半年前开始用 Cursor 进行 vibe working，我发现 AI 在诉讼文件生成上非常有用。
通过它，我可以根据客户沟通记录自动生成服务方案，根据起诉文件生成证据目录和答辩意见草稿，甚至能根据庭审笔录更新待办事项、补充证据和答辩要点——这些都大幅提升了工作效率。
在这个过程中我意识到，在律师的诉讼工作中，文档分析、研究和文件生成往往占据了大量时间，但这些并非都需要深度的专业判断。 信息的抽取、整合和研究本质上可以通过 AI 完成，律师只需要在最关键的节点进行决策和判断就可以了。
基于这个理念，我开发了 SuitAgent——一套基于 Claude Code 的诉讼法律服务智能分析系统。它采用 10 个专业 AI agent 协作的模式，将复杂的诉讼案件分析分解为多个可独立执行的工作流，实现法律文书的工程化生成。
我上传一份“起诉状”后，AI 识别了“被告应诉场景”，自动进行了 PDF 识别、案件要素提取、争议焦点识别、制定应诉策略、起草答辩状等工作，继而出具了后续的全部文件（初稿）。
下面来讲讲我是如何实现这个系统的。
一、系统架构：四层智能协同，精准分工
SuitAgent 采用分层架构设计，将 10 个 AI agent 按职能分为四个层级，每个层级专注于特定任务类型。 通过清晰的职责划分和高效协同，让复杂诉讼案件的分析过程像流水线一样高效运转。
这也是 Claude Code 的特色，法律文件对于 AI 的上下文长度有着比较大的挑战，但是通过 subagent 的设计，每一个 agent 只返回最终的结果到主 agent，主 agent 再根据这些结果进行决策和判断，可以保证法律任务上下文的统一。
输入层承担着文档数据采集与解析的基础任务，DocAnalyzer 和 EvidenceAnalyzer 这两个智能体协同工作，确保所有相关法律文档和证据材料能够被系统准确识别和处理。 这种前置性的数据处理为后续的分析工作奠定了坚实基础。
分析层是整个框架的核心思考引擎，IssueIdentifier、Researcher 和 Strategist 三个智能体形成了递进式的分析链条。 它们不仅要从复杂案情中提炼关键争议点，还要进行深度的法律研究，最终制定出具有可操作性的诉讼策略。这种分层分析模式让法律判断更加系统和全面。
输出层负责将分析成果转化为实际的法律文件，Writer、Reporter 和 Summarizer 分别承担着文书撰写、报告编制和内容摘要的不同职责。 这些智能体的协作确保了诉讼材料的规范性和完整性，让律师能够高效地完成各类文书的准备工作。
支持层通过 Scheduler 和 Reviewer 两个智能体为整个系统提供质量保障，前者负责协调各智能体的工作节奏，后者则对输出结果进行把关审核。 这种双重保障机制有效提升了系统的可靠性和准确性。
下面我们来详细介绍各个智能层级和 Agents 的能力。
（一）输入层：文档数据采集与解析
1. DocAnalyzer（文档分析器）
DocAnalyzer是输入层的核心组件，专门处理各类法律文档的解析和信息提取。 它能够自动识别起诉状、判决书、庭审笔录等多种法律文档类型，提取案件基本信息、当事人信息、诉讼请求等关键要素。系统支持PDF、Word、图片等多种格式，并具备OCR文字识别功能，确保从各类文档中准确获取结构化数据。
2. EvidenceAnalyzer（证据分析器）
EvidenceAnalyzer专注于证据材料的深度分析，自动识别各类证据并评估其真实性、合法性和关联性。 系统能够生成专业的质证意见，并根据现有证据状况智能识别缺失的关键证据，提供补充证据建议清单。
(二) 分析层：智能分析与研究
3. IssueIdentifier（争议识别器）
IssueIdentifier能够从复杂的案件材料中迅速识别并归类争议焦点，自动梳理双方争议的核心问题。 系统支持多维度分类，包括程序性与实体性争议、法律适用与事实争议等，并能随着案件进展动态更新争议焦点。
4. Researcher（法律研究者）
Researcher是系统的法律研究专家，负责深入分析相关法律条文和检索相关案例。 系统能够理解法律条款的适用范围，自动检索相关案例，并分析不同的法律适用路径，为策略制定提供全面的法律依据（后续可优化接入法律检索 api）。
5. Strategist（诉讼策略）
Strategist基于事实分析和法律研究结果，制定最优的诉讼策略。 系统会对案件进行全面的SWOT分析，评估案件胜算和风险，并提供包括进攻型、防守型或平衡型在内的策略选择，同时给出详细的风险评估报告和应对建议。
（三）输出层：文书生成与报告
6. Writer（法律文书）
Writer负责生成各类法律文书，覆盖起诉状、答辩状、代理词等12类常用文书。 系统基于前期分析结果智能填充文书内容，确保格式规范、内容专业，并具备多轮质量自检机制，保证文书的准确性和逻辑性。
7. Reporter（案件报告）
Reporter负责整合所有分析结果，生成结构清晰的综合报告。 系统内置多种报告模板，能够整合案件基本信息、争议焦点分析、法律研究结果等内容，按照逻辑结构进行呈现。
8. Summarizer（摘要生成）
Summarizer负责将复杂信息提炼成简洁明了的摘要，支持案件摘要、风险摘要、策略摘要等多种类型。 根据不同受众生成不同层级的摘要，具备强大的关键信息提取能力，并能随着案件进展动态更新摘要内容。
（四）支持层：质量保证与辅助
9. Scheduler（日程规划者）
Scheduler负责管理法定期限、案件时间线和工时统计，确保案件处理的时效性。 系统能够自动计算各类法定期限并设置预警提醒，构建案件时间线，记录工时并提供效率分析，通过多种方式提醒重要期限。
10. Reviewer（智能审查）
Reviewer是系统的质量把关专家，对所有Agent的输出进行统一质量审查，也是我最后添加上的 agent。 考虑到 ai 在单独上下文中可能会自我证实的错误，所以需要一个 reviewer 在一个单独的上下文中对前面的输出进行检查，这样才能真正实现 review 的功能。
系统会对信息提取准确性、证据分析逻辑性、法条引用准确性等进行全面检查，提供质量评级和详细的修改建议，确保各agents输出的一致性和整体质量。
通过四层架构的协同工作，SuitAgent 覆盖了诉讼的完整生命周期，从起诉到执行，每个阶段都有对应的智能化处理方案。 传统的诉讼工作流程中，律师需要花费大量时间进行文档分析、法律研究和文书起草。
而 SuitAgent 通过 AI agent 的协同工作，将原本需要 6-10 小时的工作压缩至 15-30 分钟完成。 这种分层设计确保了系统的可扩展性和维护性：每层可以独立优化，必要时可以增加或删除特定功能，实现了真正的"积木式"架构。
三、核心特性：让 AI 成为专业法律搭档
（一）多入口支持，灵活应对各种场景
SuitAgent支持从诉讼的任意阶段介入工作，无论是案件初期的全面分析、中期的新证据质证和庭审后分析，还是后期的上诉材料制作和执行申请。 系统会根据您提供的文档类型自动分析场景并选择最佳工作流组合。
（二）上下文智能继承，避免重复劳动
这个也是长期提效的关键之一。诉讼案件的周期很长，很多时候几个月回过头看，前期需要花费大量的时候了解进度、查看之前的文件内容...
系统为每个案件维护独立的上下文信息到单独的 yaml 和 markdown 文件中，持续积累案件基本信息、争议焦点、法律研究结果、策略方案和已生成文书等。后续还可以提取各个文件夹的 yaml 文件做统一的案件看板，方便统一处理。
当您上传新材料时，系统会自动继承之前的分析结果，在现有基础上增量更新，避免重复工作。
（三）并行执行，提升效率
SuitAgent 通过智能的并行执行机制，让多个 agent 同时工作。 例如，当分析新证据时，DocAnalyzer 和 EvidenceAnalyzer 会同时处理，Researcher 会同时进行法条检索和判例分析。****
四、实际应用：让复杂工作变得简单
场景一：收到起诉状（被告应诉）
传统的诉讼流程中，律师收到起诉状后往往需要花费3-4小时进行分析：仔细阅读起诉状、查找相关法条、分析争议焦点、起草答辩状——重复性的工作占据大量时间。
使用 SuitAgent 时，您只需要说"收到起诉状，需要应诉"，系统就会自动执行完整工作流：DocAnalyzer 快速分析起诉状并提取争议焦点；Researcher 进行针对性的法律研究；Strategist 制定应诉策略；Writer 起草答辩状草稿；最后 Reviewer 进行质量审查。
10 分钟后，您将获得完整的案件分析包，包括争议焦点分析报告、法律检索结果、应诉策略方案、答辩状草稿、证据清单和完整案件分析报告。
场景二：新证据质证
当收到新证据时，传统做法需要律师仔细审查证据内容、评估其证明力和关联性、对比已有证据材料，最后撰写专业的质证意见——这一过程往往需要1-2小时。
在 SuitAgent 中，您只需说"有新证据，需要质证"，系统就会读取之前记录的案件上下文了解案件进度和积累的关键信息，自动完成所有工作：分析新证据的内容和形式、评估证据的证明力、对比已有证据材料、撰写专业质证意见书。
10-15 分钟后，您将获得一份完整的质证分析报告。
场景三：庭审后策略调整
庭审结束后，传统流程需要律师反复研读庭审笔录、仔细分析对方的观点和论据，然后调整诉讼策略——这通常需要2-3小时。
使用 SuitAgent，在上传庭审笔录和内部沟通后，您说"庭审结束，需要分析庭审情况"，系统就会自动执行：DocAnalyzer 分析庭审笔录；EvidenceAnalyzer 对比庭审前后的证据变化；Strategist 根据庭审情况调整策略；Summarizer 生成庭审摘要。
10 分钟后，您将得到庭审情况分析、证据对比报告、策略调整建议和阶段进展报告。
五、未来展望：专业化的进化之路
当前版本的 SuitAgent 框架已经能够运行并产出可用的法律文书，但坦白说，最终产出的内容与专业律师的期望之间仍存在一定差距。
这不是技术的问题，而是上下文的问题。
SuitAgent 目前还停留在法律诉讼的通用框架层面，真正有价值的是律师在办案过程中积累的经验判断和隐性知识。
这些散落在个案、笔记和团队讨论中的专业洞察，才是 AI 最需要的学习素材。
谁能把这些隐性经验提取出来，转化为 AI 可理解的上下文，谁就能在效率竞争中占据优势。通过 memory、skills 机制，将争议焦点识别逻辑、证据审查要点、策略决策思路注入系统，SuitAgent 才能真正成为专业诉讼助手而非通用诉讼工具。
法律服务的本质在于专业判断和策略思考。
SuitAgent 的终极目标不是替代律师，而是将优秀的法律经验和判断方法进行系统化、标准化，让每位律师都能站在巨人的肩膀上，在 AI 的协助下提供更高质量的专业服务。
最后，还是要强调，我并非重新造了一个轮子，SuitAgent 系统基于 Claude Code 搭建，它的出现让许多 AI 工程化的尝试成为可能。Claude Code 是一个专注于上下文工程的产品，也是真正能让经验融入 AI 的产品。
这才是 AI 真正的价值所在——不是取代，而是赋能；不是降维，而是提维。
项目开源地址： https://github.com/cat-xierluo/SuitAgent
文档中包含了相应的配置和使用教程，欢迎大家使用并提出宝贵意见。
