法律人如何使用智能体做专业法律项目：告别僵化流程图，拥抱"自然语言编程"
引言：法律 AI 的深水区
在法律科技（LegalTech）的浪潮中，我们见过太多的"法律 AI 工具"。从最早的合同审查软件，到现在的各类大模型应用，大家似乎都陷入了一个误区：试图用工程思维去拆解法律思维。
最典型的表现就是——满屏的流程图（Flowchart）。
市面上绝大多数的 AI Agent 搭建教程，都在教你如何画复杂的连线：如果 A，则 B；如果 C，则 D。这种"决策树"式的逻辑，对于行政流程或许有效，但对于真正的专业法律项目，它是灾难性的。
为什么？因为法律从来不是非黑即白的计算机代码。法律充满了灰度、博弈、解释空间和上下文依赖。
今天，我想带大家看一种全新的构建法律 AI 智能体的方式——Skill（技能）。
与其费尽心机去画一张永远画不完的流程图，不如回归法律人的本源：用自然语言，写出专属于你的"法律代码"。
第一部分：为什么是 Skill，而不是 Flowchart？
1. 流程图的"穷举陷阱"
想象一下，你要做一个"美国药品专利分析"的 AI。如果你用流程图（Workflow）来做，你可能会这样设计：
- 第一步：输入药品名
- 第二步：判断是否为新药（如果是 -> 走分支 A；如果否 -> 走分支 B）
- 第三步：查询橙皮书（如果有专利 -> 走分支 C...）
听起来很美好，但在实务中，这个逻辑链条会在第一步就崩塌。
- 如果这个药既不是典型的小分子，也不是典型的生物药（如多肽类），流程图该走哪条路？
- 如果它的专利状态是"部分失效，但有 PTE 延长"，流程图需要设计多少个判断节点？
法律问题的复杂度是指数级的。 试图用有限的流程图节点去穷举无限的法律情形，是徒劳的。
2. Skill：给 AI 装上"合伙人大脑"
Skill 的本质，是自然语言编程（Natural Language Programming）。
它不是告诉 AI "先做第一步，再做第二步"，而是教会 AI 一套思维模型。你通过 Skill 告诉 AI：
"在这个项目中，你的身份是拥有 10 年经验的 FDA 专利律师。当遇到一个药品时，你首先要用'二元论'去判断它的定性，然后用'时间天花板'法则去计算它的绝对寿命..."
当 AI 拥有了这套 Skill，它就不再是一个机械的执行者，而是一个能够自适应的初级律师。它可以根据案件的具体情况，灵活调用搜索工具、法规库和逻辑模型，给出最优解。
这才是法律人该有的 AI 打开方式：用我们最擅长的语言，去定义 AI 的灵魂。
第二部分：实战案例——拆解 "US Pharma Patent Analysis" 智能体
为了展示 Skill 的威力，我将分享一个近期我制作的一个 Skill：美国药品专利及数据保护期分析（US Pharma Patent Analysis）。
这个 Skill 的目标非常明确：帮助专利律师和仿制药企，在几秒钟内完成一份原本需要数小时甚至数天才能完成的专利自由实施（FTO）初筛报告。
这是我发布在 GitHub 上的开源 Skill，你可以在我的github仓库找到它的完整文件：US Pharma Patent Analysis Skill。
值得一提的是，我在上一篇公众号文章中，正是应用了这个 Skill 对**替尔泊肽（Tirzepatide）**进行了深度的专利分析，展示了它在实战中的强大威力。
核心逻辑一：不仅是查法条，更是"定性"
在传统的检索工具中，你输入药品名，它给你返回一堆法条。但在我们的 Skill 中，AI 首先被植入了一个**"二元论"思维模型**：
Skill 逻辑片段： "药物的物理性质决定了其法律寿命的起点。你需要用'40个氨基酸'逻辑线来界定：
- 小分子药物 (Small Molecule) -> 适用 Hatch-Waxman 法案 -> 5年 NCE 独占
- 生物制品 (Biologic) -> 适用 BPCIA 法案 -> 12年独占"
当用户输入一个药品（比如替尔泊肽）时，AI 不会盲目搜索，而是先像专家一样思考："这个药有39个氨基酸，虽然像蛋白质，但在法律上它可能还是小分子。"
这种定性思维，是流程图很难实现的，但通过 Skill 的 Prompt 注入，AI 瞬间就拥有了资深律师的直觉。
核心逻辑二：引入"博弈视角"
法律不只是静态的规则，更是动态的博弈。这个 Skill 最精彩的地方，在于它引入了 US Pharma Defense & Challenge 六维分析法。
在这个 Skill 中，我们教会了 AI 如何识别原研药企的"花招"：
Skill 逻辑片段（FTC 风险评估）： "2024-2025年间，FTC 严厉打击在《橙皮书》中列入'注射笔盖、剂量按钮'等非活性成分装置专利。 你的任务是：识别这些可能属于'不当列入'的装置专利，并计算如果移除它们，仿制药能提前多久上市（通常为 1.5 - 2.6 年）。"
看，这已经不是在查数据了，这是在做战略咨询。AI 会主动告诉你："虽然专利还有 10 年才到期，但其中 2 个是关于笔帽设计的，如果我们发起挑战，胜算很大，上市时间可能大幅提前。"
第三部分：智能体是如何思考的？（运行逻辑演示）
让我们来看看，当这个 Skill 真正运行起来时，AI 的大脑里发生了什么。这不是代码的堆砌，而是一场**思维链（Chain of Thought）**的即时演算。
场景模拟：用户询问 "分析 Humira（阿达木单抗）的仿制机会"
1. 身份锚定与路径选择
AI 内心独白：
"收到指令。目标：Humira。 首先调用知识库... 确认通用名为 Adalimumab。 触发 Skill 规则'二元论'：这是一种单克隆抗体，氨基酸序列巨大。 判定： 它是生物制品 (Biologic)。 行动调整： 接下来的查询，我要去 FDA Purple Book，而不是 Orange Book。Hatch-Waxman 的 5 年独占期不适用，我要看的是 BPCIA 的 12 年独占期。"
2. 扫描"专利丛林" (Patent Thickets)
AI 内心独白：
"正在检索专利列表... 发现专利数量极多，甚至构成了'专利丛林'。 触发 Skill 规则'装置专利识别'：分析专利类型... 发现大量关于'高浓度制剂'和'注射笔'的专利。 风险评估： 核心化合物专利可能已过期，但这些外围专利构成了新的壁垒。 计算： 如果不挑战这些装置专利，仿制药要等到 203X 年；如果利用 FTC 新政进行挑战，可能存在提前上市的窗口。"
3. 计算"硬性天花板"
AI 内心独白：
"不论专利有多少，我必须找到那个绝对的终点。 触发 Skill 规则'14年上限'：根据 35 U.S.C. § 156，计算 PTE 后的绝对有效期。 结论： 无论原研药企怎么玩花样，FDA 批准日 + 14 年是它的'寿终正寝'之日。这是我给用户最底线的安全答复。"
4. 生成战略建议
最终输出给用户：
"Humira 的核心专利保护已到期，但面临复杂的'专利丛林'。建议重点关注其给药装置专利的可挑战性。根据 FTC 最新动向，针对其注射笔设计的专利发起 IPR 挑战，是目前性价比最高的策略..."
第四部分：局限与反思
在享受 Skill 带来的效率红利时，我们也必须清醒地认识到它的边界。作为这个 Skill 的开发者，我有两点深刻的反思：
1. 什么样的法律任务适合 AI Agent？-不是所有的钉子都需要锤子
为什么我会选择"药品专利保护期"这个看似极其垂直的主题？
首先，数据源的公开性。这个任务所需的所有信息（FDA Orange Book/Purple Book、专利文本、PTE 公示信息）都是能在官方机构查询到的公共知识，而非藏在律所服务器里的私有知识。这让 AI 可以无障碍地获取原料。
其次，任务的"高智力密度"。确定一个药品的专利保护期，本质上是一套复杂的逻辑分析和多源文件检索任务。它涉及到法条的交叉引用（Hatch-Waxman vs BPCIA）、时间的精密计算和专利状态的动态博弈。这种"既要懂法又要懂算术"的工作，正是 AI 的舒适区。
反之，如果是一些简单的、低文本量的查询工作（比如查一个公司的注册资本），或者是非标准化的情感沟通工作，运用智能体的成本可能并不比传统的 SaaS 服务或人工成本低。不要为了用 AI 而用 AI。
2. 这个 Skill 自身的改进空间
坦率地说，大家看到的这个 US Pharma Patent Analysis Skill，虽然能跑通流程，但在工程设计上仍有遗憾。
缺乏统一的"设计哲学"：在设计之初，我并没有严格设定它的目标用户（是给资深合伙人看，还是给初级律师看？），导致 Prompt 的语气和输出详略度缺乏一致性。
Token 消耗偏高：为了覆盖 Hatch-Waxman 和 BPCIA 两种截然不同的路径，我在一个 Skill 里塞入了过多的判断逻辑。这导致每次运行的 Token 消耗量较大，响应速度也受到影响。
如果让我重新设计，我会从顶层的"设计哲学"出发，将这个庞大的 Skill 拆解为多个微型 Skill（Micro-Skills）。比如，将"小分子/大分子定性"作为一个独立入口，将"PTE 计算"作为一个独立工具。这样不仅能大幅提升出结果的速度，也能显著降低 Token 的消耗成本。
3. "幻觉"的解药：联网 MCP 与自我核查机制
在法律 AI 领域，最大的痛点莫过于大模型的"幻觉"（一本正经地胡说八道）。但在本 Skill 的设计中，我引入了 MCP (Model Context Protocol) 技术，通过大量的联网节点设计，在很大程度上解决了这个问题。
传统的 AI 是"闭卷考试"（靠记忆回答），而这个 Skill 是"开卷考试"。它不是在编造法条，而是实时调用 FDA 官网、USPTO 数据库等权威信源。
更进一步，这个 Skill 本身还可以作为**"事实核查员"。由于其内置了严密的联网检索剧本，我们可以让它对自己生成的报告进行二次校验——用实时抓取的官方数据，去验证每一个日期、每一个专利号的准确性。这种"生成-核查"闭环**，才是法律智能体走向实用的关键。
结语：AI 是杠杆，而你是支点
通过这个案例，我们最终要明白一件事：AI 工具本质上是一个巨大的杠杆。
Skill 赋予了我们撬动海量数据和复杂逻辑的能力，让一个初级律师也能在几秒钟内完成资深合伙人的检索工作。但请记住，杠杆的效力，取决于支点的稳固程度。
这个"支点"，就是你作为法律人的基本功。
如果你不懂 Hatch-Waxman 法案的底层逻辑，你就写不出那个"二元论"的 Prompt；如果你没有经历过专利诉讼的博弈，你就无法设计出"FTC 风险评估"的思维链。
AI 可以放大你的能力，但无法从零创造你的智慧。只有当你拥有了扎实的法律基本功，能够深刻理解业务的本质时，AI 这根杠杆才能在你的手中发挥出排山倒海的力量。
不要指望 AI 替你思考，而要学会让 AI 替你计算。 这，才是法律人驾驭 AI 的终极心法。