自己的部署与访问边界。
开源的价值在这里并不只是“省一个软件授权费”。
而是当 AI 进入敏感业务以后，企业拥有更多理解、部署和扩展系统的能力。
Skills 可以把律所自己的经验留下来
对于一家长期专注某类案件的律所来说，真正珍贵的资产往往不是某个通用法律模型。
而是多年积累下来的方法。
例如一份劳动合同，应该先看哪些字段。
一份融资协议，哪些条款一定要和商业团队确认。
某类案件第一次接洽客户时，需要问哪十个问题。
过去这些经验往往存在资深律师脑子里，或者散落在 Word、Notion 和内部培训里。
如果能把其中明确、可复用的部分整理成 Skills，它就可以成为团队长期积累的 AI 能力。
比如“劳动合同初筛 Skill”，明确检查顺序、风险字段和输出格式；“案件材料整理 Skill”，规定如何抽取时间线、争议焦点和证据缺口；“客户访谈 Skill”，要求根据案由依次追问关键事实。
模型未来一定会换。
但律所自己的办案方法不应该跟着模型一起消失。
法律 Agent 不应该追求“全自动”
这一点尤其重要。
合同是否接受某项责任，不只是法律问题，也可能是商业决策。
案件是否和解，也不是模型分析完胜率以后就能决定。
所以我们并不建议把法律 Agent 做成一个“自动出具法律意见”的系统。
更合理的方式，是让 Workflow 明确区分哪些节点可以自动执行，哪些节点必须暂停并由律师确认。
例如风险初筛可以自动完成，最终意见不能自动发给客户；案例可以自动整理，但引用前必须核验原文；文书可以生成初稿，但提交前必须由律师审阅。
Agent 越能干，边界反而越应该清楚。
写在最后
律师最稀缺的东西，从来不是会不会写一份标准合同。
而是面对一个复杂问题时，能够理解事实、判断风险，并为这个判断负责。
如果 AI 能够把前面的检索、比对、整理、分类和初稿工作先做掉，让律师把更多时间留给真正需要专业判断的部分，那么它就已经创造了价值。
法律行业真正需要的也不是一个“什么都敢回答”的 AI。
而是一个知道：
哪些事情可以先做，哪些事情必须停下来等律师。
这也是我们认为企业 Agent 应该具备的基本素质。
ZGI 想做的，不是把法律判断交给模型，而是提供一套开放、可自托管的 Runtime，让律所和法务团队可以把自己的知识、Skills 和流程真正组织起来。
AI 负责减少重复劳动。
最终的专业判断，仍然属于人。