商傳媒｜林昭衡／綜合外電報導
隨著人工智慧（AI）技術在法律領域應用日漸普及，市面上琳瑯滿目的法律科技產品，其核心的AI模型卻多半源自少數幾家供應商，如 OpenAI、Anthropic 或 Google。對於法律專業人士而言，了解這些產品如何在其基礎模型之上疊加價值，以及真正的差異化何在，是選用合適工具的關鍵。
現今的法律AI助手，多數是將消費者熟悉的 ChatGPT、Claude 或 Gemini 等大型語言模型（LLM）包裝在領域專屬的使用者介面中。法律科技公司主要透過客製化的使用者介面、針對法律用途設計的提示詞（prompts）以及工作流程整合，來為這些基礎模型賦予附加價值。因此，對於合約摘要、草擬標準信件或回答離散法律問題等簡單任務，法律科技產品與直接使用前沿模型的效果差異，往往不如預期般顯著。
真正的技術差異化，始於系統如何檢索並組織資訊，再將其饋送給大型語言模型。其中，「檢索增強生成」（Retrieval-Augmented Generation, RAG）技術是核心所在。當律師上傳文件並提出問題時，RAG 系統會將文件分塊，轉化為向量嵌入（vector embedding），並比對這些表徵，以找出最相關的段落，再連同問題一併傳送給模型。這不僅能提供來源引證，還能透過將回應奠基於實際文件內容，有效減少AI產生「幻覺」（hallucination）的機率。領先的法律科技平台，更投入大量資源開發專為法律文本訓練的客製化嵌入，讓系統能辨識「免責」（hold harmless）與「賠償」（indemnification）等相關法律概念。
然而，標準的 RAG 實作仍有其限制。一般而言，每次查詢只會進行一次檢索，系統無法根據初步結果辨識新問題、追蹤引證鏈或判斷何時需要進一步搜尋。為了解決這些問題，新興的「智慧檢索」（Agentic Retrieval）架構應運而生。這種架構引入了協調層，能迭代地規劃、執行、評估並重新規劃檢索步驟。智慧檢索系統會評估檢索到的情境是否足夠，若仍有不足，則會提出後續查詢，並持續搜尋直到問題得到充分解決，其運作模式更貼近人類研究者的工作方式：閱讀、推論、找出遺漏點，然後再次搜尋。對於複雜的調查任務，智慧檢索系統的準確性顯著提升，這主要歸因於其架構而非僅僅模型本身的優越性。
儘管現代大型語言模型號稱具備龐大的情境視窗（context window），例如 Gemini 3 Pro 支援約 100 萬個 token，GPT-5.2 提供 40 萬個 token，Claude Opus 4.5 則有 20 萬個 token，但研究顯示，模型效能會隨著情境長度增加而下降，此現象被稱為「情境腐敗」（context rot）。即使是基本的檢索任務，模型也難以回憶埋藏在冗長情境中間的資訊。因此，「情境工程」（context engineering）將模型輸入視為設計問題，透過分層摘要、將中間發現寫入外部記憶體，或依賴子代理（sub-agent）架構，讓專門組件分析文件子集並回傳結構化輸出，以更有效地管理情境。
總體而言，對於簡單任務，法律科技產品與基礎模型的差異較小；但對於複雜工作，檢索與情境管理方面的架構選擇將帶來顯著差異。法律專業人士若能深入理解這些底層技術，將更有能力負責地部署並應用這些新興工具。
