AI基建的第四步：给智能体配好 MCP，律师尤其不能只靠模型“凭记忆回答”
前三步解决的是三个问题：给自己准备一个足够强的大模型“大脑”；给这个大脑配一个稳定、成熟的智能体；准备一台适合 Agent 长期工作的电脑。
到了第四步，我认为律师尤其不能省：
给智能体配置好必要的 MCP。
因为对于普通聊天，模型知道得多不多，也许只是体验问题。
但对于法律工作，引用错一条法律、把失效规定当成现行规定、编出一个不存在的案例，问题就完全不一样了。
所以法律 AI 真正进入生产环境以后，我越来越不愿意只问一句：
“根据中国法律分析一下这个问题。”
而更希望它先去查。
查现行法律法规，查真实案例，查证券监管规则，查真实项目，再回来回答。
这就是 MCP 对律师最大的价值之一。
一、为什么模型再强，也不能只靠“大脑里的知识”
很多人第一次使用顶级大模型的时候，会有一种感觉：它好像什么都知道。
问《公司法》，知道；问劳动争议，知道；问 IPO，似乎也能回答。
于是很容易产生一种错觉：
既然模型这么强，我为什么还需要数据库？
原因其实很简单。
大模型的知识，本质上不是一个实时更新的法律数据库。
它可能记得某个条文的大概意思，知道某类案件通常怎么判，了解某项监管要求，甚至能够非常流畅地写出“根据《某某规定》第十七条”。
但“听起来像真的”和“确实是真的”，是两回事。
法律工作最危险的 AI 错误，恰恰不是明显胡说，而是：
它说得非常像真的。
例如：引用了一个真实存在的法律，但条文编号错了；引用了一条已经修改或者废止的规定；把旧《公司法》的规则套到新《公司法》下；说最高人民法院曾经有一个案例，但实际上根本找不到；把某地法院个案裁判观点说成全国统一规则。
所以我现在越来越明确一个原则：
模型负责分析，数据库负责提供事实依据。
二、MCP可以简单理解成：给AI接上专业数据库
MCP 这个词看起来很技术。
但如果不讲协议、不讲架构，可以非常简单地理解：
MCP就是让智能体能够主动调用外部工具和数据。
过去我问 AI：“查一下这个问题有没有类似案例。” AI只能根据训练时学过的东西回答。
配置好案例数据库的 MCP 以后，智能体可以真正去搜索关键词、筛选案由、读取裁判文书、提取法院观点、比较不同案例，最后再形成分析意见。
于是 AI 的工作模式就从：
“我记得好像是这样。”
变成：
“我刚刚查过，依据是这些。”
对于法律工作，这个变化非常重要。
三、律师第一个必配的：法律法规数据库
如果只能给律师的 Agent 配一个 MCP，我可能首先会配：
法律法规检索。
因为几乎所有正式法律工作最终都要落到法律依据。
我希望 Agent 在引用法律时，不是凭模型记忆，而是先查询全国人大及其常委会公布的法律、国务院行政法规、最高人民法院司法解释、司法部、市场监管总局等部门规章及规范性文件、地方性法规，以及必要的专业法律数据库。
更重要的是，要能够判断：
这部规定现在是不是还有效。
法律数据库真正的价值，不只是“能搜到条文”，而是能告诉 AI：现行有效、已修改、已废止、尚未生效、历史版本。
律师使用 AI，最需要防的并不是模型不知道法律，而是：
模型知道的是昨天的法律。
所以我的法律 AI 工作流里，比较理想的状态是：
先检索现行有效法律依据，再进行法律分析；引用具体条文时附上来源，不得仅凭模型记忆引用。
四、第二个必配的：案例数据库
法律规定解决的是：规则是什么。
但律师实际工作经常还要解决：法院实际上怎么判。
所以第二类我会重点配置的就是案例检索。
比如公司解除员工劳动合同，什么情况下法院认为“不能胜任工作”已经证明充分？股权转让协议中的回购条款，法院如何认定？买卖合同中买方主张货物质量问题拒付货款，法院通常关注哪些证据？违约金过高，法院一般根据什么因素调整？
这些问题，只看法条是不够的。
真正有价值的是让 Agent 找出最高人民法院案例、人民法院案例库案例、指导性案例、典型案例，以及符合条件的真实裁判文书。
然后让 AI 做一件它特别擅长的事情：
批量阅读和归纳。
数据库负责把“真的案例”找出来，大模型负责把案例之间的规律总结出来。
五、做证券业务的律师，还需要一套证券业务数据库
如果做 IPO、上市公司、并购重组、新三板等资本市场业务，我认为还应该单独配置证券业务的数据来源。
因为这类业务有一个非常明显的特点：
只看法律法规远远不够。
大量真正有价值的经验，其实藏在证监会规则、沪深北交易所规则、全国股转系统规则、审核问询、问询回复、招股说明书、法律意见书、审核中心意见、纪律处分和监管措施、上市公司公告里面。
比如客户问：“劳务派遣比例超过10%，IPO有没有问题？”
如果只让大模型回答，它可能会告诉你《劳务派遣暂行规定》的基本要求。
但对于资本市场律师来说，真正需要知道的可能是：最近三年有没有拟上市公司出现过类似问题？交易所具体问了什么？中介机构是怎么回复的？整改是在申报前还是审核过程中完成的？是否受到行政处罚？中介机构最后发表了什么意见？有没有因此构成实质性审核障碍？
这已经不是单纯的“法律检索”，而是：
监管案例检索。
如果 AI 能直接查询历史 IPO 问询和回复，再把几十个类似项目进行横向比较，它产生的价值就会非常高。
六、这也是为什么我一直想把自己的资料做成 MCP
除了公共数据库，我觉得还有一类 MCP 对专业人士特别重要：
自己的知识库。
律师做久了以后，真正值钱的其实不是网上那些所有人都能搜到的东西，而是过去几年自己积累的合同模板、法律意见书、尽调报告、项目反馈、监管问询、研究笔记、诉讼文书、案例总结、客户项目经验。
以前这些材料躺在硬盘里，需要的时候靠人脑记：“我记得三年前好像做过一个类似项目。”然后在文件夹里翻半天。
如果这些资料逐步整理成知识库，再通过 MCP 接给 Agent，工作方式就会发生变化。
以后可以直接问：
查一下我们以前有没有处理过类似问题。
或者：
找出过去项目中关于劳务派遣超比例的回复口径，并与目前项目进行比较。
这时候 AI 就不只是一个通用的大模型，而开始真正拥有：
你的专业经验。
七、MCP真正解决的，不是“让AI知道更多”，而是“让AI有依据”
对于律师，我更看重的是：
让AI的答案可以追溯。
一个不能查来源的法律 AI，回答得再漂亮，我都不敢直接使用。
一个接好了数据库的 Agent，则可以要求它先检索、再回答、列出依据、附上来源、区分法律规定和案例观点，最后告诉我哪些地方还需要人工确认。
这样 AI 才逐渐从一个“聊天机器人”，变成真正可以参与专业工作的工具。
八、接了MCP也不代表AI就不会幻觉
MCP不能消灭幻觉。
它只是大幅改善了 AI 获取真实信息的条件。
AI 仍然可能查错关键词、遗漏重要案例、错误理解检索结果、把个案裁判观点扩大化、引用了正确资料却得出了错误结论。
所以比较可靠的工作流不是：
接上MCP → 完全相信AI。
而是：
MCP检索 → AI分析 → 给出来源 → 人工复核。
特别是准备写进正式法律文件的法律条文、案例和监管规则，我还是建议回到原始来源核验。
九、我的律师Agent，至少会准备这几类“外部大脑”
如果让我从零搭一套律师 AI 系统，我会优先解决三类数据：
法律法规、司法案例、证券业务数据库。
然后再逐渐增加企业信息、工商信息、知识产权、自己的项目知识库、内部模板库。
这样一个 Agent 接到任务以后，不再只是坐在那里“想”，而是会先查法律、再查案例、需要时查监管项目、再查自己的历史材料，最后综合分析。
这才越来越像一个真正的律师助理。
十、第四步的核心：不要让AI闭着眼睛回答专业问题
所以我的 AI 基建第四步是：
把自己工作中最重要的数据源，通过 MCP 接给智能体。
对于律师来说，尤其优先配置：
法律法规 + 案例 + 证券业务数据库。
因为越是专业的工作，越不能依赖模型“记得什么”。
大模型能力再强，也应该让它养成一个习惯：
不知道就查，需要引用就查，法律依据更要查。
真正可靠的法律 AI，不应该是一个什么都敢回答的 AI，而应该是一个：
先查资料，再发表意见的 AI。
