大模型
私有部署、团队专属：模型放在所内，数据边界由你定。
模型分工
一套系统背后，是三层模型在干活
读材料、找依据、排顺序，分别由不同角色的模型承担；各层可独立选型、独立替换。
推理与生成
大语言模型层，负责读材料、写意见、出文书；支持接入 DeepSeek 等主流模型。
语义向量（Embedding）
把案件、条款与法条转成向量，支撑语义检索与相似材料召回。
检索重排（Rerank）
对召回的候选材料二次排序，把最相关的内容排到最前面再交给模型。
模型可替换
模型层与业务层解耦，可按任务更换或叠加模型，不被单一供应商绑住。
私有部署 · 团队专属
模型放在所内，边界才谈得清
模型跑在哪里，决定了数据能走到哪里。私有部署下，推理、检索与材料都不出所内环境。
私有部署
模型部署在律所自己的服务器或专有环境内，推理过程不经过外部服务。
团队专属
一套实例只服务本所，模型、知识库与案件数据处在同一个边界内。
数据隐私
案件材料只在所内环境内参与推理，不流向外部服务；涉密案件本地跑。
与知识库同边界
模型层与知识库共用同一套空间与权限，检索结果按权限返回。
涉密项目建议采用本地私有化部署，具体形态见 产品方案。
选型与落地
上线前，这四件事先写清楚
模型能力不是拍脑袋承诺，具体选型与边界在方案阶段逐条落实。
模型选型
按所内的案件类型、语言与部署条件，确认主推理模型与配套的向量、重排模型。
部署形态
局域网私有化或专有实例，按保密要求与现有 IT 条件选择。
版本与升级
模型版本与升级节奏写入交付说明，避免能力表述与实际部署不一致。
验收方式
上线前用所里的真实合同跑一轮，逐条看意见是否合用，确认后再在所内推广。