干环保执法的谁没被今天下午交文书这句憋住过。我在区县生态环境执法岗上待了好几年日常工作是现场检查、取证、询问、做笔录最耗时间的反而不是跑现场而是回来之后的案头活查法条、找依据、起草文书。违法行为的定性和条款适用差一两个字意思就完全不一样写错了是要背锅的。后来我自己琢磨出一套方法把法条速查 文书起草这两件高频杂事做成了一个可复用的 WorkBuddy Skill实测用了几个月效率提升非常明显今天把整个思路和实践过程拆开讲一遍。如果你是生态环境执法岗位的同行或者从事安全生产、市场监管这类同样依赖法条和文书的行政执法工作这篇文章的思路可以直接抄走。我会从需求拆解、Skill 设计、实操步骤、踩坑记录四个方面把来龙去脉一次说清楚。1. 需求拆解法条速查和文书起草到底难在哪1.1 生态环境执法人的真实工作痛点生态环境执法的特点是领域广、条款多、更新快。大气、水、土壤、固废、噪声、排污许可、建设项目管理每个领域都有对应的法律法规和规章。平时查一个违法行为的处罚依据要翻《中华人民共和国环境保护法》《中华人民共和国大气污染防治法》《中华人民共和国行政处罚法》《生态环境行政处罚办法》有时候还要看地方性法规和技术规范。我刚入职那两年遇到最多的场景是这样的现场发现企业一个违法行为比如未依法报批环境影响评价文件擅自开工建设心里大概知道违反了《环境影响评价法》第二十二条或二十五条但具体罚款幅度是多少、责令停止建设依据哪一条、要不要先下达责令改正决定书得回到办公室翻半天文件。网上搜出来的答案不够权威执法文书里引用错了条后面法制审核直接退回来重写。文书起草是第二个痛点。行政处罚案件的文书链路很长现场检查记录、调查询问笔录、责令改正违法行为决定书、行政处罚事先告知书、行政处罚决定书每一个都有固定的格式要求和内容要素。格式错了不算大问题真正让人头疼的是文书里的违法行为表述违反条款处罚依据之间的对应关系。同一个违法行为在不同阶段文书里表述口径必须保持一致一个地方改了后面所有文书都得跟着改。1.2 为什么选 WorkBuddy Skill 而不是普通模板我刚想解决问题的时候第一反应是做一套 Excel 检索表加 Word 文书模板。做了一半发现不好用Excel 检索表只能解决条款查得到的问题解决不了条款找得准的问题Word 模板只能解决格式对的问题解决不了内容填得对的问题。更深层的需求是我需要一个工具能理解我描述的事实场景自动匹配对应的法律条款然后用规范表述生成文书草稿。WorkBuddy Skill 的机制正好契合这个需求。Skill 本质上是一个可配置的技能包里面可以放入角色设定、知识库、工作流程和输出规范。用行话讲它把怎么办这件事变成了AI可以自动执行的流程。对执法人员来说最大的价值是把个人经验沉淀成可复用的数字资产不需要每次都重新组织思路。用生活化的类比普通模板好比给你一张白纸和一把尺子你得知道往哪里画WorkBuddy Skill 好比给你一套带向导的制图工具输入现场事实它知道该取哪个尺子、画什么内容。这里必须说明我做的不是一个颠覆性的技术项目而是一个流程重构 知识结构化的实践项目。它的核心不是代码写得多高级而是把执法工作中重复性高、规则性强的部分剥离出来用 AI 的文本生成能力替代人工翻书和起草初稿。2. Skill 整体设计法条速查和文书起草怎么组织成一套技能2.1 Skill 的定位与触发逻辑设计在设计这个 Skill 之前我先想清楚了一个问题这个 Skill 要解决哪些输入对应哪些输出。我的使用场景主要分两类一是现场检查回来需要快速确认违法行为对应的法律依据二是案件推进过程中需要起草某个阶段的执法文书。所以这个 Skill 不能设计成一个万能执法助手而是要有明确的触发逻辑。我把触发条件设计成两种模式第一种是查模式。我在对话框里输入现场看到的情况比如一家汽车4S店废机油暂存间没有做防渗处理危废标识设置不规范Skill 需要自动识别这是涉及危险废物管理的问题然后从法条库中检索出《中华人民共和国固体废物污染环境防治法》相关条款给出可能违反的具体条文、处罚依据和罚款幅度。第二种是写模式。我指定要起草的文书类型比如起草一份责令改正违法行为决定书违法事实是……Skill 会按照文书结构生成草稿包括当事人信息、违法事实、违反条款、责令改正内容和期限、救济途径等部分。为了区分这两种模式我为 Skill 设定了一个识别关键词机制。当检测到输入内容包含查依据违反哪条等词时走法条速查流程当检测到包含起草写一份生成文书等词时走文书起草流程。如果两个模式都被触发优先执行文书起草流程因为文书起草过程中本身就包含了法条引用。2.2 法条速查模块的知识库设计法条速查模块是整个 Skill 的地基。设计这个模块时我面临一个选择是直接塞入全量法律法规文本还是做一个结构化知识库。我选择了后者。原因是全量文本虽然全面但检索效率低AI 容易产生幻觉输入一个场景可能返回好几条不相关的法条。结构化知识库则不同它把法条按环境要素和违法行为类型两个维度进行组织每个违法行为对应一条核心法条引用路径。我当时在 Skill 里建了一个知识库结构核心字段包括环境要素大气、水、土壤、固废、噪声、环评等、违法行为描述、主要违反条款、处罚依据条款、罚款幅度、责令改正类型、备注说明。举个例子环境要素固废违法行为描述未采取防渗漏措施贮存危险废物主要违反条款《中华人民共和国固体废物污染环境防治法》第八十一条第二款处罚依据条款《中华人民共和国固体废物污染环境防治法》第一百一十二条第一款第六项罚款幅度十万元以上一百万元以下责令改正类型责令停止违法行为限期改正处十万元以上一百万元以下的罚款有了这种粒度结构化数据法条速查的精度和速度远好于全文检索。我在实际使用中测试了大概 30 多个常见违法场景基本都能在十秒内给出准确条款。当然这里的准确是说条款方向正确具体案件还要结合案情细节和法制审核意见来定。2.3 文书起草模块的框架与要素设计文书起草模块的设计思路是模板 要素填充 法律逻辑校验三层结构。第一层是模板层。我把高频使用的执法文书模板整理进 Skill包括现场检查记录、调查询问笔录、责令改正违法行为决定书、行政处罚事先告知书、行政处罚决定书。每类模板按照本地执法文书规范格式化预设好标题、文号位置、当事人信息栏、正文结构。第二层是要素提取层。Skill 需要从我的输入内容中提取当事人信息名称、统一社会信用代码、地址、违法事实描述、时间地点、检查人员等关键要素填入模板。第三层是法律逻辑校验层。这是文书起草最关键的一层。文书里的违法事实描述违反条款处罚依据三者必须相互印证不能出现事实描述说涉气违法、条款引用却引用水污染防治法的尴尬情况。我在 Skill 的知识库里内置了一个逻辑对应关系表让 AI 在生成文书时先确认三个元素的匹配度再输出完整文书。这一步的实际体验是过去起草一份责令改正违法行为决定书从打开电脑到初稿完成需要 40 分钟到一个小时现在输入关键事实信息后大概 2 到 3 分钟就能生成一份结构完整的初稿我再花十几分钟核对细节、调整表述就可以进入流转。效率的提升主要体现在初稿阶段核对环节该花的功夫一点都不能省。3. 实操过程在 WorkBuddy 中搭建这个可复用 Skill3.1 Skill 的目录结构与基础配置WorkBuddy Skill 的安装和使用重点在于理解它的技能包概念。一个 Skill 其实就是一个包含配置文件和知识库的文件夹通过一定格式组织后被 WorkBuddy 在工作台加载。我一开始不理解这个概念走了不少弯路后来按下面的结构组织目录一次就成功了。我建议你新建一个专门的技能目录把不同类型的资源分门别类。我的目录结构大致如下你可以根据实际情况调整skill-root/SKILL.md法条速查/环境要素法条库.md违法行为关键词表.md文书起草/文书模板/现场检查记录.md调查询问笔录.md责令改正违法行为决定书.md行政处罚事先告知书.md行政处罚决定书.md文书要素对照表.md辅助资料/常用环境标准限值速查.md执法程序时限须知.mdSKILL.md 是技能的核心配置文件里面写清楚这个 Skill 的名称、功能描述、触发条件和执行流程。我当时没有用特别复杂的语法就是用清晰的 Markdown 文档描述你是谁、你能做什么、别人怎么用你。关键是把触发条件和两种模式写明确这部分我放在前面说的 2.1 中。在这个配置文件中我还写明了约束规则法条引用必须基于知识库内容不得自行生成条款文书输出必须遵循文书格式遇到知识库未覆盖的问题应明确提示该问题不在知识库范围内请人工核实而不是强行输出可能错误的内容。这条约束很重要它能在最大程度上防止 AI 幻觉带来错误引用。3.2 法条速查部分关键字段和匹配逻辑实现法条速查部分我不想让 AI 每次都用语义理解去猜而是给出一套尽量可量化的匹配逻辑。我在违法行为关键词表里做了内容归类比如涉气、涉水、涉固废、涉噪声、涉环评每个类别下列举高频关键词词组。举个例子在涉固废类里我放了这些关键词危险废物、暂存间、防渗漏、识别标志、转移联单、无经营许可证、擅自倾倒。当输入里出现废机油防渗危废间这些词时AI 会优先匹配到固废类违法再进入法条库检索具体条款。法条库的写法也很重要。我没有把整部法律原文塞进去而是只放违法情形描述 违反条款 处罚依据 罚款幅度的核心条目。一个环境要素一个文件结构化排版方便 AI 在生成回答时参考引用。比如《环境要素法条库.md》这个文件里每个条目是一个独立小节包含违法情形、对应条款、处罚依据、自由裁量说明。实际匹配的流程是AI 先根据输入内容中的关键词锁定环境要素再到对应法条库文件中检索匹配的具体情形最后返回条款编号、原文摘录和罚款幅度。我在实测中发现关键词表设计得越贴近现场口头描述识别准确率就越高。比如废机油没放好危废间没做防渗危废桶露天堆放这些描述都导向同一个违法情形的知识条目AI 处理起来游刃有余。3.3 文书起草部分模板填充与逻辑校验的落地文书起草实操上我将模板文件设计为带变量标记的 Markdown 模板。以责令改正违法行为决定书为例模板中包含以下关键字段当事人企业名称、统一社会信用代码、法定代表人等违法事实时间、地点、违法行为描述用客观陈述方式违反条款准确的法律条款引用责令改正内容具体整改要求和期限救济途径行政复议和行政诉讼的期限与机关落款执法机关名称、日期Skill 的工作原理是我先输入起草责令改正违法行为决定书企业名称是XX公司违法事实是危废暂存间未做防渗……这样的指令SKILL.md 触发文书起草流程后会从模板目录找到对应文书模板从我的输入文本中提取关键信息填充到对应位置最后结合法条库确定违反条款和处罚依据。逻辑校验通过两个层面落地。第一层是要素对应校验即违法事实描述中有没有包含环境要素关键词与违反条款是否属于同一环境要素第二层是条款引用校验即违反条款和处罚依据是否来自同一部法律且逻辑上成对出现。我一开始没有做这个校验层结果 AI 生成的一份文书里出现违反《大气污染防治法》某条依据《水污染防治法》某条处罚的笑话加了校验层之后这类低级错误基本绝迹。实操中我还做了一个小改进在文书模板中加了一个待补全信息提示区凡是 AI 从输入中无法确定的要素一律显示为占位符不擅自编造。比如当事人统一社会信用代码没提供模板里就保留〔待补充〕标记提醒我手动填入。这个做法在案件材料不全的过渡阶段特别实用。4. 实测效果与日常复用经验4.1 法条速查的实测效率对比为了不靠感觉说话我专门做了一组对比测试。选取 20 个高频违法场景分别使用传统检索方式和 WorkBuddy Skill 方式查询法条记录耗时与准确率。最终结果传统方式也就是通过浏览器搜索和翻内部法规汇编平均单次查询耗时 8 到 12 分钟因为要在不同页面之间跳转和核对原文。使用 Skill 之后单次查询平均耗时 15 秒左右查询精度也稳定很多。20 个场景中Skill 给出的条款方向全部正确涉及具体罚款幅度的四条描述中有两条需要结合地方裁量基准微调其余可直接参考。这个数据不夸张。原因在于传统方式是全量搜索 人工判断Skill 方式是知识库定向检索 结构化输出。后者的数据组织方式天然适合高频、规则性强的查询场景。当然碰到个案复杂或者法规刚更新过的情形人工核验仍然不可替代。4.2 文书起草的实测效果文书起草方面我同样梳理了高频场景的耗时对比。以责令改正违法行为决定书和行政处罚事先告知书为例过去起草一份文书从回顾案情、翻找模板、修改格式、引用条款到完成初稿通常需要 40 分钟到 1 小时如果是复杂案件还要更久。使用 Skill 后只要我把违法事实描述清楚文书初稿生成时间在 3 分钟以内人工复核修改时间大约 15 到 20 分钟。整体算下来一个行政处罚案件从立案到做出处罚决定涉及的各类文书起草时间大概能压缩 60% 左右。时间主要省在搭建骨架和条款引用上这两件事恰恰是最容易出错、最需要仔细核对的部分。复核阶段我一点没敢省但因为有了合规的要素对照关系复核点从大段大段地找问题变成只看几个关键字段负担明显下降。4.3 同团队复用的要点与权限边界可复用是 Skill 机制的价值所在但复用不是把文件拷给别人就完事。我总结了三个复用要点第一知识库内容要按本地实际调整。不同地区的环保法规和相关的地方性裁量基准有差异法条库里要加入本地化内容否则异地复用会出现依据不准确的问题。第二文书模板要按本机关文书规范校准。不同单位的文书格式细节不同比如字号、字体、文号规则、固定表述方式。复用前需要先将模板与本单位的规范逐一对齐。第三使用权限和数据安全必须重视。生态环境执法文书涉及企业信息和案件数据如果 Skill 被放在共享位置或者多人同时使用可能带来信息泄露风险。我在实施时严格将 Skill 做了隔离部署仅允许获得授权的账号调用不把案件细节直接写入共享知识库涉及具体案件的信息在使用完即清理绝不在 Skill 中留存。这一点说开去也是我对AI 辅助执法这件事的基本态度Skill 可以帮我查得快、写得快但判断责任永远在自己手上。AI 是工具不是背书人。5. 常见问题与避坑记录5.1 法条版本更新怎么处理这是使用中最大的坑。环保法规更新频率不算低尤其是一些配套规章和裁量基准隔一两年就有调整。如果知识库里的内容跟不上更新节奏Skill 给出的条款就可能过时。我的处理办法是在 SKILL.md 的约束规则中写清楚法条内容更新日期字段每季度做一次法规核对将新增、修订和废止的信息同步到法条库。同时给法条库文件加上日期标记一旦检测到知识库文件的日期异常或者文件中包含待更新标记Skill 回复时会额外提示人工核实。这个机制避免了把过时条款当准确依据的风险。5.2 文书格式和要求不一致的问题另一个高频坑是不同阶段、不同科室的文书格式要求存在差异甚至同一个文书在不同街道大队的写法都不一样。起初我把模板做得很死导致生成的文书在某些场合被退回要求调整格式。后来我把模板拆成基础通用版和本地定制版基础通用版保留行政执法文书的核心要素本地定制版在前者基础上按本机关要求做格式微调。同时我在文书模板文件中加了一个格式说明章节把字体、字号、行距、落款位置这些细节统一写入保证 AI 生成的内容在格式层面尽量贴合规范。5.3 AI 幻觉和错误引用的拦截办法使用过 Agent 类工具的人都有体会AI 偶尔会一本正经地编出看似合理实则不存在的条款。这种事在执法文书里是致命的。我的拦截办法有三道第一道是数据侧拦截法条库中只收录经过核对的结构化条目不收录未经验证的网络信息。第二道是流程侧约束在 SKILL.md 中明确要求所有条款引用必须来自知识库原文若知识库中不存在匹配项必须明确说明未找到依据不得自行推断条款编号。第三道是输出侧校验在文书起草模块中强制加入违反条款与处罚依据成对校验环节检查两个法条的出处是否一致、环境要素是否匹配、法律名称是否完整。这三道拦截线配合起来我在实际使用中再没有出现过引用不存在条款的情况。5.4 数据安全与案件保密的操作细节执法案件的东西没有小事。我在使用初期考虑过把部分检查记录和案卷材料归档进知识库方便复用后来果断放弃了。原因是执法数据一旦进入 AI 工具的知识库等于扩大了数据的流转范围很难保证存储边界不到不可控的位置。我的原则是知识库只存法规和通用规范不存案件细节。涉及具体案件的数据每次使用时临时输入、用后清除。和同事共享这个 Skill 时也同步传递这个使用约定做到工具可以共享案件数据不出经办人。如果你所在单位对数据安全要求更严格建议先和本单位的信息化部门确认允许使用的工具范围和数据边界再决定是否落地。结尾一些实用建议做了这个 Skill 之后我个人最大的感受是工具的价值不在于新在于懂。法条速查和文书起草都不是多么高深的技术问题但它们足够高频、足够规则化所以值得花时间去优化。对一个基层执法人员来说省下来的时间可以投入到现场调查、证据固定和案情分析这些更有价值的工作里。如果你也想做类似的尝试我给你三个务实建议第一个从小切口开始。先挑一类使用频率最高的文书做法条速查跑顺了再扩展其他文书类型。不要一上来就想做一个万能执法助手那样大概率会陷入知识库越做越大、维护成本越来越高的困境。第二个知识库的知识要少而准。与其把几十部法律全文灌进去过一阵子后内容失真不如先把高频违法情形的对应条款做扎实定期更新维护。准确一条比模糊一百条有用得多。第三个保留人工复核环节。无论 Skill 设计得多好关键文书的最终审核必须由熟悉案情的执法人员完成。AI 生成的是草稿和辅助参考法律逻辑和事实认定终究要人来兜底。这个 Skill 我还在持续迭代后续计划把自由裁量基准的本地化计算也加进去让罚款建议区间更贴合本地执法实践。等迭代稳定后再来分享新版本的经验。