即刻App年轻人的同好社区
下载
很有意思的问题。开放权重模型的许可协议到底有没有执行效力，如果谈不成，能不能强制执行？在中美地缘政治的压力下，会不会有人说中国开放权重模型是债务陷阱或者糖衣炮弹？
进一步的问题，开放权重模型的许可协议的权利基础是什么？软件的开源协议之所以有效，是因为软件代码是明确受到版权保护的作品。但是模型权重是作品吗？表达模型权重的代码当然是作品（表达），但是模型权重本身呢？如果不是作品，开源方的权利基础又从哪里来？
如果真的能形成行业共识，可能会是非常有开创性的商业实践。我没有看最近的论文，关于模型权重的权利保护有最新的学术研究吗？
进一步的问题，开放权重模型的许可协议的权利基础是什么？软件的开源协议之所以有效，是因为软件代码是明确受到版权保护的作品。但是模型权重是作品吗？表达模型权重的代码当然是作品（表达），但是模型权重本身呢？如果不是作品，开源方的权利基础又从哪里来？
如果真的能形成行业共识，可能会是非常有开创性的商业实践。我没有看最近的论文，关于模型权重的权利保护有最新的学术研究吗？
4 01
Harvey是一个我很难评价的产品。它从一开始就对中小律所态度冷淡，主打上层路线，宣传有多少家大律所（Big Law）使用他们的产品——而在大律所，决策购买AI产品的，往往不是实际干活的。因此，大律所的采购很难直接论证它的产品力。
但Harvey的融资证明了它的路线到今天都还是成立的。Harvey在今年3月的上一轮融资中估值为110亿美元，下一轮可能达到155亿美元。按目前公布的ARR3.5亿美元，估值和收入比超过44倍。成熟的法律科技公司如Thomson Reuters的估值和收入比则仅有不到10倍。
Harvey看似高歌猛进的成长之路，其实暗含着巨大危机。Harvey的席位费非常昂贵，对外报价每人每月1200美元以上，如果换算成人民币，每人每年差不多十万块钱。这背后自然是高昂的Token成本。即便是在美国，这也不是绝大部分律师负担得起的。
而Harvey对大律所的开发已经接近极限。美国前一百名的大律所中，它的客户已超过一半。这一百家大律所的年营收总额大约是1800亿美元，即便每一家都拿出1%的收入来购买Harvey，也不过是18亿美元。想象空间显然是不足的。
因此，Harvey的下一个目标必然是“下沉市场”，要么是美国国内的中小律所，要么是法律市场远不如美国的海外市场。
Harvey自己的宣传也有意无意地向这个方向靠拢。他号称服务超过70个国家的20万名律师，但这个数据可能是非常讨巧的。显然，这20万名律师不可能都按年均1万美元购买了服务。而仅与CMS这一家律所的合作，Harvey就宣称他的服务范围涵盖50个设有CMS分所的国家。
要真正进入“下沉市场“，第一道关卡就是费率。如果要调降费率，模型公司收取的高昂Token成本怎么办？Harvey的核心竞争对手Legora选择放弃按席位收费，而是改为按用量收费，以吸引更多费用更敏感的非重度用户。
而Harvey自己做了一件大家想不到的事情：自研模型。
Harvey实际提供的是AI集成平台服务，他针对不同的任务调用模型，利用自己的算法和工作流，输出用户所需的法律文件。大模型厂商收取的API费用就是他最大的开支。如果Harvey换成自研模型，他将不再需要依赖大模型厂商的供给，只需自己支付算力成本，少了一道“中间商“赚差价。
但自研模型，谈何容易？OpenAI和Anthropic每年花费数十上百亿美元购买算力，OpenAI一年训练算力的成本可能超过了整个Harvey的估值。Harvey如何能够自己研发出一套可以与GPT或者Claude匹敌的模型？
Kimi K3 给了他弯道超车的机会。
Kimi K3是一款开放权重模型，也是当下最逼近头部闭源模型表现的选择。所谓开放权重，指的是模型训练完成之后得到的参数文件（即模型权重）完全公开，在满足特定许可条件的情况下，可以供其他人下载、运行、检查、和修改。
打个不恰当的比方，训练模型就像是大航海时代的船长第一次踏上陌生的海域，他们需要历经重重磨难才能找到适合船只航行的航线。而一旦航线确定，后来的人就可以直接按照航海图行进，不需要自己再不断试错。模型权重就是这里的航海图。
Kimi K3的横空出世，让Harvey只需额外投入较小的算力和资源，就有可能在法律垂直领域得到足以与一线闭源模型匹敌的成果。他们不再需要从头造轮子，而可以把注意力集中在他们最擅长的部分：判断力。
效能方面，根据Artificial Analysis的测试，在法律领域的120道题目测试当中，Kimi K3的得分稳居第一，超过了Claude Fable5，Grok 4.5，GPT5.6等闭源模型。而Kimi K3的单项任务成本又比GPT5.6和Claude Fable5要低，特别是比Claude Fable5要低得多。
因此，Harvey选择Kimi K3作为自研模型的基础，也就是顺理成章的事情了。
除了成本和效益之外，Harvey可能还有一重考虑。OpenAI虽然是Harvey早期的投资人，同时也是重要的供应商，但随着大模型公司的成本水涨船高，他们也需要寻找新的业务增长点。垂类模型无疑是他们试图探索的方向。
Anthropic开发了Claude for Legal，Google开发了Gemini Enterprise for Legal，OpenAI目前还没有明显的动作，但显然类似的垂类模型一定在他们的考虑范围内。站在Harvey的角度看，如果还依赖OpenAI提供的模型作为他们业务的根基，显然是非常危险的。
除此之外，当Harvey有了自研模型，他们可以把保密内容控制在自己手里。大模型厂商的保密承诺，显然不如自己控制的技术保证来得靠谱。正是有了开放权重模型，让Harvey这样的初创公司终于可以实现数据和训练全部自有化，对于法律、医疗、金融等领域的垂类AI格外重要。
Kimi打出了中国开放权重模型的范本，Harvey的选择对于中国的法律AI也有极高的参考价值。中国的法律市场远比美国小，中国法律服务市场总产值大约是3000亿人民币，而美国法律服务市场总产值是4500亿美元。中国也不存在类似美国大律所的高集中度、高收费、高利润的生态体系。中国做法律AI的公司不少，公开的单笔投资仅在千万到亿元人民币的级别，远远达不到Harvey的量级。
从某种意义上来说，中国市场就像是Harvey下一步扩张所不得不争取的“下沉市场”，也因此Harvey的选择对中国市场的从业者来说格外有意义。
Harvey的选择说明了，如果要做法律垂类AI，必须依靠开放权重模型。在目前的局面下，Kimi K3无疑是当下的第一选择。
但Harvey的融资证明了它的路线到今天都还是成立的。Harvey在今年3月的上一轮融资中估值为110亿美元，下一轮可能达到155亿美元。按目前公布的ARR3.5亿美元，估值和收入比超过44倍。成熟的法律科技公司如Thomson Reuters的估值和收入比则仅有不到10倍。
Harvey看似高歌猛进的成长之路，其实暗含着巨大危机。Harvey的席位费非常昂贵，对外报价每人每月1200美元以上，如果换算成人民币，每人每年差不多十万块钱。这背后自然是高昂的Token成本。即便是在美国，这也不是绝大部分律师负担得起的。
而Harvey对大律所的开发已经接近极限。美国前一百名的大律所中，它的客户已超过一半。这一百家大律所的年营收总额大约是1800亿美元，即便每一家都拿出1%的收入来购买Harvey，也不过是18亿美元。想象空间显然是不足的。
因此，Harvey的下一个目标必然是“下沉市场”，要么是美国国内的中小律所，要么是法律市场远不如美国的海外市场。
Harvey自己的宣传也有意无意地向这个方向靠拢。他号称服务超过70个国家的20万名律师，但这个数据可能是非常讨巧的。显然，这20万名律师不可能都按年均1万美元购买了服务。而仅与CMS这一家律所的合作，Harvey就宣称他的服务范围涵盖50个设有CMS分所的国家。
要真正进入“下沉市场“，第一道关卡就是费率。如果要调降费率，模型公司收取的高昂Token成本怎么办？Harvey的核心竞争对手Legora选择放弃按席位收费，而是改为按用量收费，以吸引更多费用更敏感的非重度用户。
而Harvey自己做了一件大家想不到的事情：自研模型。
Harvey实际提供的是AI集成平台服务，他针对不同的任务调用模型，利用自己的算法和工作流，输出用户所需的法律文件。大模型厂商收取的API费用就是他最大的开支。如果Harvey换成自研模型，他将不再需要依赖大模型厂商的供给，只需自己支付算力成本，少了一道“中间商“赚差价。
但自研模型，谈何容易？OpenAI和Anthropic每年花费数十上百亿美元购买算力，OpenAI一年训练算力的成本可能超过了整个Harvey的估值。Harvey如何能够自己研发出一套可以与GPT或者Claude匹敌的模型？
Kimi K3 给了他弯道超车的机会。
Kimi K3是一款开放权重模型，也是当下最逼近头部闭源模型表现的选择。所谓开放权重，指的是模型训练完成之后得到的参数文件（即模型权重）完全公开，在满足特定许可条件的情况下，可以供其他人下载、运行、检查、和修改。
打个不恰当的比方，训练模型就像是大航海时代的船长第一次踏上陌生的海域，他们需要历经重重磨难才能找到适合船只航行的航线。而一旦航线确定，后来的人就可以直接按照航海图行进，不需要自己再不断试错。模型权重就是这里的航海图。
Kimi K3的横空出世，让Harvey只需额外投入较小的算力和资源，就有可能在法律垂直领域得到足以与一线闭源模型匹敌的成果。他们不再需要从头造轮子，而可以把注意力集中在他们最擅长的部分：判断力。
效能方面，根据Artificial Analysis的测试，在法律领域的120道题目测试当中，Kimi K3的得分稳居第一，超过了Claude Fable5，Grok 4.5，GPT5.6等闭源模型。而Kimi K3的单项任务成本又比GPT5.6和Claude Fable5要低，特别是比Claude Fable5要低得多。
因此，Harvey选择Kimi K3作为自研模型的基础，也就是顺理成章的事情了。
除了成本和效益之外，Harvey可能还有一重考虑。OpenAI虽然是Harvey早期的投资人，同时也是重要的供应商，但随着大模型公司的成本水涨船高，他们也需要寻找新的业务增长点。垂类模型无疑是他们试图探索的方向。
Anthropic开发了Claude for Legal，Google开发了Gemini Enterprise for Legal，OpenAI目前还没有明显的动作，但显然类似的垂类模型一定在他们的考虑范围内。站在Harvey的角度看，如果还依赖OpenAI提供的模型作为他们业务的根基，显然是非常危险的。
除此之外，当Harvey有了自研模型，他们可以把保密内容控制在自己手里。大模型厂商的保密承诺，显然不如自己控制的技术保证来得靠谱。正是有了开放权重模型，让Harvey这样的初创公司终于可以实现数据和训练全部自有化，对于法律、医疗、金融等领域的垂类AI格外重要。
Kimi打出了中国开放权重模型的范本，Harvey的选择对于中国的法律AI也有极高的参考价值。中国的法律市场远比美国小，中国法律服务市场总产值大约是3000亿人民币，而美国法律服务市场总产值是4500亿美元。中国也不存在类似美国大律所的高集中度、高收费、高利润的生态体系。中国做法律AI的公司不少，公开的单笔投资仅在千万到亿元人民币的级别，远远达不到Harvey的量级。
从某种意义上来说，中国市场就像是Harvey下一步扩张所不得不争取的“下沉市场”，也因此Harvey的选择对中国市场的从业者来说格外有意义。
Harvey的选择说明了，如果要做法律垂类AI，必须依靠开放权重模型。在目前的局面下，Kimi K3无疑是当下的第一选择。
9 11
中国的企业家真是最有冒险精神的一群人。特朗普政府说要让制造业回流美国，到底能不能做到，全世界恐怕都没几个人有信心。但他们是真信，而且真的拿真金白银去投资。
一边是美国联邦和各州政府对中国背景公司的针对性政策，这里不让做业务，那里不让拿补贴。另一边是中国政府不开放对美投资的ODI备案，目前根本没有对美投资的合规通道。
中国政府这么做，某种程度上也是对企业家的保护：现在中美关系变动这么剧烈，花了大价钱去投资，工厂刚盖好就被人挤兑走怎么办？
企业家们可不管这些，哪怕在中国和美国都有合规风险，一定要派人去投资、建工厂、搞生产线，一切以客户需求为最优先的考虑，搞起来了再说。
到底这些工厂会怎么样，也只有过两年才知道了。
一边是美国联邦和各州政府对中国背景公司的针对性政策，这里不让做业务，那里不让拿补贴。另一边是中国政府不开放对美投资的ODI备案，目前根本没有对美投资的合规通道。
中国政府这么做，某种程度上也是对企业家的保护：现在中美关系变动这么剧烈，花了大价钱去投资，工厂刚盖好就被人挤兑走怎么办？
企业家们可不管这些，哪怕在中国和美国都有合规风险，一定要派人去投资、建工厂、搞生产线，一切以客户需求为最优先的考虑，搞起来了再说。
到底这些工厂会怎么样，也只有过两年才知道了。
8 10
如何回答中国客户的美国法问题？
王子越 凯斯西储大学法学院JD三年级学生
大家好，我是王子越。今天我想和大家分享中国企业客户法律咨询的研究与回答。过去两个月，在黄律师的指导下，我为一些中国企业客户做过美国法相关的法律检索、初稿起草等工作，逐渐形成了一套自己的工作方法。
我本科毕业于北京外国语大学，过去接触过较多跨文化交际与翻译理论。我一直觉得，律师在某种意义上也是“翻译官”：我们需要把客户日常、口语化的表达，转换成可以研究和解决的法律问题，再把专业的法律规则重构为客户看得懂、拿得到、用得上的方案。
翻译学者尤金·奈达（Eugene Nida）提出，翻译可以分为“分析、转换和重构”三个过程。企业法律咨询也可以沿着同样的路径展开：第一步，分析客户真正想要什么；第二步，把需求转换成可检索、可判断的法律问题；第三步，重构为实务可用的解决方案。今天的分享也围绕这三个步骤展开。
（一）分析：理解客户真正想问什么
中国企业客户的提问，大致可以分为两类。第一类比较笼统，例如：“我们准备做一个社交媒体推广活动，请帮忙看看有没有合规风险”“这是准备发布的宣传文案，请帮忙看看是否合规”。这类提问最常见，客户往往不清楚具体的法律争议点是什么。第二类相对具体，客户可能已经自行检索过，或者咨询过其他第三方，带着某个明确问题来，希望我们确认结论。对于这两类问题，分析需求的切入方式并不完全相同。
从我接触的项目来看，中国企业客户的咨询通常有几个共同特点。
第一，时效性很强。客户经常会说：“这个活动明天就要启动，今天能不能帮忙看一下？”在这种情况下，十页法律备忘录即使写得很完整，也未必真正好用。与我们对接的人可能是法务，也可能是运营、市场或一线执行人员。他们更需要的不是一篇展示法律分析能力的长文，而是一份操作说明书：第一步做什么，第二步改哪里，第三步怎样执行。最好看完开头，就能立即着手处理。
第二，问题往往口语化、笼统化。客户常说“帮我看看有没有合规风险”，但没有把具体问题拆出来。这时，律师需要主动提炼和归纳，把一个宽泛问题拆成若干清晰的议题。一方面，这能给客户明确的执行路径；另一方面，逐项列出问题，也能帮助我们梳理后续检索逻辑。
第三，商业便利与合规要求之间经常存在张力。比如，客户可能希望尽可能简化活动的通知和免责声明，或者提供更有营销属性的推广活动。这些想法不难理解，但从律师视角看，可能涉及知情同意、营销短信、隐私及平台规则、非法彩票和营销管制等一系列风险。中国企业熟悉的营销方式，放到美国未必合法，这正是律师需要主动识别和提醒的地方。
第四，企业决策需要确定性。法律本身可能存在灰色地带，检索结果也可能是“尚无明确结论”。但如果整份回复充满“可能”“视情况而定”“建议进一步研究”，客户很难采取行动。客户真正想知道的是：这件事能不能做；如果目前不能做，具体要改成什么样；法律对字号、位置、大小写、正反面展示是否有要求；还有没有可替代的做法。我们应当在专业边界内，尽可能给出清晰、确定、可执行的建议。
因此，分析客户提问时，我会特别关注它背后的潜台词。客户说“明天就要”，不仅是在表达时间紧，也是在告诉我：回复必须尽量短，最好第一段就能解决问题。客户说“合作方建议不放 terms and conditions，我们能不能不放”，往往意味着他不希望宣传文案被冗长条款占满。如果规则不能完全省略，我们就要继续思考替代方案，例如设置详情页面，通过一个简短链接跳转到完整条款。能用一行解决的，就不要让客户用三行解决。
（二）转换：把口语需求拆成可检索的问题
分析清楚客户真正想要什么之后，下一步就是“转换”：把宽泛、日常化的提问，转换成律师可以检索和回答的法律问题。
例如，客户问“这张优惠券合不合规”，这个问题本身太宽泛。我们需要分别考虑：优惠券与礼品卡如何区分；是否需要备案；面额、启用门槛、有效期和余额处理是否有限制；披露内容、位置和字号是否符合要求；联邦广告规则和适用州法有什么规定；是否涉及消费者保护或非法彩票风险。问题越具体，检索越有效，最终建议也越容易执行。
我的检索通常遵循相对固定的层次。首先查成文法和司法判例，尤其关注禁止性和强制性规定，先确定客户绝对不能做什么。如果适用规则已经明确规定字号不得小于某一标准，就没有必要绕开法条先看二手材料。
第二层是Practical Law、监管机构指南以及其他实务资料。成文法和判例未必能回答所有执行细节，而监管指南常常会说明近期执法重点、广告披露方式以及可直接使用的示例或清单。对一项陌生业务而言，先系统阅读高质量实务资料，往往是迅速建立框架的有效方式。
第三层是平台政策。很多中国企业希望通过 TikTok、YouTube、Instagram、小红书等平台发布文案或短视频。平台政策不仅关系合规，还直接影响商业传播。某些内容如果没有添加必要标签，可能被限流，发了也等于没有发。不同平台的披露要求并不相同。有的平台要求使用特定 hashtag，有的平台要求声明活动与平台无关，有的平台还要求在视频中明确口播赞助或广告关系。同一份文案换到不同平台，未必能够原样使用。
第四层是行业惯例。企业营销活动通常能找到同类案例。观察竞品如何呈现、披露了哪些内容，可以给客户一个直观参照，也能给律师提供检索思路。但行业惯例只能参考，不能照搬。我们需要继续确认：案例是什么时间发布的；适用法域是否相同；该做法本身是否合规；对方的企业规模、技术条件和运营能力是否与客户相当。
我曾参考过一家大型连锁餐饮企业的活动条款。它在社交媒体文案中只写了一句“请点击查看完整条款”，但链接后的网页有十页内容。大型企业有能力专门搭建网站和完整规则页面，小型企业未必有同样的资源。如果客户只是要发布一篇小红书文案，完全照搬这种做法并不现实，反而可能需要把一份更简短、但要点完整的规则直接附在文案后面。
转换阶段还有一项非常重要的工作，就是引用核查。AI 可以帮助我们找方向，但不能代替律师核验来源。我会逐项确认：法条是否真实、条文编号是否准确、目前是否仍然有效、判例是否真正讨论并支持相关命题，而不是只看有没有出现特定关键词。特别是我在使用部分AI的过程中，发现有时候AI提到的监管指南过期了，或者平台政策不是最新的版本。法律依据的来源和引用，必须由律师自己把关。
（三）重构：把法律分析变成可用方案
我最想强调的是第三步——重构。奈达提出过“功能对等”的概念。与逐字逐句保留原文结构的“形式对等”不同，功能对等更看重信息和效果：译文读者不必掌握原语言的习惯，也应当能够理解原作者的信息和意图，并获得与原文读者相近的体验。
这套理论放到法律服务中，就是不要把法条、判例和指南逐项堆给客户，让客户自己判断下一步怎么做。我们应当让客户读完法律意见后，获得与律师读懂规则后近似的确定感。律师读完规则，能够识别风险、理解边界、适用事实、类推到类似场景，并得出结论；客户读完我们的回复，也应当知道风险在哪里、规则要求什么、现在应当如何修改、以后遇到类似情形如何处理，以及最终能不能做。
客户与律师之间真正的差距，并不只是是否读得懂法条，而是思维方式和适用训练。客户可能不知道该问什么，只能笼统地问“有没有风险”；即使把一整页法条交给他，他也未必知道哪些句子有用；即使理解了禁止性规则，他仍可能不知道合规的替代做法。我们的工作，就是弥合这个差距。
为此，我在起草企业客户回复时，会反复使用五种方法。
第一，结论先行。客户最关心的是能不能做。能做，就在第一句明确告诉他可以；不能按现有方案做，就直接指出必须修改后才能执行。能让客户看第一句解决的事情，就不要让他看到第二句才得到答案。
第二，图像优于文字。如果客户给的是海报、优惠券或活动页面，最好直接在原图需要修改的位置批注，而不是另写“第一，修改标题；第二，修改副标题；第三，修改活动规则”。再清楚的文字，也不如把修改意见放在对应位置直观。运营人员拿到批注图，改完一处就删掉一条批注，全部改完，文件也就完成了。
第三，可复制粘贴优于二次转化。不要只写“建议限制年龄、礼品数量和账号使用”，而应当直接给出可用文案，例如：“本活动仅向18岁以上人士开放。”除非确实没有信息，否则不要让客户再自行填写和改写。
第四，具体案例优于抽象原则，类比优于推理。把同类企业的合规样例放在建议后面，客户常常一眼就能看出自己缺少什么：是否需要广告标签，是否需要声明活动与平台无关，是否明确奖品、获奖人数、参与期限、开奖时间和通知方式。具体例子能显著降低理解门槛。
第五，主动预判执行阻力。我特别喜欢黄律师教我的一句话，这类常法咨询八成靠的常识。我们需要多想一步：如果我是消费者，我会在哪些地方产生疑问或提出异议？如果我是门店员工，我是否能仅凭这份说明完成操作？许多营销和消费者合规问题，除了法律判断，也要依靠常识把自己放进完整流程中，逐步检查每一个可能出问题的节点。
法律分析当然重要。它是律师判断的根基，也是客户后续核对的依据。但从结构上看，它不一定要放在最前面。传统 IRAC 结构是问题、规则、分析、结论；面向企业客户，我更倾向于按“问题—结论—应用—规则”的顺序组织：先说明我把客户的提问理解成哪些问题，再给结论和操作方案，最后补充法律依据。这里不是削弱法律分析，而是调整信息顺序，让文书的功能更符合客户需求。
客户特别着急时，我会在格式和表达上做取舍，但法律检索部分不能省略。可以不写一份完整文件，而是先发一份简短的微信回复；可以只把客户必须执行的结论放在前两行，但底层判断仍然要有可靠依据。
原因很简单：客户平时可能只看结论，但一旦执行中出了问题，首先追问的一定是结论的法律依据。比如，客户送印时发现10号字排不下，问能不能改成9号字。如果没有完成检索，我们只能凭感觉回答“好像差不多”；如果已经确认适用规则，就可以明确告诉他为什么不能改。紧急情况下，应当改变回复形式来节省时间，而不是牺牲必要的法律判断。
我如何使用 AI
在“分析—转换—重构”的工作流程中，我主要在转换阶段使用 AI。分析客户需求时，我通常不依赖 AI，因为需求背后的商业目的、语气和潜台词，需要律师结合上下文判断。进入转换阶段后，我可能会把自己已经识别出的联邦风险、州法风险和平台风险列出来，再让 AI 帮我检查是否遗漏了其他方向。
我使用 AI 较多的环节是法律检索，更倾向于使用Westlaw、Lexis等专业法律数据库内置的 AI，而不是直接依赖通用生成式 AI。专业数据库至少限定了检索范围，便于我继续打开法条、判例和指南进行核验。即便如此，我仍然会确认材料是否真正对应具体事实和法律问题。
对于平台政策，我有时会先问 AI 哪些社区公约或广告政策可能相关，把它当作寻找入口的工具；但 AI 给出的年份、网页和版本未必可靠，最终必须回到平台官方页面自行查找。我的理解是，律师要教 AI 做什么，而不能让 AI 教律师做什么。
行业惯例方面，AI 未必特别好用。更有效的方法往往是基于常识确定同类企业，再直接到它们的社交媒体账号、活动页面或官网查看真实做法。引用核查也是一样：AI 可以指出大致章节或方向，但具体条文、有效状态和支持命题，必须由律师确认。
在写作最后阶段，我会用 AI 做简单的语言润色，使用前必须删除客户名称、个人信息、商业信息等敏感内容，只把去标识化后的文字交给工具处理。这样，起草时就不必在每个措辞上反复停顿，可以把更多精力放在法律逻辑和解决方案上。
我也尝试过把客户的宽泛问题整体丢给 AI，但发现它对长文本和过于泛化的问题处理得并不好，AI 更擅长回答已经缩小范围的具体问题。因此，我会先自己分层拆解：联邦层面有哪些要求，客户所在州有哪些要求，是否存在 Practical Law 的指南，平台规则和行业惯例分别是什么。哪怕自己先细化两步，再去问 AI，得到的结果也通常更好。
总结来说，翻译理论给我的实务启发是：先分析客户真正的问题，再把它转换成清晰、可检索的法律议题，最后重构成可以执行的方案。整个过程中，稳定的检索层次能够提高效率，而重构决定了我们的工作能否真正被客户使用。
我希望客户读完我们的回复后，不只是知道“法律怎么规定”，还能够像律师读懂规则一样，明确知道风险在哪里、下一步该做什么、以后遇到类似问题如何处理。对企业客户而言，这种确定感和可操作性，正是法律服务的价值所在。
以上就是我的分享。谢谢大家。
王子越 凯斯西储大学法学院JD三年级学生
大家好，我是王子越。今天我想和大家分享中国企业客户法律咨询的研究与回答。过去两个月，在黄律师的指导下，我为一些中国企业客户做过美国法相关的法律检索、初稿起草等工作，逐渐形成了一套自己的工作方法。
我本科毕业于北京外国语大学，过去接触过较多跨文化交际与翻译理论。我一直觉得，律师在某种意义上也是“翻译官”：我们需要把客户日常、口语化的表达，转换成可以研究和解决的法律问题，再把专业的法律规则重构为客户看得懂、拿得到、用得上的方案。
翻译学者尤金·奈达（Eugene Nida）提出，翻译可以分为“分析、转换和重构”三个过程。企业法律咨询也可以沿着同样的路径展开：第一步，分析客户真正想要什么；第二步，把需求转换成可检索、可判断的法律问题；第三步，重构为实务可用的解决方案。今天的分享也围绕这三个步骤展开。
（一）分析：理解客户真正想问什么
中国企业客户的提问，大致可以分为两类。第一类比较笼统，例如：“我们准备做一个社交媒体推广活动，请帮忙看看有没有合规风险”“这是准备发布的宣传文案，请帮忙看看是否合规”。这类提问最常见，客户往往不清楚具体的法律争议点是什么。第二类相对具体，客户可能已经自行检索过，或者咨询过其他第三方，带着某个明确问题来，希望我们确认结论。对于这两类问题，分析需求的切入方式并不完全相同。
从我接触的项目来看，中国企业客户的咨询通常有几个共同特点。
第一，时效性很强。客户经常会说：“这个活动明天就要启动，今天能不能帮忙看一下？”在这种情况下，十页法律备忘录即使写得很完整，也未必真正好用。与我们对接的人可能是法务，也可能是运营、市场或一线执行人员。他们更需要的不是一篇展示法律分析能力的长文，而是一份操作说明书：第一步做什么，第二步改哪里，第三步怎样执行。最好看完开头，就能立即着手处理。
第二，问题往往口语化、笼统化。客户常说“帮我看看有没有合规风险”，但没有把具体问题拆出来。这时，律师需要主动提炼和归纳，把一个宽泛问题拆成若干清晰的议题。一方面，这能给客户明确的执行路径；另一方面，逐项列出问题，也能帮助我们梳理后续检索逻辑。
第三，商业便利与合规要求之间经常存在张力。比如，客户可能希望尽可能简化活动的通知和免责声明，或者提供更有营销属性的推广活动。这些想法不难理解，但从律师视角看，可能涉及知情同意、营销短信、隐私及平台规则、非法彩票和营销管制等一系列风险。中国企业熟悉的营销方式，放到美国未必合法，这正是律师需要主动识别和提醒的地方。
第四，企业决策需要确定性。法律本身可能存在灰色地带，检索结果也可能是“尚无明确结论”。但如果整份回复充满“可能”“视情况而定”“建议进一步研究”，客户很难采取行动。客户真正想知道的是：这件事能不能做；如果目前不能做，具体要改成什么样；法律对字号、位置、大小写、正反面展示是否有要求；还有没有可替代的做法。我们应当在专业边界内，尽可能给出清晰、确定、可执行的建议。
因此，分析客户提问时，我会特别关注它背后的潜台词。客户说“明天就要”，不仅是在表达时间紧，也是在告诉我：回复必须尽量短，最好第一段就能解决问题。客户说“合作方建议不放 terms and conditions，我们能不能不放”，往往意味着他不希望宣传文案被冗长条款占满。如果规则不能完全省略，我们就要继续思考替代方案，例如设置详情页面，通过一个简短链接跳转到完整条款。能用一行解决的，就不要让客户用三行解决。
（二）转换：把口语需求拆成可检索的问题
分析清楚客户真正想要什么之后，下一步就是“转换”：把宽泛、日常化的提问，转换成律师可以检索和回答的法律问题。
例如，客户问“这张优惠券合不合规”，这个问题本身太宽泛。我们需要分别考虑：优惠券与礼品卡如何区分；是否需要备案；面额、启用门槛、有效期和余额处理是否有限制；披露内容、位置和字号是否符合要求；联邦广告规则和适用州法有什么规定；是否涉及消费者保护或非法彩票风险。问题越具体，检索越有效，最终建议也越容易执行。
我的检索通常遵循相对固定的层次。首先查成文法和司法判例，尤其关注禁止性和强制性规定，先确定客户绝对不能做什么。如果适用规则已经明确规定字号不得小于某一标准，就没有必要绕开法条先看二手材料。
第二层是Practical Law、监管机构指南以及其他实务资料。成文法和判例未必能回答所有执行细节，而监管指南常常会说明近期执法重点、广告披露方式以及可直接使用的示例或清单。对一项陌生业务而言，先系统阅读高质量实务资料，往往是迅速建立框架的有效方式。
第三层是平台政策。很多中国企业希望通过 TikTok、YouTube、Instagram、小红书等平台发布文案或短视频。平台政策不仅关系合规，还直接影响商业传播。某些内容如果没有添加必要标签，可能被限流，发了也等于没有发。不同平台的披露要求并不相同。有的平台要求使用特定 hashtag，有的平台要求声明活动与平台无关，有的平台还要求在视频中明确口播赞助或广告关系。同一份文案换到不同平台，未必能够原样使用。
第四层是行业惯例。企业营销活动通常能找到同类案例。观察竞品如何呈现、披露了哪些内容，可以给客户一个直观参照，也能给律师提供检索思路。但行业惯例只能参考，不能照搬。我们需要继续确认：案例是什么时间发布的；适用法域是否相同；该做法本身是否合规；对方的企业规模、技术条件和运营能力是否与客户相当。
我曾参考过一家大型连锁餐饮企业的活动条款。它在社交媒体文案中只写了一句“请点击查看完整条款”，但链接后的网页有十页内容。大型企业有能力专门搭建网站和完整规则页面，小型企业未必有同样的资源。如果客户只是要发布一篇小红书文案，完全照搬这种做法并不现实，反而可能需要把一份更简短、但要点完整的规则直接附在文案后面。
转换阶段还有一项非常重要的工作，就是引用核查。AI 可以帮助我们找方向，但不能代替律师核验来源。我会逐项确认：法条是否真实、条文编号是否准确、目前是否仍然有效、判例是否真正讨论并支持相关命题，而不是只看有没有出现特定关键词。特别是我在使用部分AI的过程中，发现有时候AI提到的监管指南过期了，或者平台政策不是最新的版本。法律依据的来源和引用，必须由律师自己把关。
（三）重构：把法律分析变成可用方案
我最想强调的是第三步——重构。奈达提出过“功能对等”的概念。与逐字逐句保留原文结构的“形式对等”不同，功能对等更看重信息和效果：译文读者不必掌握原语言的习惯，也应当能够理解原作者的信息和意图，并获得与原文读者相近的体验。
这套理论放到法律服务中，就是不要把法条、判例和指南逐项堆给客户，让客户自己判断下一步怎么做。我们应当让客户读完法律意见后，获得与律师读懂规则后近似的确定感。律师读完规则，能够识别风险、理解边界、适用事实、类推到类似场景，并得出结论；客户读完我们的回复，也应当知道风险在哪里、规则要求什么、现在应当如何修改、以后遇到类似情形如何处理，以及最终能不能做。
客户与律师之间真正的差距，并不只是是否读得懂法条，而是思维方式和适用训练。客户可能不知道该问什么，只能笼统地问“有没有风险”；即使把一整页法条交给他，他也未必知道哪些句子有用；即使理解了禁止性规则，他仍可能不知道合规的替代做法。我们的工作，就是弥合这个差距。
为此，我在起草企业客户回复时，会反复使用五种方法。
第一，结论先行。客户最关心的是能不能做。能做，就在第一句明确告诉他可以；不能按现有方案做，就直接指出必须修改后才能执行。能让客户看第一句解决的事情，就不要让他看到第二句才得到答案。
第二，图像优于文字。如果客户给的是海报、优惠券或活动页面，最好直接在原图需要修改的位置批注，而不是另写“第一，修改标题；第二，修改副标题；第三，修改活动规则”。再清楚的文字，也不如把修改意见放在对应位置直观。运营人员拿到批注图，改完一处就删掉一条批注，全部改完，文件也就完成了。
第三，可复制粘贴优于二次转化。不要只写“建议限制年龄、礼品数量和账号使用”，而应当直接给出可用文案，例如：“本活动仅向18岁以上人士开放。”除非确实没有信息，否则不要让客户再自行填写和改写。
第四，具体案例优于抽象原则，类比优于推理。把同类企业的合规样例放在建议后面，客户常常一眼就能看出自己缺少什么：是否需要广告标签，是否需要声明活动与平台无关，是否明确奖品、获奖人数、参与期限、开奖时间和通知方式。具体例子能显著降低理解门槛。
第五，主动预判执行阻力。我特别喜欢黄律师教我的一句话，这类常法咨询八成靠的常识。我们需要多想一步：如果我是消费者，我会在哪些地方产生疑问或提出异议？如果我是门店员工，我是否能仅凭这份说明完成操作？许多营销和消费者合规问题，除了法律判断，也要依靠常识把自己放进完整流程中，逐步检查每一个可能出问题的节点。
法律分析当然重要。它是律师判断的根基，也是客户后续核对的依据。但从结构上看，它不一定要放在最前面。传统 IRAC 结构是问题、规则、分析、结论；面向企业客户，我更倾向于按“问题—结论—应用—规则”的顺序组织：先说明我把客户的提问理解成哪些问题，再给结论和操作方案，最后补充法律依据。这里不是削弱法律分析，而是调整信息顺序，让文书的功能更符合客户需求。
客户特别着急时，我会在格式和表达上做取舍，但法律检索部分不能省略。可以不写一份完整文件，而是先发一份简短的微信回复；可以只把客户必须执行的结论放在前两行，但底层判断仍然要有可靠依据。
原因很简单：客户平时可能只看结论，但一旦执行中出了问题，首先追问的一定是结论的法律依据。比如，客户送印时发现10号字排不下，问能不能改成9号字。如果没有完成检索，我们只能凭感觉回答“好像差不多”；如果已经确认适用规则，就可以明确告诉他为什么不能改。紧急情况下，应当改变回复形式来节省时间，而不是牺牲必要的法律判断。
我如何使用 AI
在“分析—转换—重构”的工作流程中，我主要在转换阶段使用 AI。分析客户需求时，我通常不依赖 AI，因为需求背后的商业目的、语气和潜台词，需要律师结合上下文判断。进入转换阶段后，我可能会把自己已经识别出的联邦风险、州法风险和平台风险列出来，再让 AI 帮我检查是否遗漏了其他方向。
我使用 AI 较多的环节是法律检索，更倾向于使用Westlaw、Lexis等专业法律数据库内置的 AI，而不是直接依赖通用生成式 AI。专业数据库至少限定了检索范围，便于我继续打开法条、判例和指南进行核验。即便如此，我仍然会确认材料是否真正对应具体事实和法律问题。
对于平台政策，我有时会先问 AI 哪些社区公约或广告政策可能相关，把它当作寻找入口的工具；但 AI 给出的年份、网页和版本未必可靠，最终必须回到平台官方页面自行查找。我的理解是，律师要教 AI 做什么，而不能让 AI 教律师做什么。
行业惯例方面，AI 未必特别好用。更有效的方法往往是基于常识确定同类企业，再直接到它们的社交媒体账号、活动页面或官网查看真实做法。引用核查也是一样：AI 可以指出大致章节或方向，但具体条文、有效状态和支持命题，必须由律师确认。
在写作最后阶段，我会用 AI 做简单的语言润色，使用前必须删除客户名称、个人信息、商业信息等敏感内容，只把去标识化后的文字交给工具处理。这样，起草时就不必在每个措辞上反复停顿，可以把更多精力放在法律逻辑和解决方案上。
我也尝试过把客户的宽泛问题整体丢给 AI，但发现它对长文本和过于泛化的问题处理得并不好，AI 更擅长回答已经缩小范围的具体问题。因此，我会先自己分层拆解：联邦层面有哪些要求，客户所在州有哪些要求，是否存在 Practical Law 的指南，平台规则和行业惯例分别是什么。哪怕自己先细化两步，再去问 AI，得到的结果也通常更好。
总结来说，翻译理论给我的实务启发是：先分析客户真正的问题，再把它转换成清晰、可检索的法律议题，最后重构成可以执行的方案。整个过程中，稳定的检索层次能够提高效率，而重构决定了我们的工作能否真正被客户使用。
我希望客户读完我们的回复后，不只是知道“法律怎么规定”，还能够像律师读懂规则一样，明确知道风险在哪里、下一步该做什么、以后遇到类似问题如何处理。对企业客户而言，这种确定感和可操作性，正是法律服务的价值所在。
以上就是我的分享。谢谢大家。
3 02
