LawFlow：面向企业成立案例的律师思维过程收集与模拟

法律从业者，尤其是初入职业的律师，面临复杂且高风险的任务，需要灵活、情境感知的推理。尽管人工智能在支持法律工作方面有望发挥作用，但现有数据集和模型仅聚焦于孤立子任务，无法捕捉真实实践中端到端决策。为填补这一空白，本文引入LawFlow——一个来自有经验法律学生收集的完整端到端法律工作流程数据集，基于真实的企业实体成立情景。与专注于输入输出对或线性思维链的先前数据集不同，LawFlow捕捉了反映法律实践中模糊性、修订及客户适应策略的动态、模块化和迭代推理过程。利用LawFlow，我们比较了人类与LLM生成的工作流程，发现其在结构、推理灵活性和计划执行方面存在系统性差异。人类工作流程倾向于模块化和灵活，而LLM工作流程则更顺序、穷尽且对下游影响不够敏感。我们的发现还表明，法律专业人士更愿意让AI承担咨询类角色，如头脑风暴、识别盲点和暴露备选方案，而非端到端执行复杂工作流程。我们的结果凸显了LLM在支持复杂法律工作流程方面的当前局限性，以及开发更具协作性和推理感知能力的法律AI系统的潜在方向。所有数据和代码均可在我们的项目页面（https://minnesotanlp.github.io/LawFlow-website/）上获取。