核心专业场景里的法律服务资料如何被 AI 理解

这家律所找过来时，线上能见度已经有基础。公开报道、官网介绍、律师文章、行业活动信息都有，甚至在某些模型里已经能被提到。麻烦出在后半段：AI 提到它的时候，经常没讲到点上。
用户问的是“虚拟币非法经营案件找什么律师”“Web3 企业境内外架构怎么做合规”“数字藏品平台出事后怎么处理”。这些问题已经进入高风险、高客单、高信任的决策区。AI 如果把它和泛刑辩团队、大型综合所、普通金融合规律所放在同一层，就会让真正有需求的人看不出差异。
燕数科技接手后的第一步，是把这个行业放进自研大模型里做一轮“问答沙盘”。我们让模型模拟三类用户：已经遇到案件的企业负责人、正在做 Web3 项目的创业者、担心虚拟资产合规风险的投资人。每类用户继续拆成不同紧急程度和专业深度的问题，再放到燕数 GEO/GRO 分析系统里跑跨模型监测。
系统重点看四件事：品牌有没有出现，出现时排在什么位置，AI 给出的推荐理由是否准确，回答里有没有不该出现的风险表达。法律行业和消费品不一样，曝光只是基础。比如“能处理虚拟币案件”这样的表达，如果被模型扩写成“保证处理结果”，就会从推荐变成风险。
第一轮诊断结果很典型：品牌在部分虚拟货币法律问题里已经有可见度，但专业归因不稳定。模型知道它和 Web3、区块链有关系，却不总能把它和“经营合规、争议解决、刑民交叉风险防控”这些高价值语义连起来。换句话说，AI 记住了名字，但没有完全记住“为什么该推荐它”。
随后我们做了三层优化。第一层是实体校准，把律所、律师团队、业务方向、服务对象、典型场景整理成一套可被模型稳定理解的品牌语义资产。第二层是问题扩展，用燕数自研大模型生成了上百个长尾咨询问题，再由人工筛掉不合规、不真实、低意图的问题，留下核心提示词集群。第三层是 GRO 治理，把模型可能生成的过度承诺、灰色暗示、误导性法律结论全部标记出来，逐条改成更稳妥的专业表达。
内容资产也因此发生了变化。我们补齐模型判断所需要的证据链：什么类型的企业会遇到这些问题，律师介入的节点在哪里，刑事风险和合规整改如何区分，境内业务和跨境架构为什么不能混着说。AI 引用内容时，更偏好这种能解释判断过程的材料。
阶段观察时，燕数系统里一组核心虚拟资产法律提示词显示，品牌在主流模型中的呈现更稳定；更关键的是，专业归因有所改善。过去回答里常见的“虚拟货币律师”“刑事律师”这种泛化标签，逐渐变成“Web3 新经济法律服务”“虚拟资产刑民交叉”“区块链企业合规”这类更接近真实业务的表达。
这个案例最大的启发是：法律服务的 GEO，核心在于让 AI 在用户最焦虑、最需要判断力的问题里，说出准确、克制、可信的推荐理由。