Legal Case Report 是一个面向法律工作者和法律团队的类案检索报告生成工具。
它解决的是“候选判决书已经取得之后，如何形成可复核、可交付的类案检索报告”的问题。适用于用户已经有一组候选判决书 HTML，但还需要逐案分析、归类、提炼裁判规则，并生成 Word 报告、标注版判决书和审计结果的场景。
本项目不提供案例库检索、裁判文书爬取、在线数据库登录、验证码绕过或批量下载功能。用户需要自行合法取得候选判决书 HTML，并对材料来源、使用权限和保密义务负责。
用户提供判决书 HTML
-> 管线清洗、结构化并提取 quote
-> AI 逐份分析、评分和归类
-> 用户在断点确认归类和结论
-> 生成 Word 报告、标注版判决书和审计结果
本工具在运行过程中可能将判决书原文、案件摘要、争议焦点、当事人信息和用户拟证明的关键事实要件发送给 Claude Code、Codex、DeepSeek API 或其他外部 LLM/API 服务。
正式使用前，请确认材料来源、客户授权、保密义务、个人信息处理规则和外部工具/API 服务的数据处理条款。
本项目不在仓库内管理或读取 LLM API Key。AI 分析环节由用户在 Claude Code、Codex 或其他已配置好的 Agent 环境中执行；具体模型账号、API Key、计费和数据处理规则由对应外部工具负责。
请勿将未脱敏的真实客户材料、真实判决书、API Key、token、内部配置或未公开业务资料提交到公开仓库、issue、PR、discussion 或示例文件中。
系统设置三个确认断点：
断点 A：确认立场锚、案件信息、关键事实要件和 AI 能力边界
-> 阶段 1：逐份判决书分析、五维评分、简报
断点 B：确认支持类案、相反类案、参考类案和剔除意见
-> 阶段 2：综合分析、缺口诊断、结论撰写
断点 C：确认结论、风险和是否补充案例
-> 阶段 3：生成报告和审计结果
AI 负责提取、分析和起草；用户负责确认、取舍和最终法律判断。正式使用场景中，输出仍应由具备资质的专业人员复核。
同一份判决书，对原告、被告或不同诉讼目标可能有完全不同的价值。系统把评分理解为“判决书 x 立场锚”的结果，而不是判决书自身的固定属性。
本项目利用 LLM 阅读长判决书、识别裁判逻辑、比较事实要件和判断论证价值的能力；同时把 LLM 限制在固定材料、固定方法论和固定输出结构内。LLM 可以分析“这份判决书为什么对当前立场有用或有害”，但关键依据必须来自可回源 quote，归类和最终结论必须经过用户确认。
报告中的关键命题、裁判规则和引用必须能回到 judgment_id + quote_id。AI 不生成、不改写、不拼接 quote 原文，只能引用已经从判决书中校验过的原文片段。
系统把幻觉风险拆成可拦截的环节：quote 回源校验、段落归属限制、话语归属标注、红队自检、要素完整性检查和高分对抗性复核。拦不住的部分在断点交给用户复核。
内部版和外部版只是交付对象、展示深度和措辞不同。外部版不得为了有利结论删除相反类案、缺口诊断或无法回源的风险提示。
- 批量导入用户提供的判决书 HTML。
- 清洗 HTML、识别章节、生成
judgment_data.json。 - 提取并校验可回源 quote。
- 在 Claude Code 中按 Skill 执行交互式类案分析。
- 支持五维评分：争议焦点、事实要件、法律适用、裁判结果、法院层级与辖区。
- 支持支持类案、相反类案、参考类案三分类。
- 支持可选
key_fact_elements，用于让用户预先确认待决案件关键事实要件。 - 生成内部版和外部版 Word 类案检索报告。
- 生成标注版判决书 HTML 和审计结果。
- 支持律所/团队信息、报告样式、禁用词和标注样式配置。
- 用户已经合法取得一组候选判决书 HTML。
- 需要围绕特定诉讼立场对判决书进行逐案分析。
- 需要区分支持类案、相反类案、参考类案。
- 需要生成可复核、可交付的 Word 类案检索报告。
- 需要将报告中的关键引用回到判决书原文片段和标注版判决书。
- 需要在团队复核、客户沟通、内部汇报或法院提交前形成结构化材料。
- 需要自动检索、爬取或下载裁判文书。
- 输入材料是扫描 PDF、图片或 OCR 质量较差的文件。
- 希望 AI 一次性替代法律专业人员完成最终法律判断。
- 希望在没有人工复核的情况下直接提交法律意见。
- 需要处理大量判决书且不愿分批复核。
- 需要绕过商业数据库登录、验证码或访问限制。
本项目不替代商业类案检索平台。商业平台通常更适合案例库检索、关键词检索、相似案例召回和在线阅读；本项目更适合在候选判决书已经取得之后，继续完成逐案分析、人工确认、报告成稿、格式适配和引用审计。
换句话说，商业平台更偏向“找案例和初步汇总”，本项目更偏向“把已选案例加工成一组可以进入团队复核、客户沟通、内部汇报或法院提交流程的交付材料”：不仅包括 Word 类案检索报告，也包括引用判决书的标注版，方便审阅对象直接核对报告引用位置和原文语境。
| 对比项 | 本项目 | 商业类案检索平台生成的报告 |
|---|---|---|
| 使用阶段 | 用户已经取得并筛选过候选判决书之后 | 检索、召回、浏览和初步筛选阶段 |
| 核心目标 | 生成可复核、可调整格式、可交付的 Word 类案检索报告 | 帮助用户快速找到和理解相关案例 |
| 报告落地性 | 面向合伙人复核、团队讨论、客户沟通、内部汇报和法院提交场景组织内容 | 多以平台内汇总或预设模板报告为主 |
| 交付内容 | 同时输出 Word 报告、引用判决书标注版和审计数据，便于提交后的审阅和复查 | 通常更偏平台内阅读、案例摘录或报告下载，是否形成本地标注版判决书包取决于具体平台 |
| 格式控制 | 律所/团队信息、封面、页眉页脚、字体、字号、标注样式、禁用词等可自主配置 | 通常以平台模板为主，自定义空间取决于具体平台 |
| LLM 推理方式 | 在 quote 回源、段落归属、五维评分和断点确认约束下，分析每份判决书对具体立场的相关性 | 通常更偏检索结果摘要、相似点归纳或固定报告模板 |
| 人工确认 | 断点 A/B/C 要求用户确认立场、归类、结论和缺口 | 逐案确认和结论取舍机制取决于具体平台和报告类型 |
| 相关性判断 | 明确按“判决书 x 立场锚”评分 | 常以案由、关键词、争点标签或相似度为主 |
| 相反类案 | 要求保留、区分并说明威胁或排除理由 | 对相反类案的处理深度取决于具体平台和报告类型 |
| 引用回源 | 报告关键命题必须回源到 judgment_id + quote_id |
引用链和本地审计能力取决于具体平台功能 |
| 版本区分 | 支持内部版和外部版，外部版不得删除风险 | 版本类型和展示深度取决于具体平台 |
| 审计 | 输出标注版判决书和审计结果，检查引用、标注是否回源 | 是否提供本地审计文件取决于具体平台功能 |
因此，本项目更适合作为商业检索平台之后的一道法律工作流：先用平台或其他合法方式取得候选案例，再用本工具把这些案例加工成更贴近具体团队格式、具体诉讼立场和正式提交要求的类案检索报告。
- Python 3.11+
- Claude Code
- Codex 或其他可执行本项目工作流的 Agent 环境
- DeepSeek API 或其他长上下文 LLM 服务（可选，取决于用户的分析流程）
本项目不在仓库内管理或读取 LLM API Key。AI 分析环节由用户在 Claude Code、Codex 或其他已配置好的 Agent 环境中执行；具体模型账号、API Key、计费和数据处理规则由对应外部工具负责。
git clone https://github.com/krionwu23/legal-case-report.git
cd legal-case-report
pip install -e .python -m legal_case_report.run_pipeline --setup --working-dir workpython -m legal_case_report.run_pipeline --organize /path/to/judgments/*.htmlpython -m legal_case_report.run_pipeline --batch 20260515.1 --mode interactive在 Claude Code 中按 .claude/skills/legal-case-analysis/SKILL.md 完成断点 A/B/C 和逐份分析后运行：
python -m legal_case_report.run_pipeline --batch 20260515.1 --resume-from report_generation完整教程见 docs/QUICKSTART.md。
仓库内提供一组脱敏示例，便于快速判断输出形态：
- 输入样例：
examples/sample-input/20260515.4/ - 单案结构化结果：
examples/sample-output/20260515.4/judgments/judgment_001/judgment_data.json - 报告数据样例：
examples/sample-output/20260515.4/report/report-data-external.json - Word 报告样例：
examples/sample-output/20260515.4/report/report-external.docx - 引用判决书标注版：
examples/sample-output/20260515.4/report/附件-20260515.4案例检索报告判决书/
docs/README.md：文档导航和阅读顺序。docs/QUICKSTART.md：从安装到生成第一份报告。docs/LEGAL_METHODOLOGY.md：法律分析方法论、评分标准、断点和内外版差异。docs/ARCHITECTURE.md：管线架构、数据流和阶段依赖。docs/DECISIONS.md：设计决策记录。docs/CHANGELOG.md：变更记录。
本项目目前处于早期公开版本阶段。v1.0 之前，数据结构、命令参数、Skill 方法论、报告模板和示例文件仍可能调整。
建议用户先使用脱敏样例或虚构材料测试完整流程，再考虑在正式工作场景中使用。
本项目不追求一次性、黑箱式处理无限数量的判决书。类案检索报告属于需要复核和归责的法律文档，LLM 在长文本理解、事实要件比较和法律推理中仍存在不确定性，因此本项目采用有限批次、人工断点和引用回源机制。
- 当前主链路以判决书 HTML 为输入，不支持扫描 PDF、OCR 图片或需要登录的在线检索。
- 建议单批处理约 8 到 10 份判决书。超过该规模时，建议按争议焦点、法院层级、裁判方向或检索来源分批处理，再汇总判断，以保证每份判决书的相关性判断、相反类案处理和引用位置都能被有效复核。
- 产出结果会受判决书本身说理质量的影响。对事实不清、说理较弱或裁判逻辑模糊的判决书，系统会尽量标注不确定性，但是否进入报告仍应由用户决定。
- LLM 分析结果可能存在随机性或判断偏差。本项目通过结构化评分、quote 回源、相反类案保留、断点确认、审计输出和对抗性复核降低风险，但不能替代法律专业人员的最终判断。
提交前建议运行：
git status
git diff --cached
pytest不要提交：
.env、token、密钥；work/input/、work/output/；- 真实判决书、真实报告、真实客户材料；
- 未脱敏截图；
- 缓存目录和临时调试文件。
- 任何可能暴露客户、案件、律所内部信息的内容。
安全问题报告方式见 SECURITY.md，贡献说明见 CONTRIBUTING.md。
本项目是法律文档工作流工具，不是律师、律所或法律服务机构。系统生成的分析、归类、引用和报告不构成法律意见，正式使用前必须由具备资质的专业人员复核。
用户应自行确认判决书和案件材料的来源、准确性、完整性、保密义务以及公开传播权限。更多说明见 DISCLAIMER.md。
MIT，见 LICENSE。