类案检索用 AI 的正确顺序：先做要素表，再谈检索式

类案检索的难点从来不是“找不到案例”，而是找到的案例不类似。AI 在这里最容易制造一种错觉：它给出的判决摘要读起来很贴切，但法院层级、裁判时间、事实细节全都对不上，用进文书里就是风险。

把流程拆成三步，可以大幅降低这种风险。

第一步：做事实要素表，而不是写案情故事

判决书的说理针对的是要件事实，不是叙事。先把案情压缩成四类要素：法律关系性质、关键时间节点、核心行为与过错、诉讼请求与金额。这一步建议人工完成，AI 只做校对和补漏。

指令：阅读以下案情摘要，输出事实要素表：①当事人及法律地位；②基础法律关系（合同/侵权/物权等）；③关键时间节点（含诉讼时效相关节点）；④核心争议行为；⑤诉讼请求及标的额；⑥已固定的证据类型。缺失项标注“待补充”，不要推测。

要素表的质量直接决定后面两步的效果。要素含糊，检索式必然发散。

第二步：把要素转成检索式，再交给检索工具

要素表不能直接当查询语句用。要让模型把要素翻译成可执行的检索条件：案由、关键词组合、法条指向、法院层级、时间范围。

指令：基于上述要素表，生成三组检索方案，每组包含：案由、核心关键词（同义词并列）、可能涉及的法条、建议限定的法院层级与裁判年份、可直接粘贴的布尔检索式。说明三组方案的差异（宽/中/窄）。

拿到检索式后，去专业法律数据库执行。这里不建议用通用对话模型“凭记忆举案例”——模型没有实时案例库，给出的字号可能是编造的。专业检索工具的价值就在可核验：每条结果都能点开原文，看到案号、裁判日期、法院和全文。

第三步：多判决横向比对，提炼裁判尺度

找到 5 到 10 份高质量判决后，让 AI 做结构化比对，而不是逐份总结。

指令：以下是 6 份判决的争议焦点与说理段落。请输出比对表：案号｜法院｜裁判日期｜认定的关键事实｜裁判结论｜说理中的核心判断标准｜与本案的可比性与差异点。最后归纳：本类案件中法院酌定的区间与影响因素排序。

输出里的“可差异点”是最有价值的一栏。同一类案件，判决结果差异往往来自两三个具体事实（是否已实际履行、是否有书面确认、过错程度），把这些差异点摘出来，才知道自己的案子该往哪个方向论证。

四类必须核验的内容

• 案号与裁判日期。AI 转写极易错位，必须回原文核对。
• 效力状态。是否被再审改判、是否被后续判决否定，数据库里通常有标注，务必看。
• 法院层级与地域。基层法院判决只有参考价值，不能当裁判规则引用。
• 引用片段是否断章取义。让 AI 摘录原文段落，而不是转述，减少失真。

一个现实提醒

AI 能把检索的准备工作和整理工作压缩到原来的三分之一，但它不会替你判断“这份判决说服力够不够”。真正的类案检索报告，最后一段永远是人写的。

需要现成的检索工具，可以从导航站的 法规案例 分类里挑：北大法宝、法信、无讼案例 各有侧重，配合通用大模型做整理，是目前比较稳的组合。