事件概述

OpenAI News 于 2026 年 9 月 23 日发布了一则创业公司案例，介绍法律 AI 公司 Harvey 与 GPT-6 Astra 的结合。

根据原文，Harvey 帮助律师事务所和企业内部法务团队在复杂法律工作流中安全部署 AI，覆盖从诉讼到并购等场景。其客户使用 Harvey 将大量信息转化为复杂的法律文档。接入 GPT-6 Astra 后，Harvey 能够在起草过程中引入更多上下文，并生成结构更完整的输出。

Harvey 联合创始人兼总裁 Gabe Pereyra 在原文中的表述是：

“We can give more context to the model and produce better and better structured outputs.”

原文同时标注了该案例的基本信息：公司规模为 Startup，地区为北美，行业为 Technology，所用产品为 API。

关键技术点

原文披露的技术信息相对克制，可归纳为以下几点：

1. 多源法律上下文的注入

Harvey 使用 GPT-6 Astra 帮助律师对构成某个案件/事项的信息进行分析、综合和起草，这些信息包括法院信息、律所文档、判例法研究以及其他法律上下文来源。也就是说，模型的输入并非单一文本，而是围绕一个 matter 汇聚的多源材料。

2. 文档格式化与上下文感知的提升

原文称，与其他模型相比，Harvey 观察到 GPT-6 Astra 在文档格式化和上下文感知方面有显著改进，从而帮助客户获得更完整、更能反映底层材料的文档。注意，原文并未给出具体的量化评测指标、对比模型清单或基准名称。

3. 偏好记忆面板（memory panel）

Harvey 的 memory panel 将律师的个人偏好直接带入起草工作流。原文给出的偏好示例包括：

  • 使用编号列表
  • 优先将 EDGAR 作为来源
  • 按优先级对问题做颜色标注

这些偏好会与源材料和草稿备忘录并列呈现，让律师能更清晰地引导输出。

4. 交付形态

原文在产品一栏标注为 API，说明 Harvey 是通过 OpenAI 的 API 将 GPT-6 Astra 集成进自身产品，而非直接面向终端用户分发模型。

需要说明的是，原文未说明 GPT-6 Astra 的上下文窗口长度、模型架构、参数规模、定价，也未说明 Harvey 的 memory panel 具体如何存储与持久化偏好、是否跨会话生效、偏好与检索流程如何交互。

对数据科学或 AI Agent 落地的意义

第一，垂直领域 Agent 的竞争力正在从“模型能力”转向“上下文工程”。 Harvey 的价值主张不是让模型凭空写合同，而是把法院信息、律所文档、判例研究等材料组织好、送进模型。对多数企业级 Agent 而言，真正的工程难点在于上下文的采集、筛选、排序与呈现，模型只是链条中的一环。

第二，偏好显式化是一种低成本、高可控的个性化路径。 与其依赖模型从历史行为中隐式推断用户偏好，Harvey 选择让律师主动编码规则（编号列表、来源优先级、问题着色）。这种做法在合规敏感行业尤其重要——偏好是可见的、可审计的、可修改的，而不是埋在权重或隐向量里。

第三，“源材料 + 偏好 + 草稿”三栏并列的交互形态值得借鉴。 它把 AI 输出从黑箱结论变成可追溯的中间产物，律师能在同一视图中看到证据来源、自己的约束条件以及生成结果。对金融、医疗、政务等同样强调可解释性的场景，这种界面模式具备可迁移性。

第四，人的角色被明确收窄到策略层。 原文反复强调“让客户把更多时间花在策略上”。这暗示了一条务实的分工边界：结构化、格式化的文书生产交给模型，判断、取舍与责任仍由专业人士承担。对 Agent 产品设计而言，这意味着要慎重决定哪些环节自动化、哪些环节必须保留人工确认。

我的技术点评

这则案例最值得注意的不是“又一个法律 AI 用上了新模型”，而是它暴露出的产品哲学：把上下文和偏好当作一等公民来管理。

大多数团队的 LLM 应用仍然停留在“拼 prompt”阶段，上下文靠临时拼接，个性化靠自然语言叮嘱。Harvey 把两者都做成了产品里的显式对象——源材料是一个面板，偏好是另一个面板，草稿是第三个面板。这种结构化的做法，本质上是在为模型输出建立可验证的前提条件。当输出质量出现问题时，团队能定位到底是源材料没给全，还是偏好没生效，而不是陷入无休止的 prompt 调优。

不过也有几点需要保持冷静。

其一，原文的信息量偏少。所谓“substantial improvements in document formatting and context awareness”没有附带任何可复现的评测数据，属于典型的厂商案例叙事。格式化能力提升相对容易验证，但“上下文感知”究竟指什么——是引用更准确、遗漏更少，还是对长文档的中间部分检索更稳——原文未说明。在法律这种错误代价极高的领域，没有公开评测的“更好”需要谨慎对待。

其二，memory panel 的设计存在一个经典张力：显式偏好可控，但维护成本高；偏好项一多，律师可能既不想逐条配置，也无法预期规则之间的冲突（比如“优先 EDGAR”与“优先近期判例”同时触发时谁说了算）。原文未说明 Harvey 如何做偏好冲突消解或优先级排序。

其三，把更多上下文塞进模型并不自动等于更好的输出。长上下文场景下的“lost in the middle”和噪声干扰是已知问题，能否真正受益，取决于检索与排序的质量。原文未披露 Harvey 的检索架构，这一环的贡献被完全归给了模型端的上下文处理能力，判断时应当打折。

总体而言，这是一个方向正确、细节留白的案例。对做垂直 Agent 的团队来说，可以借鉴的是“上下文对象化 + 偏好显式化 + 输出可追溯”这三点产品结构，而不是简单地把“换更强的模型”当作解法。

原文链接

https://openai.com/index/harvey-from-context-to-confidence-with-astra