从理论层面回应人工智能法律监督面临的新问题，并从实践层面找到解决之道——

构建“人工+智能”全领域、全流程法律监督机制

褚尔康

王昊

□目前，在人工智能法律制度建设与法律实务活动中，基于算法“建模”和数据“体系”相结合的法律监督运行机制正在高效赋能检察业务工作的开展，深度影响和重塑着检察制度运行的模式特征。其核心内容在于，通过在法律制度运行中引入“大语言模型”分析工具，达到以数据化体系和模型方法模拟现实法律制度运行的目的。

□以大语言模型为核心的技术形态，能够自动读取、解析并分析海量文本数据信息，深入挖掘其中隐藏的逻辑关联与行为特征，识别潜在的法律监督事项与风险，成为人工智能法律监督机制建设的重要应用场景。

当前随着国产通用大模型DeepSeek的迅速部署与广泛应用，新一代人工智能技术迭代升级，这不仅为法治建设提供了新的发展机遇，也带来了技术方法的模式化冲击。如何有效推进人工智能技术与检察工作有机结合，已成为检察机关实现数字检察战略创新发展的必选赛道。自Deep-Seek开源以来，一些地方检察机关积极适应时代发展需要，探索性完成了本地化大语言模型的部署。在看到各地检察机关积极拥抱大模型技术，深度开展“人工智能+法律监督”机制探索取得成效的同时，也应当清醒地认识到，实践中通用大模型的引入在一定程度上减轻了检察机关训练模型的成本，为相关技术的基层部署提供了可能，但受限于模型训练语料的通用性，在实用性上还存在一定的不足。因此，如何从理论层面回应当前人工智能法律监督工作探索中出现的新问题，并从实践层面找到解决之道，成为当前人工智能赋能检察业务工作的重要任务。

问题提出：如何正确处理“人工”与“智能”的关系

目前在人工智能法律制度建设与法律实务活动中，基于算法“建模”和数据“体系”相结合的法律监督运行机制正在高效赋能检察业务工作的开展，深度影响和重塑着检察制度运行的模式特征。其核心内容在于，通过在法律制度运行中引入“大语言模型”分析工具，达到以数据化体系和模型方法模拟现实法律制度运行的目的。实践中，尽管人工智能技术已经得到广泛认可和应用，但理论界和实务界对这种分析方法与传统社会制度运行方式之间的耦合性存在一定质疑，尤其是大语言模型对于现实法律制度运行的影响程度与未来发展趋势等问题困扰着相关理论研究和实践发展，因此，进一步明晰人工智能法律监督运行的机理问题成为当前检察理论研究与实践探索的重要领域。

在检察业务工作开展过程中，由于格式化数据对象的大模型与相应法律制度运行和具体案件情形之间存在的差距，导致识别率不高、误判漏监等问题，尤其是无法对具体案例进行针对性、适应性分析，从而出现一些模型设定的理想化运行环境特征比较明显，一旦脱离预先设定的数据格式和要素体系，便无法实现法律制度的智能化转换。要解决上述问题，对于人工智能法律监督机制建设而言，要明晰法律监督业务与人工智能算法之间关系形成的理论机理，即检察人员如何能够将人工智能算法有机融入日常检察业务中，形成两者之间无缝衔接的运行模式，从而将人工智能的监督技术与传统检察业务之间形成高度的关联体系，只有这样才能有效解决“人工”与“智能”的衔接性问题，进而为后续相关机制的建构奠定坚实的发展根基。

原理阐释：“人工”与“智能”的耦合关系分析

对于检察机关法律监督工作而言，模型的构建是伴随着数学和计算机技术发展逐渐成熟的理论和经验的总结。从最初的模型设计通过规则比对和简单算法发现明显的表面问题，如与法律监督事项相违背的异常数据，通过比对碰撞技术，快速识别数据中的异常点，及时发现较为简单直接的法律监督事项；到当前采用概率统计方法，通过对大量数据分析，提取数据背后的规律，识别出具有潜在风险的行为模式。通过有监督学习和无监督学习，自动从历史数据中学习并预测新的监督事项，及时发出预警。尤其是以大语言模型为核心的技术形态，能够自动读取、解析并分析海量文本数据信息，深入挖掘其中隐藏的逻辑关联与行为特征，识别潜在的法律监督事项与风险，成为人工智能法律监督机制建设的重要应用场景。

但在人工智能技术深入融合检察业务过程中，也出现了一系列技术性困境。例如，如何有效建立检察业务专属知识数据库，搭建专业知识库，推动检察智能体搭建工作的开展。特别是大语言模型如何在实践中适配各类应用场景，聚焦智能体对话和智能体开发的检察业务具体领域，解决相关模型的融合难、保障难、投入成本高等问题。因此，在大模型的应用开发中要充分发挥检察人员的智慧力量，建构“人工”与“智能”的法律监督的耦合性机制，成为当前重要的研究领域与解决问题的突破点。

机制建构：“人工+智能”法律监督机制的实践探索

“人机协力”机制建构。在以法律监督场域为对象的智能体建构过程中，训练形成的模型体系即为一套参数化的代码架构。而检察机关所进行的法律监督模型训练，是在实践中针对特定数据对模型进行参数微调，适应特定任务的需求，从而满足实践中广泛需要的如对话回复、文本摘要、逻辑推理等自然语言应用场景与功能的需求。这种从自然语言到代码语言的转换过程中，需要大量的人工对相关信息进行标注，以便对人工智能算法的训练。此时，“人机交换”机制建构的重点在于，如何对通用大模型进行针对性的参数调整，从而适应针对性场景需要。比如，山西省阳城县检察院在其设计开发的“DeepSeek人机协同案件质量评查系统”中，依据《人民检察院案件质量检查与评查工作规定（试行）》的相关规定，探索出“人工标注+算法训练”的系统研发新思路。将人工检查与大模型巡查有机结合起来，算法模型的设计与训练更加突出专业化和小型化，相关工具的开发也体现了结构清晰、功能明确、易操作的特点，这大大降低了适用门槛，检察人员能够更高效地进行问题筛查与线索挖掘。同时，通过持续的模型优化与迭代升级，法律监督从被动响应向主动预警转变，不仅提高了问题发现的效率，还提升了工作智能化水平。

“人机协同”机制建构。监督模型是一种运用数据和规则、规律等对法律监督全过程进行全程化的监督工具，通过整合各渠道的数据，设置各种监督规则和风险指标，自动筛选潜在的法律监督事项“参数”，提升法律监督工作的针对性、精准度和有效性。在实践中，如前所述，由于格式化数据对象的大数据模型与检察业务案件之间存在识别率不高、误判漏监等问题。尤其是无法对现实鲜活案例形成针对性、适应性分析，从而导致一些模型设定的理想化运行特征比较明显，一旦模型脱离预训练设定的场景和要素体系，将无法实现有效监督。而人工智能大语言模型的发展也并非以简单文本化体系来解析与重构现实世界，它是通过将量化数据参数要素进行系统性组合和信息重构。因此，在检察业务领域中推动人工智能技术的适用，应当选择特定的业务场景语料为突破口，建构具有专属性和针对性的业务适配场景。

“人机协作”机制建构。在人工智能时代，如何将传统法律实践取得的经验更好地融入算法模型体系，已成为人工智能法律监督建设的重要课题。“人机协作机制”，就是将积累形成的经验数据文本针对性投喂给预训练模型，并调整相关参数，逐步训练出符合检察业务办理特点的个性化模型。此时，办理检察案件积累的经验将被数字化的算法模型所吸收，并将其转换为结构化的算法语言储存在大模型体系中，从而有效提升办案经验与算法工具的深度啮合，有助于法律监督工作的有效开展。对此，阳城县检察院在模型训练中严格甄别训练用语料，将最新法律条文和高质量办案材料进行严格筛选和处理，以人工经验助力智能算法开发，探索出将法律监督由“经验”模式转变为“数据+经验”模式的做法，以大模型训练的语料体系建设为重点，构建起从“数字检察+”到“智能检察+”为特征的全领域、全流程体系架构，逐步建立并实现法律监督与人工智能有机衔接的体制机制，形成法律监督目标体系、监督要素体系、知识库体系和模型体系相衔接的理论和实践系统性闭环。

（作者分别为天津师范大学政治与行政学院教授、博士生导师，山西省阳城县人民检察院检察长。本文系2025年度最高人民检察院检察应用理论研究课题《法律监督人工智能大模型的运行机理问题研究》的阶段性研究成果）