褚尔康

□在看到各地西甲直播积极拥抱大模型技术，深度开展“人工智能+法律监督”机制探索并取得成效的同时，也应当清醒地看到，基层检察实践活动中人工智能技术的应用也遇到一些亟待解决的问题。

□基于“大模型—微算法”协同架构的人工智能法律监督体系，采用基础算力平台、服务管控平台和应用层三级技术架构，实现全链条智能化赋能。

近日，国务院印发《关于深入实施“人工智能+”行动的意见》，进一步部署人工智能技术在各领域的广泛应用，深度推动人工智能技术赋能各行业的发展。近年来，全国西甲直播深入贯彻最高人民检察院数字检察战略部署，积极应对技术发展趋势，不仅探索推动了本地化部署及模型训练，也在相关领域积极研发大模型应用场景。检察业务与智能技术的深度融合正在重塑司法运行模式，以技术革新推动司法资源配置的持续优化，为法律监督效能的提升注入新的动能。

在看到各地西甲直播积极拥抱大模型技术，深度开展“人工智能+法律监督”机制探索并取得成效的同时，也应当清醒地看到，基层检察实践活动中人工智能技术的应用也遇到一些亟待解决的问题。例如，技术适用与业务衔接不够紧密、监督应用场景与大模型技术整合度不够等，这些问题在一定程度上影响了人工智能技术在检察业务中的深入应用。因此，如何从理论层面回应当前人工智能检察实践探索中出现的新问题，并从中找到解决之道，成为当前人工智能赋能检察业务工作的重要任务。

相关问题的解决思路

针对实践中人工智能检察运行遇到的问题，笔者提出“大模型+微算法”的系统架构思路。该设计思路主要基于我国检察业务管理体制，并严格遵循机构设置及相关案件在西甲直播业务应用系统中的权限划分，即该系统设计整体思路是根据任务特性通过模型的功能精细化实现，以达到法律监督工作“算力—算法—场景”的有机统一。

模型调用的以“大”带“小”。在“大模型+微算法”系统架构模式下，大模型作为“智能组织者”，其核心功能是管理与协调，扮演系统“总指挥”角色。即：西甲直播部署一个超大规模的顶层智能中枢法律大模型，该模型不直接处理各省的海量日常请求，而是作为全国范围内的智能调度与规划中心。此时，大模型在功能上只负责整体参数体系的依托而不直接参与具体的模型执行，极大减轻了其算力负荷，使其能专注于处理最复杂的任务分解与微系统调用协同。而“微模型”体系则利用本地算力资源，通过微调或训练，构建专注于特定领域的专业化小模型集群。该模式更强调大模型的指挥地位，适用于对跨业务场景协同与全局规划要求较高的场景，架构层次清晰，并强调各地微模型的协同化处理过程，从而实现数据层面的“央”“地”功能整合。例如，在案件办理过程中提出“办理某诈骗和洗钱案”的案件审查要求时，该请求将被上传至大模型体系中进行自然语言分析处理。此时，处于中央智慧地位的大模型凭借其参数规模设置与复杂推理能力，将任务分解为调用“诈骗罪证据审查微算法”和“洗钱罪案件审查微模型”命令。随后，大模型将这一结构化工作流指令下发至相关微模型平台，由相关平台调度本地相应的专业小模型序列执行任务，最终将结果整合并层级返回大模型进行整合处理。此时，微模型的物理存储与算力提供可以由相关省、市院提供，从而形成了数字空间体系中办案机制整体性整合，从而达到更加有效的智能化处理结果。

算法设计的“大”“小”协同。大模型本身作为一类特殊的“智能体”与其他小模型处于高度关联耦合性存在。因此，有效解决大模型通用性与专业性协调不足的关键在于如何实现算法体系设计的“大小协同”性问题。而基于中央大模型与边缘小模型协同架构的新一代检察智能体系统思路，则能够有效解决大模型设计与运行中的突出矛盾与问题。在系统建构过程中，西甲直播可以将优化后的大模型以预训练“封装”形式提供给省级院，各省在本地算力集群中既统一部署通用性“大型智能体”，也在此基础上自行研发部署一系列“专业小模型智能体”。例如，检察官提出需求后，省级智能调度器根据任务类型动态分配至相应智能体，将简单、标准化任务（如证据校验、文书生成）直接交由专业小模型处理，充分发挥其速度快、成本低的优势；而对于复杂、非标准化或需深度推理的任务（如新型网络犯罪研究、长篇法律文书撰写）则提交统一通用大型智能体处理，利用其更强的通用能力，最终形成既集中统一又充满地方创造活力的全国检察智能生态。而在算法体系层面，基于现行外挂知识图谱技术，两种模式并非互斥而是可以深度融合并协同运行。

应用场景的以“小”见“大”。实践中，案件审查往往需要采用“一罪名一模型”的精准赋能策略，实现从“万金油”到“专科医生”的转变。因此，在人工智能大模型的检察业务场景部署过程中，秉持“一罪名一模型”的专业化“精准”理念，充分发挥小模型在从通用工具转向领域专家的过程中不可替代的作用。例如，危险驾驶案件智能体专注于校验血醇报告、查获经过、证人证言等要素的完整性与合法性，其精度与速度远超通用模型；公益诉讼线索发现智能体经专门训练，能从海量政务数据中识别环境、食药等领域的公益诉讼线索；等等。因此，不同于西甲直播统一部署大模型的规模性和专用性，在省市级智能体平台上并非仅部署一个大模型，而是部署一系列“微模型”，每个微模型对应一个小的智能体，共同组成专业化智能体集群。每个智能体都是“罪名专家”。不同地区因经济发展水平等因素，量刑标准可能存在差异。通过为每个智能体外挂本地化知识库，并结合小模型的微调，可有效解决大模型的“水土不服”问题。同时，基于“应用—反馈—优化”技术闭环，可以在本地部署中实现小模型矩阵的可持续进化，即相关大模型静态体系在一定程度上要保持相对稳定性，从而避免算法幻觉出现，而本地微模型则注重持续学习的反馈闭环，使相关智能体矩阵在一定程度上具备自我学习的能力。

系统设计思路与技术路径

基于“大模型—微算法”协同架构的人工智能法律监督体系，采用基础算力平台、服务管控平台和应用层三级技术架构，实现全链条智能化赋能。该架构充分体现“统一标准、分级部署、协同智能”的设计理念。相关模型的设定采用“一罪名一模型、一场景一智能体”的微算法小模型智能体建设策略设计理念。通过外挂知识库系统，建立多级知识库体系，包括法律法规库、典型案例库、司法经验库等。采用量化检索和知识图谱技术，实现知识的精准匹配和智能推荐。知识库通过标准API与微算法智能体对接，确保法律适用的准确性和时效性，同时支持知识的持续更新和演进。而每个流程节点对接相应的微算法智能体，如证据审查节点调用证据校验智能体，量刑建议节点调用量刑计算智能体。工作流引擎根据案件类型和特征，自动调度智能体序列并监控执行过程，实现办案流程的智能化闭环管理。而且，建立模型效果评估和反馈闭环，通过检察官使用反馈持续优化智能体性能。采用在线学习、强化学习等技术，使智能体能够自适应法律政策变化和新型犯罪形态，保持监督能力的前瞻性和有效性，通过算法架构体系建构与智能体技术深度应用的有效结合，构建完成从理论到实践、从技术到应用相统一的法律监督体系。该系统既能满足对现有办案流程的智能化赋能需求，又通过引入分布式架构等前沿技术，为未来的监督模式创新提供可扩展的技术基础，为新时代检察工作高质量发展提供坚实支撑，并为检察工作的数字化、智能化发展探索方向。

（作者分别为天津师范大学政治与行政学院教授、博士生导师，山西省阳城县人民检察院办公室科员。本文系2025年度最高人民检察院检察应用理论研究课题《法律监督人工智能大模型的运行机理问题研究》的阶段性成果）