从经验到范式：律师造Skill的五个关键问题——大成Skills挑战赛观察侧记

你有没有想过，把自己的经验变成一个Skill？

2026 年4月25日下午，受大成（成都）高级合伙人潘松律师邀请，我在线上担任了"智慧大成 Skills 挑战赛"的评委——这是该所主办的第二届AI实操奖金赛。

整整四个多小时，19组选手轮番登场，大成多家分所的律师们展示了自己动手打磨的AI技能。

说实话，远程做外部评委有一个好处——你可以更安静地观察，不用被现场气氛牵着走。

四个多小时看下来，我的感受从最初的"还不错"，到中场时变成了"有惊喜"，到终场时已经是"这个行业正在发生一些实质性的变化"——这是我没想到的。

一、经验蒸馏：别塞给AI，先提炼规则

比赛中最打动我的，是好几组选手不约而同地触及了同一个命题——律师的经验，如何从个人大脑中提取出来，变成可复用的知识资产？

有选手蒸馏了团队多年深耕专业领域的案件经验，归纳出系统化的审查要点；也有技术小白用消费级AI工具摸索几天，就成功处理了涉及大量专业技术材料的复杂案件。

但我想谈的不是他们做了什么，而是这件事背后的方法问题。

一位选手说得好："制作Skill本质是将个人工作经验模式化，而非创造新智能。"

Skill不是让AI变聪明，而是把我们自己的聪明"装"进去。

那问题就来了：装进去的应该是什么形态？

目前不少选手尝试直接调用知识库来增强AI的专业判断，但我对这个路径持保留意见——知识库的数据量太大，直接调用往往会淹没真正有用的信号。

更可行的路径，可能跟合同审查一样：先从大量原始材料中抽取出抽象的规则，后续再调用这些精炼后的规则。

比赛中有一组关于常法服务规则抽取的探索让我觉得特别有意义。到底哪些东西应该被抽取出来？它们要怎么样去归类成抽象的规则？

这些问题没有标准答案，需要慢慢探索。

但这恰恰是经验蒸馏的核心——不是把所有东西都塞给AI，而是提炼出真正可迁移、可复用的判断框架。

终场点评时其他评委提了一个很锐利的问题：随着大模型不断进化，有些经验可能AI自己就会了，过度"教育"AI反而可能成为阻碍。

这个问题指向了一个更深层的思考：到底哪些经验是真正的人类壁垒？

我们在做Skill的时候，到底是在教AI做判断，还是在帮自己做标准化？这两件事的方法论可能完全不同。

二、Skill的粒度：没有标准答案，但可以先做起来

比赛呈现出的另一个趋势，是律师们正在从做"一个Skill"走向构建"一套体系"——有人在尝试覆盖从客户触达到办案研究再到程序归档的全链路，有人在探索文书中不同功能的封装和解耦。

我在点评时反复提到一个问题：Skill的粒度该怎么定？

把OCR、材料分析、分类整理全塞在一个skill里，还是拆成独立节点各自复用？

把从零起草、格式调整、措辞润色合为一个skill，还是把格式调整解耦出来供所有文书场景共用？

这正是当前skill生态的典型状态：每个人都在探索合适的粒度。拆得太细，组合成本高；合得太紧，复用性差。

很多有价值的迭代，往往是在被迫拆分时才发生的。

一开始想用一个Skill解决所有问题，发现行不通，才不得不拆成多个节点——这时候对业务逻辑的真正理解才浮现出来。

所以与其纠结粒度，不如先做起来。

还有一个有意思的现象：目前大家对"Skill"这个概念本身的认知差别很大。

有人把它当作Agent的代名词，认为一个Skill就应该是一套完整的自动化流程；有人则把它理解为单个任务的执行节点，是构建更大工作流的基本单元。哪种理解更对？目前还没有共识。

但至少参赛的律师们，已经是这个领域的前沿探索者了。

三、Agent Friendly：能自动化的全自动化

还有一个被很多选手忽视的方向——Agent Friendly。

如果让我用一句话总结这场比赛传递的最重要的方向，我会说：一定要Agent Friendly。

比如有选手做了一款赔偿计算器，场景很好，半分钟就能生成精确到分的赔偿清单。

但我得说实话：从形态上讲，它依然只是一个"app"——很多数据还是需要人工手动填写。

我的建议是：这些数据能不能直接从用户提供的材料中自动抽取？先抽取，再喂给计算skill。

这不是对这位选手的批评，而是我认为所有工具型skill都应该追求的目标——能自动化的，全自动化。

为什么要追求这个方向？

因为在可见的未来，最终决定我们效率的不是agent运行有多快，而是怎样保证自己有限时间的人在回路中做出最佳判断。

AI产出的东西你还是要审核。但我们可以做的，是让agent先把它能做的判断都做了，我们最后验收就行。

当agent的效率足够高之后，光验收可能就要花不少时间。所以现在就应该把自动化的部分全自动化，减少人作为瓶颈的带宽占据。

四、评价的困境

做这个比赛的评委，说实在的，挺为难。

法律类Skill的eval（评价标准）很难定义。不像代码能跑测试用例，有明确的pass或fail——法律领域最终的结果往往是很个性化的感觉。

同样的文书，不同律师的措辞偏好、风险容忍度、论证风格可能完全不同。你很难说哪个是"标准答案"。

这种困难在技术领域可能很容易找到评价指标。写一个排序算法，时间复杂度就是客观指标；做一个推荐系统，点击率就是硬标准。

但法律Skill的输出是一段法律分析、一份合同审查意见、一个谈判策略——这些东西的"好不好"，很大程度上取决于使用者的个人判断。

所以这次比赛与其说是在评分，不如说是在互相学习。

我们看到的不是谁的Skill更"正确"，而是不同律师面对同类问题时选择了什么样的切入点，把自己的经验封装成了什么样的结构。

这个互相看见的过程，可能比打分本身更有价值。

这也让我意识到，法律AI领域需要一套完全不同的评价体系——衡量一个Skill能在多大程度上适配特定律师的工作偏好和判断标准，而不是追求统一的正确答案。

这是法律AI从"能用"走向"好用"必须跨越的一道坎。

五、回到本质：Skill能走多远？

看完19组作品，我也在想一些更远的问题。

从2023年初到现在，三年过去了。AI早已深入我们的工作和生活，但说实话，在Agent到来之前，律师的工作方式并没有发生太大的变化——用AI聊天、让它帮忙查法条、改文书，本质上还是在一个旧的工作流里插入了一个更聪明的工具。

真正开创了新工作范式的，是Agent加上Skill的组合：AI不再只是被动回答问题，而是可以按照你封装好的经验，主动完成一系列任务。

也许，未来一到两年的窗口期，就看谁能总结出更优质的Skill，谁才能真正提效。

当然，在这个过程中，客户的需求、企业的需求也会随之变化——律师用AI的方式变了，客户对律师服务的期待也会变。

这些都是在探索中的事情。

但随着模型越来越强，它自己就能理解复杂的法律场景，我们还需要一条条把经验写出来吗？

也许Skill只是这个过渡阶段的产物——它真正的价值不只是当下帮律师提效，而是在这个过程中积累下来的、关于法律人如何思考和判断的结构化数据。

这些数据，才是未来更智能系统（AGI）的养料。

我们谈Skill、谈自动化，很多时候还是在"用工具"的层面上想。

但真正决定AI能不能成为律师得力助手的，不是Skill写得多精巧，而是AI对律师个人的偏好了解有多深。

这个了解只能来自大量的日常沟通积累——你只有和AI有足够多、足够深入的日常交互，它才能从你的措辞习惯、论证偏好、风险判断中提取出真正属于你的东西。

这意味着律师的工作习惯需要做全面的迁移，不是偶尔用一下AI，而是把日常工作的沟通流都交给AI来参与。

这也是为什么前面说"能自动化的全自动化"不只是技术方向——它要求你先把自己全面交给AI。

这是比做Skill更大的变化，也是最难的。

这场比赛对我个人的另一个意义，是看到一些选手的探索方向和我过去的个人实践形成了某种印证。

大家面对的业务场景是相似的，摸索出来的路径也会趋同——这种"最大公约数"的出现，说明某些方向确实是对的。

这大概也是这类比赛最大的价值——不只是比出高低，而是让分散的探索者看到彼此，发现大家其实走在同一条路上。

但总的来说，这场比赛让我看到了法律行业AI应用的一个关键转折：律师正在从"使用AI工具"转向"制造AI工具"。

Skills最好的地方在于，它用自然语言把规则、经验、判断力都组织起来，而这恰恰是律师最擅长的事情。

如果律师不下场，法律工具永远只是通用品；只有律师亲自动手打磨，才会成为我们的专属武器。

比赛结束时，我在想一个问题：两三年后回看今天，我们可能会发现，Skills挑战赛不只是作品的比拼，而是一个行业开始把经验从"人身依附"转向"资产化"的起点。

每个律师都应该有自己的Skills。

不是因为赶时髦，而是因为你的经验值得被复用，你的判断力值得被传承，你的工作方法值得被标准化。

如果你是正在做Skills的律师，这场比赛证明了：方向对了，就值得坚持。

（本文基于作者在"智慧大成 Skills 挑战赛"上作为评委的参与和观察写成，仅代表个人观点。）