"智慧检务"喊了几年,真正落到办案现场的检察 AI,价值集中在三件事——找类案、提建议、写文书。检察官在审查逮捕、审查起诉、提起公诉的过程里,最耗时、最容易出现"同案不同诉"的环节,正是这三处:本案有没有可参照的同类案件、认罪认罚案件该提多少量刑建议、审查报告与起诉书里大量重复性内容怎么少返工。本文不谈智慧检务的愿景口号,只讲一套能在检察专线内网真正落地的检察院 AI 系统该长什么样:三大核心能力怎么搭、认罪认罚从宽下量刑建议辅助的数据要点、起诉书与审查报告如何防错防幻觉、为什么必须本地化部署、以及检察机关技术部门选型时该照着问供应商哪些问题。
一、先划清边界:辅助检察官,不是代替检察官
任何关于检察 AI 的讨论,第一句话必须是这句:检察权由检察官依法行使,AI 只能辅助,不能代替。系统不认定事实、不决定是否逮捕、不决定是否起诉、不署名负责。它做的是把信息"端到检察官面前",最终怎么定性、要不要起诉、提多少量刑建议,仍由检察官依法决定、由检察官负责。这条边界不是免责声明,而是整个系统的设计前提——它决定了每一项功能都必须满足三个要求:
- 供参考、非结论:输出明确标注"参考""草稿待核",绝不以"系统认为应当起诉""建议判 X 年"这种结论式表达呈现。
- 可解释:任何参照与生成,都要能说清依据——来自哪些类案、哪条法条、哪个情节,而非给一个说不清来由的判断或数字。
- 留痕可追溯:检察官采纳、修改、否决的全过程留痕,既保护检察官,也支撑案件质量评查与办案责任制。
守住这条边界,检察 AI 才既"有用"又"合规"。下面三大能力,都建立在这个前提上。
二、检察院 AI 系统的三大核心能力
落到办案现场,检察官真正需要 AI 帮忙的,集中在三件事:审查时找参照、认罪认罚时定建议、办案时写文书。对应三大能力:
| 能力 | 解决什么问题 | 对应办案环节 |
|---|---|---|
| ① 类案推送 | 本案有没有可参照的同类已决/在办案件 | 审查逮捕 · 审查起诉 |
| ② 量刑建议辅助 | 认罪认罚案件,同类案件大致判多少 | 审查起诉 · 提出量刑建议 |
| ③ 文书辅助生成 | 审查报告、起诉书里重复性内容的草稿与校验 | 制作审查报告 · 起诉 |
三者共用同一套院内数据底座与 AI 能力,通常一并规划、分模块建设。与法院侧的审判辅助逻辑相通(我们在 法院 AI 智能审判辅助怎么落地 一文里拆过量刑参考与文书生成),但检察场景有两点不同必须讲清:一是检察办案以审查报告为核心载体、文书量更密;二是认罪认罚从宽制度把"提量刑建议"变成检察官的高频刚需,量刑建议辅助因此是检察 AI 里价值最直接的一块。下面重点拆量刑建议辅助与文书辅助生成。
三、量刑建议辅助:给检察官一把"参照的尺",不是一个"定刑的钮"
认罪认罚从宽制度全面推开后,检察官在审查起诉阶段提出量刑建议成为常态,且"确定刑量刑建议"的采纳率直接影响办案质效。这让量刑建议辅助成为检察 AI 里价值最直接、也最容易被供应商话术带偏的能力。做对了,它能显著压缩同类案件的量刑建议离散度、辅助提出更精准的量刑建议;做错了,它会变成一个"看似精确、实则误导"的数字黑箱。关键在于把它定位成参照的尺,而不是定刑的钮。
① 数据:全国分布 + 本地尺度,双源融合
量刑建议辅助的可信度先天取决于数据。需要两部分融合:
- 全国同类已决案件:同罪名、同情节的全国刑事裁判文书,统计出法院实际量刑的真实分布区间——量刑建议要贴近裁判结果,这是"类案量刑"的统计底座。
- 本院 / 本辖区办案与裁判:体现本地办案尺度与法检衔接的实际情况,避免给出一个脱离本地实际的全国平均值。
底座必须满足:全量可溯源(每个参照案件都能回到原文书)、情节结构化(自首、坦白、立功、退赃退赔、认罪认罚、累犯、未遂、主从犯等法定与酌定情节都被打成结构化标签,才能做条件筛选)。文书查提供全国全量刑事裁判文书底座,以离线加密增量包导入内网,可与本院办案数据融合,作为量刑建议辅助的数据基础。
② 算法:按情节筛同类,给区间不给点值
正确的量刑建议辅助逻辑是:先按罪名锁定案件池,再按法定与酌定情节(尤其是认罪认罚这一关键从宽情节)层层筛选,最后给出一个类案量刑区间(如"同类案件量刑集中在 X 至 Y,中位数 Z")并附上构成这个区间的真实案例,供检察官在此基础上裁量提出量刑建议。三个要点决定它是否靠谱:
- 给区间,不给点值:输出一个分布区间和可参照案例,而不是"建议判 3 年 2 个月"这种伪精确的点值结论。提多少量刑建议是检察官的裁量,系统只提供参照范围。
- 剔除不可比案件:把情节差异大、明显不可比的案件排除出参照池,否则区间会被污染。可比性判断本身要可解释。
- 情节透明:检察官能看到"这个区间是按哪些情节筛出来的",并能手动增减情节(比如把"认罪认罚"勾上)、实时看区间如何变化。
一句话识别注水的量刑建议产品:凡是直接给出一个精确刑期数字、却说不清这个数字怎么来、参照了哪些案件、是否考虑了认罪认罚情节的,基本可以判定为不可用——它把检察官的裁量权偷换成了一个不可解释的算法输出,既不合规也不敢用。要求供应商现场演示:勾上/取消"认罪认罚",看区间和参照案例是否随之透明变化。
四、文书辅助生成:用"检索增强",不用"自由发挥"
检察办案以审查报告为核心、起诉书为产出,文书制作是检察官投入时间最多的环节之一,也是 AI 辅助最能减负的地方——但前提是必须防住大模型"一本正经编法条"的幻觉风险。起诉书里写错一个法条号、审查报告里编造一个不存在的类案,后果远比效率损失严重。所以检察文书辅助生成必须走检索增强 + 受控生成的路线,而不是把案情丢给大模型自由发挥。
① 结构化分块,事实与说理分开处理
把审查报告与起诉书拆成结构化模块分别处理,是防错的第一步:
| 文书模块 | 生成方式 | 风险控制 |
|---|---|---|
| 当事人 / 案件来源 | 从案卷结构化信息回填 | 来自卷宗,不生成,不出错 |
| 案件事实 / 证据 | 基于在卷证据材料组织,检察官核对 | 禁止凭空生成事实与证据 |
| 定性与法律意见 | 基于检索到的法条 + 类案生成草稿 | 每处引用回链来源,标注"草稿待核" |
| 量刑情节 / 量刑建议 | 结构化情节 + 类案区间参照 | 区间参照,检察官裁量定建议 |
| 起诉意见 / 主文 | 模板 + 检察官填定 | 由检察官决定,系统只排版 |
核心原则:事实与证据部分由案卷回填、绝不生成,法律部分基于可溯源检索生成草稿、检察官逐段核对。AI 负责把重复性的格式、表述、引用初稿做出来,检察官负责判断与定稿。审查报告与起诉书之间还能做一致性校验——比如起诉书认定的事实与证据,是否都在审查报告里有支撑。
② 每一处引用都能回链原文
受控生成的硬指标是可溯源:生成草稿里引用的每一条法条、每一个类案,都带一个能回链到本地底座原始法条文本或原始裁判文书的链接,检察官一点就能核对。做不到这一点的文书生成,就是在赌大模型的记忆——而大模型的记忆会编造法条,这在检察场景是不可接受的。这也是为什么文书辅助生成必须挂在一套全量、可溯源的本地法律数据底座之上,而不是单买一个生成模型。底座的检索质量,直接决定生成质量的上限。这一点的工程实现,我们在 1.5 亿裁判文书私有库:本地化部署的数据架构 里有完整拆解。
五、为什么必须本地化部署在检察专线
检察院 AI 系统要读在办案件的卷宗、证据、讯问笔录与当事人个人信息——这些都是高度敏感的未公开数据,绝不能流向外网或厂商云端。因此系统必须与统一业务应用系统在同一检察专线/政法内网本地化部署:
- 数据不出域:数据底座、检索模型、生成模型、量刑参照算法全部部署在院内或政法内网,在办案件信息物理上不离开检察机关可控边界。
- 满足等保三级与信创:检察系统普遍要求等保三级、信创适配,本地化部署是天然合规形态,可直接写入建设方案与评审材料。
- 全程可解释留痕:检察官采纳、修改、否决每一项辅助输出的过程留痕,既支撑案件质量评查与司法责任制回溯,也是 AI 辅助"权责清晰"的制度保障。
这也是检察 AI 与一般商用法律 AI SaaS 的根本差别。司法数据中台是它的底层支撑——检察辅助的三大能力,本质上都建立在"数据不出域 + 内网智能"这一条地基上。从合规视角看,这与律所私有化部署的数据保密义务逻辑一致:越敏感的数据,越只能在自己可控的边界内做智能。
六、检察机关技术部门选型采购清单
把检察院 AI 系统纳入智慧检务建设或单独采购时,这 8 条可直接照着问供应商,基本能筛掉只会演示 PPT、过不了数据安全与可解释这两关的方案:
- 量刑建议辅助给的是区间还是点值?——要求现场勾上/取消"认罪认罚"等情节,看区间与参照案例是否透明变化。
- 量刑数据底座多大、覆盖哪些罪名、是否可溯源?——全国分布 + 本地尺度如何融合,能否回链原文。
- 文书生成走检索增强还是大模型自由发挥?——要求演示起诉书引用能否回链原始法条/类案。
- 事实与证据部分是回填还是生成?——能不能保证不凭空编造事实与证据。
- 审查报告与起诉书能否做一致性校验?——是否真正贴合检察办案流程,而非套用法院产品。
- 所有辅助输出是否标注"参考/草稿待核"?——有没有混淆辅助与检察决定的边界。
- 是否全程本地化部署在检察专线、数据不出域、满足等保三级与信创?
- 检察官采纳/修改/否决是否全程留痕、可供质量评查回溯?
八条逐条要实测,尤其第 1、3、5 条——它们是区分"真辅助"和"伪智能"、以及"懂检察办案"和"拿法院产品改个名"的分水岭。任何一条只给口头承诺、不肯现场演示的,直接打问号。
七、常见问题
Q:检察 AI 和法院 AI 是同一套系统吗?
A:底层数据底座与 AI 能力(类案检索、检索增强生成、量刑参照)是相通的,但业务流程完全不同。法院侧围绕"审判"——立案、庭审、裁判文书;检察侧围绕"审查与公诉"——审查逮捕、审查报告、起诉书、量刑建议、法律监督。直接把法院审判辅助产品改个名卖给检察院,往往在审查报告结构、认罪认罚量刑建议、法检数据衔接上水土不服。选型时要确认供应商是否真正按检察办案流程做了适配。
Q:量刑建议辅助会不会让检察官形成依赖、削弱裁量?
A:这正是"给区间不给点值"的意义所在。系统提供的是同类案件量刑的真实分布区间和可参照案例,检察官在此基础上结合个案具体情节裁量提出量刑建议——它扩大了检察官的信息面,而不是替他做决定。相反,一个直接吐出精确刑期数字的产品才会诱导依赖。配合全程留痕,采纳与否、为什么调整,都清晰可查。
Q:建设周期和投入大概什么量级?
A:取决于上线哪些能力、与统一业务应用系统的集成深度、等保信创要求。通常分期:先打通数据底座与类案推送(参照能力),再叠加量刑建议辅助与文书辅助生成(办案能力),最后做留痕、法律监督辅助与质量评查对接。具体方案与预算可结合贵院现状评估,我们可提供参考架构与分期建议。
为贵院检察 AI 提供全国裁判文书底座与参考架构
提供检察层级与重点罪名/案由方向,我们反馈数据底座覆盖说明、量刑建议辅助与文书辅助的参考架构,并可安排离线部署演示。演示阶段不收费。
📞 联系商务 Jack · 131 6872 7779或邮件 chenjiaxin@wenshucha.com · 查看 私有化方案详情
相关阅读:法院 AI 智能审判辅助怎么落地:量刑参考 + 文书辅助生成实战 · 法院类案推送系统怎么建 · 数字法治政府:司法数据中台建设方案 · 1.5 亿裁判文书私有库:本地化部署的数据架构 · 裁判文书 API / MCP 定价