案例展示一份法律尽调报告的完整 AI 生产线 · 四维度深度拆解 + 四个专项工作流

客户、过程、数据，均可回溯

• 客户与场景：法律尽职调查是投融资交易的必经工序；本生产线于 2026 年在多个尽调项目中实际运行，覆盖 IPO、并购与投融资场景。客户名称、目标公司与报告内容按保密义务不公开。
• 过程：上方六阶段，每一阶段产出一个可核验工件——初步分析报告、定制清单与调查表、访谈笔录定稿、报告 V1 至 Vn、带出处的法律分析、经格式核验的定稿。
• 数据：39 份脱敏历史尽调报告入库，可按问题类型检索历史处理口径；证券知识库 14 库（IPO 问询 1,636 家 / 再融资 875 家 / 并购重组 74 家 / 补充法律意见书 824 份）；一份 107 行的尽调清单可自动生成一级 15 类、二级 38 类的三级底稿目录——均为实际运行记录，非测算值。

先讲原始流程有多痛，再讲为什么值得优先做

• 原始流程：清单拿旧模板改、工商与涉诉信息人工逐家查、访谈笔录手工整理、报告初稿逐章从零写、每收一批底稿改一轮、格式靠肉眼调——每一环都是搬运式重复劳动，却又都要求准确、可溯源。
• 真实问题：①一份报告几十项问题，每项都要「核查程序 + 底稿证据 + 结论」三件套，写作时间大部分花在搬运而非判断；②底稿分批到达、报告反复改版，版本极易串；③跨项目经验散落在个人脑中，新人无法复用历史口径。
• 为什么优先做：尽调是非诉业务的入口与基座——IPO、并购、投融资都从它开始；流程规整、模板成熟，是 AI 工序化回报最高的场景；这条线建成，问询回复、合同审查等工序都能接在后面。
• 砍掉了什么：AI 不下最终法律结论——每项问题的结论口径、风险分级、访谈现场的追问与判断，一律留给律师；AI 不直接向客户发问、不自行调取或上传底稿，材料流转由人组织。

为什么用 AI，而不是更简单的方案

• 替代方案为何不行：模板加宏解决不了「读懂底稿再改对应章节」；外包初稿守不住保密与口径一致；通用聊天机器人没有数据源、没有版本纪律，也不会主动说「这项我没有底稿」。只有把律师的判断规则写进指令、把检索与核验接到数据源，产出才能既快又可溯源。
• 架构（三层基础设施 × 六阶段调度）：指令层——全局指令与项目指令双层叠加；技能层——委托前分析、清单起草、访谈笔录定稿、报告起草与迭代、证券知识库检索；数据层——企查查、天眼查、元典、见微等经 MCP 直连。主代理按六阶段调度，子代理各管一段，结果汇入同一份版本化报告。

关键取舍与真实约束（写进指令，不靠自觉）

• 事实只能来自公司资料与经核验的公开信息：AI 不得凭记忆填写企业信息，不得据单份报告推断关联、控制关系或实控人对外任职——不确定处一律【】占位。
• 每项事实标注底稿来源（文件名 + 页码 / 条款号）；未取得底稿的问题写「待补充」，不推测。
• 法律结论五级分级（明确 / 通说 / 存在争议 / 待核验 / 待公司确认）；成文正文不内联标注，以批注提示，保持对外文件流畅。
• 版本纪律：始终以最后确认版为唯一底稿，每阶段出一个版本号，不覆盖前版；文件按统一规范命名。
• 敏感材料本地处理（OCR、文件解析不经第三方上传）；对外交付前关键词检索逐一核验脱敏。

基线、结果、口径，一次讲清

• 交付物：《法律尽职调查报告》及历次更新稿、定制尽调清单与调查表、访谈笔录定稿、带出处的法律分析——即「95% 工序由 AI 完成，5% 判断与签字在律师」的落地形态。
• 口径声明：知识库容量 = 实际入库计数；底稿目录数字 = 实际生成结果；耗时对比暂不给出具体数值——本页只写能回溯的数字，不以估算冒充实测。
• 产品化：全流程已封装为「双层指令模板 + 技能 + MCP 配置」，任何律师团队可按本站公开材料复现——这正是它能成为一个实际交付的 AI 产品的原因；商业验证见下方「价值与商业验证」。