【口袋专家AI公开课】从0到1智能体开发（八）：法律专家Agent原理与实战

一、引言

口袋专家AI是什么？

口袋专家AI，是一款为超级个体打造的云端个人智能体 App。 愿景是："让每个普通人，都能拥有一支 AI 专家团队，成为超级个体" 。

使用口袋专家AI像使用微信一样简单：通过专家对话、专家广场、专家群、专家圈4大功能，让一支200人的AI专家团队随时听候您的调遣。

|-----------------------------------------------------------------------------|-----------------------------------------------------------------------------|
| | |
| | |
| ||

口袋专家AI预置了100多个面向企业工作的专家智能体，细分为运营部、产品部、技术部、设计部等15个公司部门；

口袋专家AI预置了100多个生活专家智能体，覆盖衣（购物比价）、食（团购订外卖）、住（民宿酒店找优惠）、行（订票打车）等各个方面。

口袋专家AI还是一款社交型AI，将你与AI专家共创的短剧、图片、视频等优质作品分享到专家圈，其他AI专家会来给你鼓励，且用户将会看到并为你点赞。

本篇：法律专家原理与实战

本篇以法律专家为例，先通过"被裁员，公司只给 N，合法吗"看它如何完成任务，再结合"calculate：算式题为什么不进沙箱"一节，拆解人设提示词与执行流程，讲清这类智能体从使用到开发的过程。

二、应用篇：法律专家能帮你做什么

2.1 在哪儿找到它

法律专家在「专家广场」的「企业专家 · 法务部」下，也可以在「对话」页右上角直接搜。它的开场页：

它给自己定的能力是条款解读、风险标注、维权指引、联网搜索。开场建议的三个问题都是打工人的日常：

• 公司让我签竞业协议但没有补偿金，合理吗？

• 试用期六个月工资打八折，这合法吗？

• 被裁员了，N+1 怎么算？帮我算一下：工作 3 年 2 个月，月薪 1.5 万

2.2 示例：被裁员，公司只给 N，合法吗

我们给了一个比第三条开场示例更完整的版本------把城市、工龄、工资口径、手上的材料、签没签协议都交代清楚：

我在杭州一家互联网公司, 入职 3 年 2 个月, 上周被通知裁员, 公司说只给 N。我月薪 1.5 万 (税前, 近 12 个月平均), 手里有劳动合同和工资流水, 目前还没签任何协议。N+1 该怎么算? 公司只给 N 合法吗? 我下一步该怎么做?

100 秒出答案。几个值得注意的地方：

先纠正问法。 第一句结论："公司只给 N，在绝大多数裁员情形下是不合法的。你的合理预期不是 N+1，而是 2N = 10.5 万元。"接着一张表把三个概念分开：N 对应第 46、47 条，N+1 对应第 40 条且"仅限"三种情形加"未提前 30 日书面通知"，2N 对应第 87 条违法解除。表下两句最有用："「+1」不是裁员的标配"，"N+1 和 2N 不能兼得"。

算式给全，基数说清。 年限按第 47 条：满 3 年算 3 个月，剩下 2 个月"不满六个月"按半个月，N = 3.5；基数是解除前 12 个月平均应发工资。封顶线也查了：浙江 2023 年度加权平均工资 8310 元/月 × 3 = 24930 元/月，15000 元没超，全额按实际工资算。三行表：

方案	算式	金额
公司给的 N	15000 × 3.5	52,500 元
N+1	15000 × 4.5	67,500 元
2N（违法解除）	15000 × 3.5 × 2	105,000 元

讲清公司为什么站不住。 裁员通常走两条路：第 36 条协商解除------"你有权不还价地拒绝"；第 40 条第 3 项"客观情况发生重大变化"------公司要举证真有重大变化（部门整体撤销，而不是"这个岗位优化掉了"），且已就变更合同跟你充分协商过。它引了杭州余杭的一个同类案子：法院认定公司没举证充分协商，构成违法解除，维持 398,880 元赔偿金（该案月薪超三倍，按 24930 元封顶计算）。

行动建议按顺序排，每步有时限和材料。 第 1 步"不签、不闹、留证"：带"双方再无争议""自愿""已结清"字样的一律不签，趁权限没收回备份合同、工资条、考勤和谈话录音，还特意提醒别拷贝公司代码和客户数据------"那会给公司反诉你泄密的把柄"。第 2 步书面回函，争取 2N、底线 N+1；第 3 步打 12333 投诉年假、加班费这些"独立的钱"；第 4 步仲裁，写明 1 年时效、不收费、45 日审限，连请求事项怎么写都给了。

最后三个容易踩空的细节：补偿在当地上年平均工资 3 倍以内免个税（它算的是 8310 × 12 × 3 ≈ 29.9 万元，10.5 万全额免税）；年终奖要单独主张；竞业条款要么让公司书面放弃，要么启动后按月拿竞业补偿。

结尾是那句固定提示，后面按个案补了一句：涉及 10 万元以上的争议，签署任何文件前咨询杭州执业劳动法律师（可先打 12348 免费法律咨询）。

拿去谈之前，建议再确认一件事：答案重点讲了协商解除和第 40 条两条路，如果公司是按第 41 条经济性裁员走完了法定程序（提前 30 日向工会或全体职工说明情况、听取意见、向劳动行政部门报告），法律上只需支付 N。先问清公司依据的是哪一条，再决定按 2N 还是 N+1 去谈------这也正是答案第 1 步里让你书面索要"解除依据"的用处。

2.3 过程：两次搜索、一次读页、三次计算

点开「过程 · 4 步」：

• 第 1 步 ：思考里它先犹豫了一下------技能库里有一份「用人单位劳动合规」，说明里写着"算离职补偿"；但它注意到"那个技能是站在用人单位角度的。用户是劳动者"，这一轮最终也没有调用它。然后说"我先核实一下浙江 / 杭州 2025 年度经济补偿的计算基数（社平工资口径）和代通知金的适用条件，再给你算"，同一步里接连调了「联网搜索」（杭州补偿基数、浙江平均工资封顶、N+1 与 2N 的适用情形三个角度）和「计算器」（15000 * 3.5）。

• 第 2 步：思考把三种解除路径理清------第 40 条才有"+1"，第 41 条合法裁员只付 N，违法解除 2N。然后「读取网页」一次并行打开两页：浙江省人社厅网站 2025 年 9 月 18 日的一页、一篇杭州律师谈封顶口径的问答；同一步还发了一次「联网搜索」，专查浙江加权平均工资和杭州的封顶口径。

• 第 3 步 ：记下核实结果------2023 年度加权平均工资 99722 元（8310 元/月）、三倍上限 24930 元、余杭的同类案例，以及用户 1.5 万远低于封顶线，"不用纠结封顶基数到底用哪个口径"。然后两次「计算器」：15000*3.5、15000*4.5。

• 第 4 步：确认 2N = 105000，判断 2024 年度的数字虽然没查到但不影响结论，开始写答案。

三、技术篇：法律专家是怎么构建出来的

3.1 一位专家 = 一份配置

整体架构在第二篇（旅行专家）3.1 节讲过：客户端 → 准备阶段（装配人设、记忆、工具、技能）→ 思考模式的回合驱动器 → 交付层。法律专家的预置配置：

{
  "id": "preset-labor-law",
  "name": "法律专家",
  "department": "法务部",
  "description": "合同条款逐条解读, 试用期/加班/离职补偿等问题给出依据与行动建议",
  "capabilities": ["条款解读", "风险标注", "维权指引", "联网搜索"],
  "tools": {"web_search": true},
  "legacy_names": ["劳动合同避坑助手"],
  "system_prompt": "你是熟悉中国劳动法实务的法律助手, 帮打工人看懂合同、算清补偿、避开常见坑。..."
}

两处值得一提：

• legacy_names：它以前叫「劳动合同避坑助手」，和人设开头的"帮打工人"是一个意思------立场写在出身里，3.4 节讲为什么这很重要。

• tools 只声明了 web_search。领用时展开成这位专家的工具配置：

def preset_agent_config(preset: dict) -> dict:
    """预置 → agent_config (与 agent_builder.make_agent_config 同形)。
    tools 基线: 常规工具恒开, web_search/open_url 与 python_execute 由预置声明。"""
    ...
        "tools": {
            "web_search": web,
            "open_url": web,
            "calculate": True,
            "image_understand": True,
            "api_call": True,
            "python_execute": bool(tools.get("python_execute")),
        },
        ...

联网搜索和读网页一起打开；计算器恒开；Python 沙箱没有声明。不过要注意，这份配置是"声明"而不是"闸门"：运行时的工具开关以平台统一配置为准（第二篇讲过"工具是平台级的"），法律专家这一轮手上其实也有 Python 沙箱。它三次算补偿都选了 calculate------3.3 节从这里说起。

3.2 人设提示词：先定立场，再谈法条

法律专家的人设，线上原文：

你是熟悉中国劳动法实务的法律助手, 帮打工人看懂合同、算清补偿、避开常见坑。
开工前先定两件事: (1) 你现在是什么身份与阶段 (在职 / 已离职 / 已发生争议); (2) 手上有什么材料 (合同、工资流水、考勤、聊天记录)。对抗性问题还要先确认本方立场, 立场搞反建议会完全相反 ------ 不确认不往下走。规则:
1. 解读合同条款时逐条标注: 正常条款 / 需注意 / 明显违法或高风险, 并解释对用户的实际影响。
2. 涉及具体法条与标准 (试用期上限/加班费倍数/经济补偿计算) 时给出依据名称与条文要点; 拿不准或可能有新规时先联网核实, 绝不编造法条编号。
3. 补偿计算给出完整算式与结果, 列明假设条件; 用户没提供的数字 (工龄、月均工资、当地社平工资) 标注「待确认」并说明它会怎样改变结果, 绝不替用户填。
4. 给行动建议按升级顺序: 留证 → 协商 → 劳动监察投诉 → 仲裁, 说明每步的时限与所需材料。
5. 结尾固定提示: 本回答是一般性法律信息, 不构成正式法律意见, 重大争议建议咨询执业律师。

对照实跑：

• "开工前先定两件事 + 确认立场"：用户一句话里全交代了------在职、刚被通知裁员、没签协议（身份与阶段），有合同和工资流水（材料），自己是被裁的一方（立场），所以它没有追问。第 1 步思考里专门点出那份技能"是站在用人单位角度的。用户是劳动者"，就是立场意识。

• 第 1 条"逐条标注"：这次没给合同原文，没触发。

• 第 2 条"依据名称与条文要点"：第 36、40、46、47、87 条都和"适用情形"一起出现，不是光秃秃一个条号；封顶线和平均工资是先联网查的。

• 第 3 条"完整算式 + 假设条件"：每个金额都配算式；注明基数是 12 个月平均应发工资、含奖金津贴加班费，就是在列假设。唯一用户没给的当地平均工资，它去查了，并判断出用哪个年度的数字都不影响结论。

• 第 4 条"升级顺序"：答案第四节就是"留证 → 协商 → 投诉 → 仲裁"，仲裁那步有时效、审限和材料清单。

• 第 5 条"结尾固定提示"：有，还按个案补了一句：10 万元以上的争议，签署任何文件前先咨询执业律师。

写高风险领域人设的经验：写清楚什么时候该停。 这份人设里有三个"停"------立场不清不往下走、法条拿不准先去查、数字没有就标"待确认"------外加一个固定出口（结尾提示）。模型最容易犯的错不是不会答，而是在不该答满的地方答满了；把"停"的条件写成规则，比写"请谨慎"有用得多。

3.3 calculate：算式题为什么不进沙箱

经济补偿是典型的"算式题"：公式法定、输入就几个数，难点在判断用哪条公式，不在算术。平台给这类题的工具是 calculate，说明只有一行：

if tools_cfg.get("calculate", True):
    specs.append({"name": "calculate", "desc": "计算数学表达式 (加减乘除/幂/取余)",
                  "args": '{"expression": "(120-80)/80*100"}'})

第三篇讲过，提示词第 5 层工具段里，只要 python_execute 或 calculate 在场就会拼进这一句：

(103, ("python_execute", "calculate"),
 "数据类结论 (统计、汇总、换算、财务算式) 必须算出来, 不心算不估算: 用 python_execute 跑 pandas / numpy 并 print 结果, "
 "单个算式用 calculate; 算不出来就说算不出来。数字数、字数这种不用工具。"),

分工写得很清楚：统计、表格、批量换算走 Python 沙箱；单个算式用 calculate 。拼接规则是"列出的工具有一个在场就整段拼进去"，所以法律专家看到的也是这一整句；经济补偿这种"一个算式出一个数"的题，它按后半句选了 calculate。

为什么单个算式不进沙箱？ 看实现就明白了。calculate 不起容器，就在 API 进程里用 AST 白名单求值：

def _safe_calc(expr: str) -> str:
    """AST 白名单四则/幂/取余计算器 --- 不用 eval 裸跑用户/LLM 给的表达式。"""
    expr = (expr or "").strip()
    if not expr or len(expr) > 200:
        raise ValueError("表达式为空或过长")
    node = ast.parse(expr, mode="eval")
    allowed = (ast.Expression, ast.BinOp, ast.UnaryOp, ast.Constant,
               ast.Add, ast.Sub, ast.Mult, ast.Div, ast.FloorDiv, ast.Mod,
               ast.Pow, ast.USub, ast.UAdd, ast.Tuple)
    for n in ast.walk(node):
        if not isinstance(n, allowed):
            raise ValueError(f"不支持的语法: {type(n).__name__}")
        if isinstance(n, ast.Constant) and not isinstance(n.value, (int, float)):
            raise ValueError("仅支持数字")
        # 防大整数撑爆 CPU: 幂的指数必须是 ≤64 的字面量常量。9**9**9 右结合 →
        # 外层指数是 BinOp(9**9), 若只拦"常量>64"会漏过并真的去算天文数字 (实测
        # 单核 100% 假死), 所以非常量指数一律拒绝。
        if isinstance(n, ast.BinOp) and isinstance(n.op, ast.Pow):
            if not (isinstance(n.right, ast.Constant) and abs(n.right.value) <= 64):
                raise ValueError("指数必须是不超过 64 的数字")
    val = eval(compile(node, "<calc>", "eval"), {"__builtins__": {}}, {})  # noqa: S307
    return f"{expr} = {val}"

安全靠三层：

1. 先解析、再白名单。 语法树上只允许数字常量、四则、整除、取余、幂、正负号；函数调用、属性访问、变量名一律拒绝，__import__('os') 这类东西过不了白名单。

2. 防"合法但算不完"的表达式。 9**9**9 全是数字和幂，白名单拦不住。注释里写着实测：外层指数是一个 BinOp，只拦"常量大于 64"会漏过去，结果单核 100% 假死。所以幂的指数必须是不超过 64 的字面量。

3. eval 时清空内置函数，表达式限长 200 字符。

求值失败抛的 ValueError 由工具执行器统一接住，变成"工具 calculate 执行失败: 不支持的语法: ..."加一段重试须知回给模型，不会打断整轮。

反观 Python 沙箱：每次调用都起一个全新的断网容器（第三篇 3.3 节），默认超时 20 秒、并发有上限，而且 python_execute 在按次计费的工具名单（_BILLABLE_TOOLS）里，calculate 不在。为了一个 15000 * 3.5 起一个容器，是用大炮打蚊子。

和法律场景很合拍的一点：返回值是"表达式 = 结果"（如 15000*4.5 = 67500.0），原样出现在过程区里，用户能对一遍------正是人设第 3 条"给出完整算式与结果"要的。

这一轮的三次调用是：第 1 步 15000 * 3.5（拿到初步的 N），第 3 步核实完封顶线后再算 15000*3.5 和 15000*4.5。答案三行表里 N 和 N+1 两个金额，都能在过程区里找到对应的那一行。因为 calculate 不计次收费、也不起容器，模型边查边算、查完再复核一遍，几乎没有额外成本------工具越便宜，"数字必须算出来"这条规则就越容易被守住。

3.4 边界怎么写：人设管领域，平台管底线

人设里有四条"边界"规则：立场确认、不替用户填数字、绝不编造法条编号、结尾固定提示。它们和平台层是什么关系？先看平台层。思考模式下，每位专家的系统提示里都有一段共同规则，第一条是：

"- **结论只来自查到的事实和拿到的材料**。没查到就说没查到; 数字、来源、法条、事件, 一个都不许编。"
"**网址也不许猜**: 要看某个网站, 先搜到它的真实地址再打开 / 截图, 别按名字拼域名; 搜到的页面是不是对方的官网, 看页面内容, 不看域名像不像。\n"

"法条"两个字是写在平台层的------旅行专家、会计专家、医疗专家都受这句约束。加上两段工具段（3.3、3.5 节）和澄清用的 ask_user 工具，把这几层摊开：

约束	写在哪
数字、来源、法条、事件不许编；网址不许猜	平台共同规则（所有专家）
搜索摘要不算读过，引用时给链接	平台工具段（open_url 在场时）
数据类结论必须算出来	平台工具段（计算工具在场时）
答案会改变做法时先问一句	平台工具 ask_user（有人在看的对话）
先确认立场，不确认不往下走	法律专家人设
没给的数字标「待确认」，不替用户填	法律专家人设
拿不准或可能有新规时先联网核实法条	法律专家人设
结尾固定提示"不构成正式法律意见"	法律专家人设

分工的原则是：平台层只放"对所有领域都成立"的底线，人设放这个领域特有的"怎么才算做对"。 逐条看人设里那四条为什么要单独写：

① 立场确认。 劳动争议是对抗性的：同一句"裁员怎么给补偿"，HR 问和员工问，正确答案的方向相反。技能库里就同时存在两种视角------第 1 步思考里差点加载的那份「用人单位劳动合规」技能，自己的"何时用 / 不用"里写着："不用: 劳动者个人维权诉讼策略(视角相反)"。

人设那句"不确认不往下走"，在平台上对应的动作是 ask_user：

"desc": ("向用户提一个澄清问题并等待回答 (最多 60 秒)。只在**答案会改变"
         "你接下来的做法**时用: 关键口径二选一、缺少必要信息、方案分叉需要"
         "用户拍板。不要用它确认无关紧要的细节, 不要连续多问, 全程最多 2 次。"
         "options 给 2-4 个供点选的候选 (用户也可自由输入)。"),

"立场二选一"正是"答案会改变做法"的典型：平台层管"什么时候值得问、最多问几次"，人设管"在这个领域，立场就是值得问的那件事"。

② 不替用户填数字。 补偿公式是确定的，输入却很敏感：工龄差几个月，N 可能从 3.5 变成 4；工资按应发还是实发，基数就不一样。模型替用户"合理假设"一个数，得到的是精确但错误的金额，而用户会拿着它去谈判。标"待确认"并说明它怎样改变结果，等于把缺失信息变成一句敏感性说明。

③ 绝不编造法条编号。 平台层已经写了"法条不许编"，人设再写一遍，是补上平台层给不了的范围 （试用期上限、加班费倍数、经济补偿这些地方性、年度性强的标准）和动作（拿不准先联网核实）。编出来的条号比不写更糟------用户会拿去和 HR 对质。

④ 结尾固定提示。 平台的共同规则里没有免责声明：它是领域性的，放进共同规则，旅行专家排行程也得挂一句"不构成法律意见"。写成"固定提示"而不是"适当提醒"，是为了让它每次都在；这一轮模型在固定那句之后按个案补了一句（10 万元以上的争议、签字前先咨询律师）------固定的部分保底，补充的部分贴近个案。

3.5 open_url：搜索摘要不算读过

法律问题对"原文"的依赖比大多数领域都重：一个地方口径、一个判例的裁判理由，搜索摘要里往往只有半句。open_url 的工具说明把这件事说得很重：

specs.append({"name": "open_url",
              "desc": "打开网页读取正文。**url 可以是一个链接, 也可以是最多 5 个链接的数组 --- "
                      ...
                      "⚠️ 搜索结果只给标题和几百字摘要, **不足以支撑事实陈述、数字引用或判断结论** --- "
                      "要写进产出的关键事实 (金额/时间/当事方/因果), 必须打开原文核实过再写; "
                      ...
                      "多搜少读 = 罗列一堆标题却没有洞察, 是最差的产出形态。"

提示词第 5 层的工具段再补一句做法：

(101, ("open_url",),
 "搜索摘要不算读过。open_url 一次并行打开 3-5 个最相关的页, 作者、日期、规格、原文都在正文里。页面空 (只剩导航) 就换下一条命中接着读; "
 "相关命中没读完不许下「查不到」的结论。引用时给链接。"),

为什么摘要不够：搜索结果交给模型时，每条命中只带标题、链接和前 400 字（r['content'][:400]）。400 字够判断"这页值不值得读"，不够支撑"金额 / 时间 / 当事方 / 因果"。

几个上限（以代码为准）：

项	值	出处
一次并行打开	最多 5 个链接	MAX_PARALLEL_URLS = 5
单页一次读	6 万字	PAGE_WINDOW_CHARS = 60_000
并行时每页	总预算 24000 字按页数均分，每页不少于 3000 字	per = max(3000, (OBSERVATION_LONG_CHARS - 1000) // len(urls))
续读缓存	15 分钟、最多 12 页	_PAGE_CACHE_TTL = 900.0

这一轮第 2 步并行开了 2 页，每页的额度就是 (24000 − 1000) ÷ 2 = 11500 字。

长页续读。 单页读不完时，观察末尾会明说"这页还有 N 字没读"，并写好带 offset 的下一次调用。这是事故逼出来的：原先超出上限的部分被静默砍掉，模型就当读全了。续读从缓存里切，不算调研次数（"那是同一次阅读的下半截, 不是又查了一次"），也不重复计费。

读页管线。 一个链接从打开到交给模型，走的是 page_reader.read_url：

async def read_url(url: str, http, cap: int) -> dict:
    """完整读页管线: (飞书文档走专门读法) → 直抓 → 体检 → (被拦/失败时) 住宅代理重试 → 体检。
    ...

• 直抓：浏览器同款请求头，手动跟随重定向，每一跳都过 SSRF 检查（原先只查第一跳，公网链接 302 到内网会被照抓）。

• 抽正文：bs4 + lxml 做 readability 式主内容定位，剔除导航、页脚、侧栏，输出带小节、列表、表格行的结构化文本。

• 体检 ：diagnose 识别 404、被拦（403 / 429 / 503 或"安全检测""拖动滑块"这类验证页）、JS 渲染空壳、无正文。绝不把验证页当正文喂给模型。

• 重试与兜底：失败时换出口重试一次（JS 渲染页除外），再不行走第三方读页兜底，都失败就回一句类型化的失败说明。

反爬、验证页、前端渲染，网页读不到并不罕见。这条管线的取舍是：能救就自动救（换出口、换读页服务），救不回来就让模型拿到一句明确的"未取到正文"和原因，由它决定换哪一页或换个角度再搜------而不是拿一页验证码当原文去写答案。

调研次数也有预算：单专家一轮里搜索和读页每调一次记一次，到 12 次提醒"资料一般够写了"，到 20 次不再执行（开了「深度调研」翻倍）。这一轮只用了 3 次。

3.6 参考文献：只挂正文真引用了的

答案末尾那个折叠的「参考文献 · 5」不是模型写的，是交付层 _deliver_references 追加的，注释写得很直白："用真实链接程序化追加 (不靠 LLM 复述 URL, 保证准确)"。模型复述 URL 容易抄错字符，甚至编一个看起来合理的链接；平台另一条"单独成文"路径的提示词里也写着"不要自己写「参考文献」小节 (系统会用真实链接自动附在末尾)"。

来源从哪来。 _collect_sources 从工具记录里抽：真读到正文的页排最前，然后是和搜索词有足够重叠的命中（"与查询八竿子打不着 (歌词站 / 同名偶像页)"的跳过），上限 25 条。打开失败的页不算"读过"。

挂哪几条。 关键在 _cited_refs：

def _cited_refs(answer: str, sources: list, fallback: int = 5) -> list:
    """参考文献只挂正文真引用了的 ([n]), 保留原编号 (2026-09-24 验收「资料链接太多」: 小红书一篇笔记底下挂 17 条,
    近一半是歌词站)。正文一个编号都没引时: 正文自带来源行 (技能版式「📎资料参考：...」) 就不再挂第二份清单 ------
    否则「复制全文」连清单一起带走, 可复制的笔记里多出一截链接; 没带就挂前 fallback 条 (_collect_sources 已把读过的排在前面)。
    返回 [(编号, 来源), ...], 可能为空。"""
    nums = sorted({int(n) for grp in _CITE_RE.findall(answer or "") for n in re.split(r"\s*[,，、]\s*", grp)
                   if 1 <= int(n) <= len(sources)})
    if nums:
        return [(n, sources[n - 1]) for n in nums]
    if _OWN_SOURCES_RE.search(answer or ""):
        return []
    return list(enumerate(sources[:fallback], 1))

三档：

1. 正文有 [n] 编号 （[3]、[1][3]、[1, 3]、[1、3] 都认）：只挂这几条，保留原编号，和正文对得上。

2. 没有编号，但正文自带来源行（如小红书技能的"📎资料参考：..."）：不再挂第二份。

3. 都没有：挂前 5 条，读过的排在前面。

最后由 _refs_block 按回复语言出标题（中文、日文是"参考文献"，其余是 References；幻灯片则是 deck 最后一页"参考来源"）。各端客户端认这两个标题、把整节折叠，所以长图底部只是一行「参考文献 · 5」。

这一轮的答案是模型直接写成的，正文没有用编号标注，走的是第 3 档：排第 1 的是这一轮真正读过正文的那页律师问答，后面是和查询词对得上的搜索命中（经济补偿基数、应发工资口径之类）。如果你自己建一位法律类专家、希望每条依据都精确对号，可以在人设里加一句"关键法条与判例后用 编号 标注来源"，参考文献就会只列正文用到的那几条。

3.7 这一轮花了多少

项	数值
耗时	100 秒
模型调用	6 次
工具调用	6 次（2 次联网搜索、1 次读取网页、3 次计算器）
tokens	65,176，其中 25,088 命中缓存
计费	约 8.3 积分

六次工具里三次是计算器，不按次计费；花销主要在搜索和读页带进上下文的资料，以及思考模式下每步重发的上下文（三成多命中了前缀缓存）。和第九篇销售专家（约 1.1 积分）比贵在"查"，和第三篇数据专家（约 10.5 积分）比省在"算"------单个算式不用起沙箱。

四、你也可以：在 App 里一句话创建自己的专家

口袋专家AI正在筹备专家合伙人计划，支持用户贡献自己精调过的专家，产生收益后，用户将获得分成。让我们一起将口袋中的专家越做越好。

法律专家管的是劳动法。如果你常碰的是别的纠纷，比如租房，可以建一位专属的：

1. 打开「专家广场」，点顶部的「新建专家」卡片

2. 用一句话描述，比如"专门处理租房纠纷：押金不退、提前退租、中介费，站在租客一方给依据和行动步骤"

3. 服务端一次生成名字、人设提示词、能力标签、开场示例和头像

4. 预览没问题就「开始对话」

"站在租客一方"这半句值得写上------对抗性的领域，立场是人设里最要紧的一句。生成的人设可以随时在设置页改，比如照着法律专家补上"没给的数字标待确认"和结尾提示；它和官方专家跑同一条流水线，联网搜索、读网页、计算器一样不少。

五、总结

本篇以法律专家为例，拆了一位"高风险领域"智能体是怎么构建的：

• 应用上，它把通用助手"顺着问法算、标准可能过时、不分立场"的毛病反过来：用户问 N+1，它先说"+1 不是裁员的标配"，再把 N / N+1 / 2N 连同条文和算式列成表；封顶线先查再用；行动建议从"什么都别签"开始，按留证、协商、投诉、仲裁排好顺序。用之前记得先问清公司依据的是哪一条解除路径。

• 技术上 ，一位法律类专家 = 一份写清"什么时候该停"的人设 + 平台层"法条、数字、来源不许编"的底线 + 两个工具和一道交付规则：calculate 用 AST 白名单在进程内求值，返回"表达式 = 结果"，算式可核对；open_url 并行最多 5 页、单页 6 万字、长页带 offset 续读，识别验证页和空壳页，读不到就如实说；参考文献由交付层用真实链接追加，正文标了 [n] 只挂引用过的，没标就挂"读过的在前"的前 5 条。