近百所高校成立联盟，法律AI开始进入法学实训课堂

AI已经进入了大多数高校的学生生活，他们用AI查资料、写作业、改论文、生成案例分析。可问题是，很多学生因为过度使用AI，他们正在失去自己的独立判断能力。

这在法学教育的课堂里，已经有明显的变化。有高校教授在论坛上提到，现在一些学生的课堂抬头率、出勤率、独立思考能力都面临压力。毕业论文里，也开始出现AI生成内容带来的幻觉、伪注释等问题。

这正是法学教育现在面临的新处境。

一边，智能检索、合同审核、文书生成、类案推送、电子卷宗、在线庭审，正在进入法院、律所、企业法务等场景。另一边，很多高校的法律实训，仍然停留在案例研讨、模拟法庭、老师讲授、学生作答的传统路径里。

所以，法律AI进入法学教育，真正要解决的是：怎么让AI进入法学实训，帮助学生练出真实的法律实务能力。

6月6日，高校人工智能法律实训联盟成立大会暨法律实训教学高端论坛在广州举行。大会以“人工智能赋能高校法律实训”为主题，由小包公·法律AI承办。近百所高校参与其中。

这场会议释放出清晰的信号，法律 AI 已经走出了单纯的辅助工具阶段，开始深入法学教育最考验功底、最需要长期积累的实训课堂环节。

01 法学教育缺的是真实训练场

法学教育不缺理论。学生可以学刑法、民法、行政法，可以背法条、记概念、做案例分析。问题是，真实案件不是教材里整理好的案情简介，也不是一道删掉杂音的考试题。

真实案件是一整本卷宗。学生要从卷宗里看事实、找证据、判断争点、理解程序，再把碎片化材料组织成经得起检验的法律表达。这才是法学实训最难的地方。

中国法学会网络信息法学研究会姜伟会长在会上提到，传统法学教育长期存在重理论、轻应用的问题，高校实践教学还受到卷宗稀缺、师资有限、资源碎片化、考核难量化等问题制约。

卷宗稀缺，学生很难接触完整、真实、可教学的案件材料；师资有限，不是每个老师都有足够的一线实务经验和数字化教学能力；资源碎片化，不同学校各做各的，案例、课程、平台难以共享；考核难量化，老师很难判断学生到底是事实判断不清，还是证据分析薄弱，或者法律适用有误。

西南政法大学法律科技研究院副院长颜卉副教授表示，她过去上模拟法庭课，要“费尽九牛二虎之力”拿到办案卷宗；有些卷宗扫描不清楚，还要花大量力气做匿名化处理。拿到材料只是第一步，后面还有脱敏、整理、分组、批改、复盘。

这就是传统实训课的真实处境，依赖老师个人资源、经验和投入。一个老师能做，不代表一个学院、更多高校都能做。

法律AI进入实训课堂，第一层的价值就是把过去高度依赖个人资源的实训材料和流程，变成可以复用、反馈和迭代的教学系统。

02 “案例研讨”不等于“实操实训”

过去很多法学生上过案例课，也参加过模拟法庭。但现场专家反复提到一个问题，这些训练不一定等于真正的实操实训。

中国政法大学法律学院院长许身健教授在会上说，传统法学教育普遍存在“伪实践”弊病，案例研讨不等于实操实训，传统课堂偏重理论灌输，难以培养学生实务处事能力。

如果AI只是帮学生检索法条、生成文书，它还停留在工具层；如果AI能把真实案件、完整卷宗、模拟训练、即时反馈、二次修改结合起来，它才能真正进入教学。

这次大会设置了三场高校人工智能法律实训示范课：刑事法律实训、民事法律实训、行政法律实训，分别展示小包公高校人工智能法律实训系统在刑法、民法、行政法教学中的应用。

法律AI要进入高校，不能只做通用问答工具，而要进入具体课程、具体案件和具体训练环节。

刑事实训，要处理事实、证据、因果关系和法律适用；民事实训，要理解法律关系、诉讼请求、证据组织和争点归纳；行政实训，要判断行政行为、程序合法性和救济路径。

这些能力不是背书背出来的，要在真实材料里反复练出来。

03 小包公让学生真正“进卷宗”

小包公·法律AI创始人、华南师范大学法学院王燕玲教授的刑事法律实训示范课，一开始就提到，这堂课是要解决“从理论适用到办案思维的转化”。学生看到的不是老师整理好的案情简介，而是完整卷宗。学生要自己归纳案件事实、筛选证据、论证证据链，掌握因果关系认定。

传统课堂常常把案情整理好再交给学生，学生面对的是“被教学加工过的材料”。但真实法律工作不是这样。真实案件里，材料是散的，证据是杂的，事实和结论之间要靠法律人自己搭桥。

在示范课中，系统把案件拆成诉讼程序、案件事实、证据分析、事实认定、法律适用和判决书书写等维度。学生先阅卷，再定位与因果关系有关的言词证据、医疗证据、鉴定意见和现场材料，然后根据材料作答。

王燕玲教授还特别提醒，不能把鉴定意见简单等同于因果关系。鉴定意见能够证明损害部位、伤情等级、致伤机制，但不能直接解决有没有外来力、是什么人造成、因果关系是否成立。完整的因果关系证明，需要把鉴定意见、言词证据、医疗材料、排他因素放在一起，构建闭合的证据链。

这就是实训和普通问答的区别，法律实训更加追求“怎么答出来”。

小包公的价值就在这里，它把真实案件做成了学生可以训练、老师可以观察、系统可以反馈的流程。

04 老师能看见学生错在哪里

传统实训课还有一个难题：老师很难看见每个学生的真实思维过程。

大班教学里，老师讲完一个知识点，学生到底掌握没有，往往只能靠课堂提问、课后作业、考试结果判断。老师看到的是少数被点名学生，或者最终答案，很难看到学生在阅卷、判断、作答过程中的具体错误。

小包公系统解决的，就是这个“看不见”。

学生作答后，系统可以生成个人实训报告，包括错题分析、薄弱环节、知识点反馈和学习建议。老师端则可以看到全班学情分析：哪些学生表现较好，哪些学生答得不好，学生在具体知识点上的思维方式是什么，老师后续应该在哪里精细化讲解。

这件事看起来是“智能批改”，本质上是教学方式变化。

过去，老师靠经验判断学生哪里不会；现在，老师可以基于每个学生的真实作答，决定下一步讲什么、怎么讲、补哪里。

王燕玲教授把这件事概括为“教学、练、评、改”一体化闭环。她强调，AI不是替代老师，是让老师真正看见学生学习的全过程。AI没有改变教育目标，但改变了实现教育目标的方式。

所以，小包公解决的不是简单减轻批改压力，它把学生的学习过程变成了老师可以使用的教学数据。

05 近百所高校成立联盟

法律AI进入高校，真正难的是法律和技术之间怎么融合。

王燕玲教授在闭幕发言中提到，现在很多学校开设人工智能法学课程，一边开计算机课程，一边开法学课程，但计算机加法学中间的连接其实是空白的。这个空白，恰恰是人工智能法律理念要解决的核心问题。她还提到，如果没有法律法规库、精准案例库做匹配，只靠提示词很难保证准确。

这说出了法律AI真正难的地方。

法律AI不是把一个通用大模型接进课堂，再让学生提问。它需要把法律规则、案例逻辑、办案流程、教学目标和评价标准拆出来，再变成机器能够处理、学生能够训练、老师能够评价的系统。

如果只是一个老师做一门AI实训课，这可能只是教学创新。但近百所高校共同成立高校人工智能法律实训联盟，说明这件事正在从单点尝试进入体系建设。

西南政法大学党委常委、副校长王怀勇提到，智能法律实训体系建设绝非一校一地之事，需要汇聚更多法学教育力量。他提出三点倡议：共建实训标准、共享实训资源、共享师资力量。

它不是多一个牌子，而是要解决高校法律AI实训中的共性难题：各校资源怎么共享，课程标准怎么共建，教师怎么培训，案例库怎么更新，学生能力怎么评价，AI如何真正服务法治人才培养。

从这个意义上说，小包公·法律AI这次被推到台前，关键是找到了法律AI落地高校的真实入口：实训。

这个入口没有大模型问答那么热闹，也没有生成文书那么容易展示效果，但更接近法学教育的底层问题。

法学教育最终不是培养会复制答案的人，是要培养出能判断事实、组织证据、理解程序、核查AI、承担责任的法律人。

近百所高校成立联盟，只是开始。真正的变化，会发生在接下来的一堂堂法学实训课里。