从 NPA 提取需求时的 Zero Shot 错误

# 为什么零样本提示无法从法律文本中提取需求

大型语言模型（LLM）中使用零样本提示从法律法规中提取需求，会给人一种任务已完成的错觉。模型输出结构化的短语列表，如“系统必须”，但这些并非真正需求——只是规则的改写。这种方法忽略了分析的多步骤本质：从识别角色和条件，到追溯来源。

这项任务需要分解成阶段——识别主体、分类规则、检查完整性。单一提示无法捕捉法律语言的细微之处：被动语态、例外条款、交叉引用。

为什么法律文本不是技术规格

法规描绘的是法律环境，而不是特定系统。它们包含四层信息：

• 对象和状态定义（例如，联邦法63-FZ将简单电子签名视为代码或密码）；
• 参与者行为规则；
• 条件、限制、例外；
• 后果及其他规则引用。

零样本提示模糊了这些区别，将一切视为功能。输出看似工程化，但与你的项目无关：不清楚谁做什么、在哪里实现、什么条件下生效。

对于中高级开发者，这点至关重要：不分解任务，LLM 会将定义与约束混淆，将被动短语（如“访问必须受限”）变成无法验证的解读。

零样本提示在法律提取中的常见陷阱

模型忽略项目上下文。主要错误包括：

• 无主体选择：将所有角色（用户、运营商、监管机构）的规则混为一谈，忽略系统焦点。
• 规则类型混淆：定义变成需求；限制变成功能。
• 被动语态无执行者：“信息必须提供”未指定谁发起、验证或记录。
• 泛化‘系统必须’表述：忽略数据处理、审计、角色模型、外部依赖。
• 无缺口分析：无法发现遗漏规则、例外或角色。
• 追溯性弱：引用条款不等于解释片段如何转为需求。
• 忽略多系统影响：一条法规可能涉及客户端、后端、审计模块——模型无法区分。

测试质量：能否回答“谁、在系统何处做什么？”不能？那只是原材料，不是需求。

法律文本对LLM的挑战

从法律文档提取信息难度大，因上下文长、专业术语多、结构分散。OpenAI和Anthropic的评估建议，对于此类任务，使用思维链、质量标准和逐步分析，而非零样本。

错误代价高：遗漏检查导致架构缺陷和法律风险。

零样本提示何时有效

仅限于初步勘探：

• 快速文档概览；
• 粗略实体映射；
• 场景假设；
• 领域熟悉。

然后迭代：优化提示、验证、追溯。

关键要点：

• 零样本提供可信草稿，不是需求——分解任务。
• 始终锁定主体、条件、规则类型以确保追溯。
• 检查完整性：遗漏什么？忽略哪些例外？
• 法律科技领域，使用思维链和多步提示。
• 一条法规=多系统：提前定义自动化边界。

在CI/CD中：将LLM与验证集成（基准对比、专家审查），降低合规风险。

— Editorial Team