Moonlit 联合创始人兼首席执行官 Roderick Lucas——专访

Roderick Lucas是 Moonlit 的联合创始人兼首席执行官，在人工智能、数据科学和法律科技领域拥有丰富经验。他在 Deloitte 工作了近十年，曾担任人工智能负责人，还曾在 Vrije Universiteit Amsterdam 和 Tilburg University 教授技术课程。他致力于通过结构化数据、可核验的来源和人工智能，让法律研究更易于获取。

Moonlit提供法律数据基础设施和研究工具，将欧洲各司法管辖区的官方法律、法院判决和监管信息连接起来。其平台、Data API 和 MCP 服务器让研究人员和人工智能助手能够获取结构化法律资料；其 Commentaries 评论库则将人工智能生成的分析与具名法律专家的审阅相结合。在本次专访中，Lucas 谈及法律幻觉、跨境研究、专家核验，以及如何获取可信的法律信息。

您在 Deloitte 工作了近十年，后来担任人工智能负责人，同时还在 Vrije Universiteit Amsterdam 和 Tilburg University 教授技术课程。Moonlit 最初是 Deloitte 的内部项目，之后于 2024 年成为一家独立公司。是什么促使您开发这个平台？又是什么让您确信，法律研究需要一种截然不同的方法？

Moonlit最初在 Deloitte 内部启动，因为问题就摆在眼前。在欧洲，任何重要的法律或税务问题迟早都会涉及跨境事务，但所需资料散落在数十个国家级门户网站上，每个网站的格式、语言和引注规范都各不相同。专家花在研究上的大部分时间都用于搜集资料，并核实是否有遗漏。与此同时，为他们打造的工具并不适用于跨境工作。这些工具按国家和用户席位收费，而要比较不同司法管辖区如何处理同一问题，还得分别登录不同系统。

大型语言模型问世后，有两点同时变得清晰：模型理解法律文本并进行推理的能力远超预期，但却没有可靠的资料可供其推理。直接从公共法院门户网站提取文本，会得到杂乱且格式不一的数据；商业法律出版商则通过许可限制，禁止自动访问。法律科技领域缺少共同的基础：将多个司法管辖区的官方资料规范为统一、整洁的数据结构，建立交叉引用，并每日更新。

我们着手打造的正是这一基础层；也正因如此，Moonlit 于 2024 年成为一家公司，而不只是某家公司的内部工具。每增加一个使用者或系统来读取并贡献其中的内容，这样的基础就会变得更有价值。我们始终坚信：法律属于公共领域，而以法律为基础积累的知识，应当让每个必须遵守法律的人都能以可负担的成本获取。

Moonlit 创立于这样一种信念：获取法律知识是实现正义的必要条件。法律和法院裁决往往可以公开获取，但阐释其影响的专家评论却常常被昂贵的付费墙挡在外面。Moonlit 如何致力于让所有人都能获取这一阐释层面的内容？这对于发展可靠的法律人工智能又为何尤为重要？

在荷兰，你每赚取 1 欧元，大约就有 40 欧分交给国家；其中一部分用于资助公立大学和法律体系。许多阐释法律的评论文章由领取公共薪酬的学者撰写。Wolters Kluwer 和 Thomson Reuters 等商业出版商将这些分析汇编起来，再卖给需要它们的法院、政府部门、大学和法律从业者。每位用户每月的评论订阅费高达数百欧元。购买这些订阅，意味着公众实际上为自己必须遵守的法律付了两次钱。一个公平的法律体系，其每月费用不应高于 Netflix 订阅费。

我们打造了 Commentaries，提供一种开放的替代方案：用户只需拥有免费的 Moonlit 账户，即可访问按法律条文编排的法律分析库。每篇评论均由我们的人工智能模型根据一手资料生成，并在发布前由法律专家审核。每条引注都经过核验，并直接链接至政府或法院的官方记录。如果读者发现有细节尚未说明，或出现了最新进展，可以直接通过页面上的表单提出修改建议，供编辑审核。编辑随后可以审阅并重新发布。据我们所知，没有其他出版商提供这种组合服务。上线时，现有评论主要聚焦间接税（增值税）；数据保护相关评论也在筹备中。

这一阐释层面对法律人工智能同样至关重要。模型可以读取公开法规和法院判决，却无法阅读那些解释规则在实践中如何运作、例外情形何在的二手评论。缺少这些背景信息，模型就会自行推断，生成不可靠的答案。我们设计 Commentaries 时，确保每项陈述都明确关联到其所阐释的法律条文及所依据的裁决。从业者只需点击一次即可核实来源，人工智能工作流也能通过 Moonlit Data API 和 MCP 连接器基于可靠数据进行推理。

AI生成的法律幻觉日益令人担忧，律师和法院不断遇到捏造的判例引证和不准确的法律解释。为什么即使是先进的大语言模型也难以做到准确理解法律？提供结构化且经过核实的法律语境，又如何帮助克服这些局限？

语言模型在法律领域遇到困难，原因与智能本身关系不大。法律推理完全依赖可核实的权威依据。结论的可靠程度取决于其所依据的条文或裁决，但模型会把案号和法条引证当作具有概率特征的文本模式，而非可靠的数据库记录。模型给出的引证看似可信，是因为它预测引证应该是什么样子，而不是因为它核实过实际文件。这会造成切实的后果：截至撰写本文时，已有超过2,100项涉及AI幻觉的法院裁决记录，其中超过800项直接涉及法律从业者。

法律也在不断变化。模型的知识会止步于训练数据的截止时间，而税务裁决和上诉法院判决每周都在更新。如果解释规则含义的评注被出版商放在付费墙之后，模型就只能获取法条原文，无法了解实际操作层面的背景，于是会编造看似合理的解释来填补空白。

结构化且经过核实的语境，从根本上改变了任务的性质。在Moonlit，模型会检索法律，而不是试图凭记忆作答，并直接依据官方记录开展工作。搜索结果会返回来自官方来源的文件，每份文件都附有引证和链接。引证关系图会显示某项裁决引用了哪些文件，以及哪些后续文件引用了它。每条引证要么指向我们资料库中的真实文件，要么就不会出现。这消除了虚构引证的问题。不过，仅有干净的数据并不能避免误读，因此Commentaries仍会在草稿与读者之间安排一位具名法律专家。

Moonlit汇集了数十个司法辖区的立法、法院裁决和监管信息，并通过广泛的引证关系图将法律文件关联起来。能否介绍一下其底层AI和数据架构，特别是平台如何识别不同法律来源之间的关系、协调不同语言和法律体系，并让AI模型能够访问这些信息？

可以把它看作一条贯穿始终的链路，从官方发布内容一直延伸到经过核实的引证。

对于每个司法辖区，我们都会直接连接其官方门户网站，包括立法公报、法院数据库、监管机构门户，以及欧盟法律门户EUR-Lex。每个门户都有各自的特点和格式，而且可能在毫无预警的情况下发生变化，因此我们的工程工作有很大一部分用于监控各个门户，并为其实现自动恢复。我们接入的每份文件都会保留来源信息，并附上永久链接，指向相应的政府官方记录。这个链接是一切工作的基础。

来自不同司法辖区的所有内容都会纳入同一个模型，涵盖立法、判例法、议会文件、主管机关决定和指引。立法文件会拆分到单条条文的粒度，以便准确检索和引用具体规定。荷兰判决和德国裁决会保留各自国内制度要求的特定字段，同时我们会统一这些文件在跨境场景下的标识、分类和关联方式。

法律文本之间不断相互引用。法院判决会引用其适用的条文和遵循的裁决，法律也会提及其他法规。我们的引擎能够识别这些引证——它们在不同司法辖区的形式差异很大——将其解析为Data Layer中的真实文件，并以双向方式存储链接。法律工程师会核验提取规则。由此形成的引证关系图包含数亿条链接，因此，对于任何一份文件，你都可以查看它引用了什么，以及哪些文件引用了它。

语言问题则通过保留源文件原文来处理。我们不会翻译原始文本。比利时裁决仍以法语或荷兰语呈现，搜索也会直接使用原文语言进行。我们结合关键词搜索和语义搜索，对结果重新排序，并将每次查询限定在相关司法辖区内。我们的研究助手Luna会用你指定的语言作答，同时以各项底层来源的原始语言进行查询。

Moonlit平台、我们的Data API和MCP服务器都读取同一个Data Layer。API提供对我们各种搜索模式、引证关系图和全文检索功能的程序化访问；MCP服务器则向任何外部AI助手提供九种只读工具。我们一旦改进底层数据，这项改进就会同时体现在所有使用界面中。

Moonlit推出了由AI生成、并经具名法律专家审阅的法律评注，将自动起草与人工核验结合起来。这一流程在实际操作中是如何进行的？又有哪些保障措施能够确保AI生成的解释准确、透明，并可追溯至权威法律来源？

法律评注从法律条文本身入手。我们的引擎利用 Data Layer 中的第一手资料生成初稿，包括法律法规、判例、指令，以及相关条文背后的议会立法记录。它只能引用我们持有的文件，因此每一项论述都会链接到其所解释的条文和支持该论述的来源。例如，我们上线时发布的一篇评注就链接了165个经过核实的来源。

评注上线前，该领域的法律专家会对照第一手资料审阅初稿。我们的编辑是领取报酬的学者和执业作者。上线时的编辑团队成员来自大学、法院、政府机构、咨询公司和律师事务所。他们会修正初稿、删去不适当的内容，并补充遗漏之处。页面上会直接列出他们的姓名。

经过核实的审阅徽章会标示经编辑验证的段落，让读者始终清楚哪些部分有法律专家背书。

每篇评注还会注明参考日期，说明所述法律的确切状态。Data Layer 每天都会更新，并向编辑标记相关的新裁决，之后编辑会修订文本并更新参考日期。

贯穿这一切的保障是链接。如果读者无法点击链接，查看支持某项结论的裁决，那就只能被要求盲目信任。我们打造 Commentaries，就是为了让任何人都不必如此。

通过模型上下文协议（MCP）集成，Moonlit 可以将法律智能直接接入 ChatGPT、Claude 和 Microsoft Copilot 等 AI 助手。这种架构能实现哪些传统检索增强生成系统可能难以做到的事？你们又如何确保这些助手负责任地使用检索到的法律信息？

传统的 RAG 会截取部分文件，将其切分成多个文本块并转换为向量，然后把相似度得分最高的内容交给模型。在法律领域，这种做法有三个方面的缺陷：截取的内容会过时；相似度检索不足以可靠地找到确切的条文或案号；而且，单个文本块无法告诉你该文件引用了什么，也无法说明后续裁决对它产生了什么影响。

借助 MCP 服务器，助手可以自行开展研究。它既能按含义搜索，也能使用布尔运算符按确切术语和引文搜索；还能追踪文件之间的引用关系、阅读全文，并检索法律中的具体条文。它也可以查询哪些司法辖区和官方门户可用。模型会判断自己需要什么、阅读检索结果，并再次搜索，直到答案经得起检验。这种循环就是关键所在。Luna 于9月迁移到同一台 MCP 服务器后，回答的速度和质量都得到提升。数据也保持实时更新：助手读取的是 Data Layer 当前的内容。

负责任地使用，首先要明确限制。我们的工具仅供读取，检索结果也会链接回官方来源。我们还发布了简明的研究指引，供助手遵循。指引说明了如何使用来源的原文语言进行搜索、引用前如何核对相关段落、如何验证版本，以及在现有来源不足时如何明确说明。

不同的助手会以不同方式展示推理过程，而这并非我们能够控制的。我们能做的是让来源易于核查。每条引文都会指向一份文件，每份文件又都会指向其官方发布页面。

随着新裁决发布、法规变更以及既有判例受到质疑，法律信息始终在不断演变。Moonlit 的自动监测基础设施如何识别并纳入这些进展？平台又如何防止 AI 系统依赖过时的法律条文或已被取代的法律解释？

要防止 AI 或研究人员依赖失效的法律依据，关键在于文件之间的关联。一旦新的判决或法律修正案进入系统，引用关系图就会将其关联到它所引用的先前条文和案件。如果上诉法院推翻或缩小了先前裁决的适用范围，这项进展就会作为引用该裁决的后续判决，直接关联到原裁决。模型沿着关系图检索时，就能立即看到后续裁判如何处理该案，而不会把过时的判例当作仍然有效的法律依据。在平台上，用户还可以将同一信息流转化为主动监测项，针对自己关注的具体法规、法院或主题进行追踪。

长期以来，确保评注内容保持最新一直是个重大盲点。商业评注系列通常一年只审查更新一到两次。在间接税或数据保护等变化迅速的领域，这种延迟会带来严重的合规风险。由于我们的 Data Layer 每天都会将新收到的出版物与评注进行比对，新的裁决一出现，系统就会立即提醒负责撰写的编辑。编辑随后更新分析并推进参考日期，确保执业人士和 AI 模型依据的都是法律的实际现状，而不是十二个月前的情况。

跨境法律研究的复杂性远不止于翻译文件，尤其是不同国家对类似法规的解释或实施方式各不相同。Moonlit 的 AI 如何区分不同司法辖区之间的差异？如果权威法律来源看起来相互矛盾，又会如何处理？

欧盟指令与实施该指令的国内法律是两份不同的文件；如果其中一份引用了另一份，两者就会建立关联。适用欧盟法院判决的国内裁决也会与该判决建立关联。这也是 Commentaries 从增值税内容入手的原因。相关规则大多在欧盟层面实现了协调统一，之后再由各成员国分别解释。

法律中出现矛盾很正常，我们不会将其掩盖。两个权威来源看似意见不一时，读者会同时看到两者。接下来，大部分问题都可以依据法律层级来处理：后来的裁决优先于较早的裁决；涉及欧盟法律的问题上，欧盟法院高于国内法院；同时，还要以提交转介时有效的条文为准。在 Commentaries 中，编辑会公开作出判断，相关来源也会与判断一并呈现。

包括荷兰最高法院、Deloitte 以及其他法律和公共机构在内的组织都在使用 Moonlit 的技术。能否分享一个实际案例，说明该平台如何改变法律研究工作流程？与传统方法相比，你们如何衡量研究准确性、完整性或效率方面的提升？

例如，在金融科技领域，Quantoz Payments 的法律团队将 Moonlit MCP 服务器接入 Claude，并结合定制工作流程处理跨境支付监管事务。这套工作流程取代了欧洲各地沿用的传统做法。律师通常必须打开多个国家的门户网站，用多种语言进行检索，将引文复制到备忘录中，还得寄望于没有遗漏任何重要的本地判例。如今，他们的系统可以同时检索多个司法管辖区，沿着引文关系图追踪，并在提供一手法律文件的同时附上官方来源链接。对于企业内部法律团队而言，成效显而易见：它消除了遗漏外国裁决的盲点，也让团队不必再把数小时耗费在机械的信息搜集上，而能转向真正的法律分析和风险评估。

在开发方面，效率的提升则体现在完全不同的层面。开发法律 AI 产品的团队，会以节省的工程开发月数来衡量改进成效。法律 AI 公司 Eudia 需要结构化的欧洲法律数据来支撑其产品；其产品经理指出，我们的 Data API 只用几天就为他们提供了完整的欧洲法律数据集。若没有底层数据基础设施，就意味着必须为每个国家的门户网站单独构建并持续维护定制爬虫。Saga 和 Legal Mind 等其他平台也依赖同一套基础设施，如今也能直接向各自的终端用户提供经过核验的 Commentaries。

展望未来，随着基础模型能力不断增强、AI 智能体开始承担更复杂的法律研究任务，你认为通用 AI 模型与专业法律数据基础设施之间的关系将如何演变？你对 Moonlit 的长期愿景是什么？尤其是，如何让大型律师事务所和机构以外的群体也能获得可信的法律智能？

能力更强的模型能够更好地推理你提供给它的资料，但它无法凭空生成可靠的一手记录。随着基础模型能力不断增强，经核验的数据层实际上会变得更加重要。当推理能力普及后，真正的瓶颈将转向数据质量，因为智能体仍需要准确、结构化的法律资料才能开展工作。

通用模型和自主智能体将负责起草、综合分析和对话交互。Moonlit 这样的专业基础设施则会处理底层复杂的数据问题，确保法律信息保持最新、结构化且可核验，并通过这些智能体所使用的任何协议直接提供数据。我们很早就为这一转变做好了准备。我们自己的助手运行在与外部智能体接入时完全相同的 MCP 服务器上，团队也已经在其基础上运行各自定制的智能体。

这一架构也是我们长期愿景的核心。传统上，可靠的跨境法律智能一直是昂贵的专属服务，只有负担得起多国高价订阅的大型律师事务所和跨国公司才能使用。通过开放免费阅读 Commentaries，并借助现代 API 和连接器向所有开发者开放我们的数据层，我们希望缩小这种差距。为跨境企业提供法律咨询的独立执业律师，或处于早期阶段公司的企业法律顾问，都应该能够获得与全球咨询公司完全相同的研究精度和经核验的引文。

感谢这次精彩的访谈。希望了解经核验的法律数据和 AI 辅助跨境研究的读者，请访问 Moonlit。