AI 整理案件事实时间线：四步把散乱材料排成一轴

接手一个办了一半的案子，最怕的不是材料多，而是时间对不上：微信记录里说 3 月付款，邮件里写的却是 4 月；对方在庭审陈述里主张的时间节点，卷宗证据根本撑不起来。人工排时间线，几百页聊天记录翻下来，一天就没了，还不敢保证没漏。

这件事恰好是 AI 的强项——机械、量大、规则清晰。但直接把整箱材料丢进去说“帮我整理时间线”，得到的往往是一份漏掉一半节点的泛泛清单。可行的做法还是拆步骤，每步产出可验证。

第一步：备料——先定用途，再分材料

动手之前先想清楚这份时间线给谁看：算诉讼时效节点的，只要关键日期；做庭审陈述底稿的，要有事件、来源证据和出处页码；拿去谈判的，还要标出对方陈述与我方证据的出入点。用途不同，后面每一步的颗粒度都不同。

材料按来源分堆：聊天记录、邮件、合同与票据、转写稿。录音转写建议先用工具批量做掉（如 通义听悟 这类转写工具），拿到文字稿再进流程，比让模型直接“听”稳定得多。

第二步：分批提取时间要素

不要一次投喂全部材料。按堆分批，每批只提取一个要素表：日期、来源材料、事件描述、涉及主体、证据类型、原文位置。日期不明确的，宁可标注“大致时间”，也不要让模型自己猜。

指令：以下是一批【聊天记录/邮件/转写稿】节选。请逐条提取时间要素，输出表格：日期｜来源（材料名+大致位置）｜事件描述（不超过 30 字）｜涉及主体｜证据类型。只提取有明确时间依据的条目，日期模糊的标注“时间待核实”并放入单独清单。不要推测，不要补充材料外的事实。

分批的另一个好处是可控：每批提完立刻抽查三五条，核对日期和出处。发现格式跑偏或凭空补写，当场纠正，比最后一团乱麻再返工省力。

第三步：合并去重，重点找冲突

各批要素表汇拢后，让 AI 做合并排序——这一步它做得又快又稳。真正的价值在后面：把不同来源对同一事件的出入单独拎出来。聊天记录、邮件、合同对付款时间各说一套，这恰恰是庭审发问和谈判时最值钱的点。

指令：基于以下多批时间要素表，按时间升序合并去重，输出统一时间线。凡不同材料对同一事项记载不一致的，单独输出冲突清单：冲突事项｜各来源记载及出处｜可能原因（笔误/口径不一/记忆偏差）。冲突清单不要给结论，只列事实。

拿到冲突清单后，逐条回原文核对是人的活。AI 只能告诉你“两处记载不一样”，哪个可信，要结合证据形式和形成时间判断。

第四步：按用途输出成品

统一时间线还是半成品，最后一步按用途改写。给法官的案情梳理要简洁；给自己的庭审提纲要带上发问点；给团队的案情报告要标注证据强弱。

指令：基于上述时间线，输出两份版本：①案情报告版——按阶段分节，每节开头一句话概括该阶段核心事实，重要节点标注对应证据名称；②庭审准备版——在时间线基础上，针对每个冲突事项生成 1-2 个可向对方核实或发问的问题。事实以时间线为准，不要新增内容。

整理到表格里的时间线，建议放进在线文档（如 飞书 的多维表格）持续维护，开庭前只需增量更新，不必每次重排。

四条必须守住的边界

• 先脱敏再上传。当事人真实姓名、证件号、账号、住址，统一替换为占位符，建立一张对照表自己留存。
• 日期必须回原文核对。AI 转写和提取时会把“2024 年 3 月 5 日”错成别的日期，也会把“大概清明前后”写成具体日期——后者比前者危险。
• 推断与事实要分开。要求模型只提取有明确依据的条目，输出里出现“因此”“由此可见”的段落一律人工复核。
• 关键节点人工算。诉讼时效起算、期限届满、上诉期这类节点，法律后果直接挂钩，AI 的日期加减不可依赖，务必按法条自行核对一遍。

长材料分批投喂，适合用支持长文本与多文件上传的对话工具（如 Kimi、通义千问）。这套流程跑熟之后，一个中等体量的案子，时间线整理从两三天压缩到半天是现实的——省下的时间花在冲突清单的判断上，那才是人该干的活。