01        

从搜得到，到搜得准

在大多数 AI 产品里，联网搜索已经成为标准配置。

当模型内部知识不够时，它会向搜索引擎发起查询，抓取相关网页，把内容整理后放进上下文，再基于这些信息生成回答。

这套机制在日常使用中很好用。它让 AI 能接触到更新的信息，也让很多开放问题有了更好的回答基础。

但在法律场景里，这个流程缺少了一个关键步骤——信息来源治理。

通用搜索更擅长召回内容，却很难理解法律材料之间的效力层级、时效状态和来源差异。法条原文、监管文件、判例、学术评论和第三方解读可能被放在同一个结果列表里，模型也容易将它们等价处理。

这一问题，并非法律场景的个案，而是搜索增强模型在专业知识领域中普遍面临的结构性挑战。

2026 年发表于 Nature 的 OpenScholar 研究提供了一个很好的参照：他们构建了一个专门面向科学文献的检索增强系统，通过大规模论文库做段落识别，再合成带引用支撑的回答。其中一个关键对比是：GPT-4o 在复杂多论文合成任务中幻觉引用率高达 78–90%，而经过 source-grounded 训练的 OpenScholar-8B ，引用准确性可与人类专家媲美。

OpenScholar、ScholarQABench 及评估结果概述

来源：Synthesizing Scientific Literature with Retrieval-Augmented Language Models, Nature 650 (2026): 857–863

在专业知识场景里，来源选择、证据组织和引用支撑本身就是系统能力的一部分，而不该是生成模块的附属品。

在法律这样的高约束场景中，这种能力尤为关键。

Nebulaw：为法律工作建立外部信息通道

基于这些观察， Nebulaw 对 Web Search 的定位不只是「 AI 联网搜索」，而是一条 更适合法律工作的外部信息通道 。

我们称其为 Source-Governed Web Context ——外部信息可以进入，但必须先经过来源筛选、质量判断和边界控制。

简单来说就是，我们在模型的检索链路中前置了 信息治理 环节，优先识别监管机构官网、政府公开文件、司法机关发布内容、交易所公告、企业官方披露及权威行业组织的信息。并在检索、排序与过滤过程中，持续判断信息来源的权威性、时效性与类型。

这并非简单的白名单机制，而是贯穿整个检索过程的属性识别。

与之相对应的，是对上下文的进一步控制。Nebulaw 不再默认将所有检索结果纳入模型输入，而是对其进行分层处理：部分内容作为核心依据参与推理，部分内容则仅作为引用或延伸阅读呈现。

这样既能降低上下文噪声，也保留了人工核查和进一步判断的空间。

对模型来说，它看到的是更干净、更稳定的外部信息，可以将更多计算能力用于理解与推理，而非在噪声中辨别真伪。

对用户来说，输出的结果更稳定、来源更清晰、依据更可靠，在合规、监管、交易类问题中，也更接近可以纳入判断过程的材料。

02        

Nebulaw Skills：

可维护的判断标准

在 Nebulaw 0.3 里，我们引入了一套面向法律场景的 Skills 体系。

与其说它是一组功能，不如说是一种表达方式——将法律工作中反复出现的判断逻辑，转化为可以被系统调用和维护的结构。

Nebulaw Skills 的底层采用 family / main / addon 三层结构，分别对应文书类型、业务领域和专项审查重点。

这样的分层让不同维度的专业规则可以灵活组合——例如一份股权转让协议，既属于「合同」这一文书类别，也处于「并购」这一业务语境之中，同时还可能涉及「外资准入」或「知识产权」等专项问题。

这些组合由系统自动完成，无需用户手动配置。

更重要的是，我们的 Skills 体系并未延续传统 Agent 的工程化表达方式。

传统的 Skill 设计往往偏向程序员视角，需要配置触发条件、规则和执行逻辑，对大多数法律人来说门槛过高，也不符合日常工作习惯。

我们希望法律人用自己熟悉的语言和思路去定义和维护专业标准，而不是变成提示词工程师。

目前我们已经内置了 100 多个 Skills，覆盖主流法律文书和典型业务场景，用户也可以手动调整细则。在后续版本中，我们会逐步开放整套体系，允许用户查看、编辑、创建和维护自己的 Skills。

03        

Comments：读懂评论区的上下文

在律师实际协作过程中，当文档中有不确定内容、审查意见、修改思路或建议时，通常不会直接修改原文，而是用评论标注。

某种程度上，评论区更像律师和法务记录自己风险判断、沟通过程和决策依据的工作底稿。

但评论并不是普通文本。它在文档结构中以独立节点存在，通过锚点与正文关联，同时带有作者、时间戳和回复层级；它可能跨段落、嵌套回复，也可能随修订发生位置偏移。

要让 AI 正确理解评论，需要同时处理文本内容、位置锚点和协作关系。

这也是为什么大多数 AI 工具只能处理正文，却难以真正进入文档协作流程。

基于此，在 Nebulaw Ver0.4 中，我们新增了对文档评论区的读取和理解能力。

不只是读取评论内容，还能够识别评论与具体条款之间的锚点关系——即这条意见是针对哪一段内容提出的。

在此基础上，AI 可以围绕原有评论继续回复，或者结合审查意见，对后续修改做出更一致的判断。

我们把评论、正文与修订痕迹纳入统一的上下文，对用户的价值非常具体：

• 审查意见被纳入判断依据。 风险提示、待确认事项会被纳入后续判断，而非被当成空白状态处理。
• 减少重复沟通。 无需手动整理评论区内容，AI 可以直接在既有讨论基础上继续推进。
• 修改建议更贴合实际状态。 当某处被标注为「等待客户确认」，AI 不会直接定稿，而是提供适配该状态的处理方案；当评论中涉及「需谈判调整」，则优先给出谈判口径而不是修改。

在法律工作中，最终文本只是结果，而评论区承载的是过程。

当 AI 只能看到结果时，它参与的是写作；当它能够理解过程时，它才开始参与决策。

04        

维护更新日志

1. 优化执行过程展示

根据内测反馈，我们对右侧执行过程的展示方式进行了优化。在保留 AI 工作链路可见、可追踪的基础上，进一步精简信息层级，降低视觉密度，让阅读体验更清晰。

2. 修复文件下载版本异常问题

修复了特定场景下可能下载到原始文件，而非最新修改版本的问题。现在用户下载文件时，将更稳定地获取当前编辑后的最新版本。

3. 优化资源管理区交互体验

调整了资源管理区的交互逻辑，使文件查看、选择、切换和管理过程更符合自然操作习惯，降低理解成本。

4. 优化文件窗口区视觉体验

统一了文件窗口区的边距、背景、分区层级和交互状态，让文档查看、文件切换与整体工作台更加连贯。

On Going | 我们仍在持续打磨

Web Search 让外部信息更可靠，Skills 让专业判断更稳定，Comments 让协作过程被理解。

这些更新看起来是不同功能，但背后其实是同一件事：我们希望 Nebulaw 更接近真实的法律工作现场，而不是停留在一次性生成答案。

最后，如果你也在关注法律 AI 如何真正进入工作流，欢迎在公众号后台发送「内测」，获取内测资格。