legal-risk-visualization

法律风险结构化分析与可视化。基于法律分析文本，执行五步风险抽取模型，生成四层可视化输出（雷达图数据、风险矩阵、影响路径图、决策树）。适用于：(1) 用户提供法律分析报告要求风险可视化， (2) 要求风险结构分析或风险传导分析， (3) 要求生成风险决策建议或风险评估报告， (4) 提到"风险雷达图""风险矩阵""影响路径图""决策树"等关键词。

Jump to install

Repository: ThomasMoreAI/legal-skills-open
Last source activity: June 1, 2026 at 17:27
Detected SKILL.md language: Chinese
Stars: 40
Forks: 4

Install options

The review-first prompt is selected by default. You can switch to a direct command or download a local copy.

Review the source files

Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.

Back to search Back to installation

name	legal-risk-visualization
title	Legal Risk Visualization
description	法律风险结构化分析与可视化。基于法律分析文本，执行五步风险抽取模型，生成四层可视化输出（雷达图数据、风险矩阵、影响路径图、决策树）。适用于：(1) 用户提供法律分析报告要求风险可视化， (2) 要求风险结构分析或风险传导分析， (3) 要求生成风险决策建议或风险评估报告， (4) 提到"风险雷达图""风险矩阵""影响路径图""决策树"等关键词。
author	zh-xx
author_url	https://github.com/zh-xx/legal-assistant-skills/tree/main/legal-risk-visualization
license	Apache-2.0
version	0.1.0
execution_mode	open
jurisdiction	general
practice	general
language	zh

Legal Risk Visualization

Overview

输入： 法律分析文本（简要或详尽均可）
输出： 结构化风险分析报告（Markdown 格式 + 4 张 PNG 图片）
报告语言： 始终中文
核心理念： 第三层（影响路径图）为唯一数据源头，其他三层从中派生
渲染工具： matplotlib（雷达图、风险矩阵）+ mmdc（Mermaid 影响路径图、决策树）
读者定位： 法律人 + 业务决策者，报告主体不使用工程化缩写

本 skill 将线性法律分析文本转化为网络化风险结构，支持内部决策与系统化风险管理。

不是简单风险评分工具，而是法律推理结构的可视化表达系统。

术语规范

全技能范围内使用以下中文术语，主报告中不使用英文缩写：

术语	含义	仅附录中可出现的缩写
风险指数	单节点综合风险评分	NRS
传导风险值	沿路径累积的风险	PCR
发生可能性	该风险发生的概率	P
影响严重性	该风险造成的损害程度	I
可干预程度	当事人可主动干预的程度	C
可补救程度	风险后果可修复的程度	R

节点类型在图表中使用颜色 + 图例区分，不在节点文本中显示类型标签：

内部分类	图表显示标签	颜色
事实节点	风险源头	🔴 红色 `#E74C3C`
法律判断节点	中间环节	🔵 蓝色 `#3498DB`
风险结果节点	风险后果	🟠 橙色 `#F39C12`
商业影响节点	业务影响	🟣 紫色 `#9B59B6`

边标签简化规则（数值权重仅保留在附录）：

传导强度	图中表现	附录中完整标注
强传导	粗箭头 `==>`	强因果 0.9
中传导	普通箭头 `-->`	中因果 0.6
弱传导/待确认	虚线 `-.->` + `"待确认"`	弱因果 0.3

统一配色方案（全部图表一致）：

表述类型	识别特征
风险描述	"存在…风险""可能面临…"
不确定性判断	"尚不明确""有待确认""存在争议"
可能后果	"可能导致""将面临""后果为"
条件触发语句	"若…则…""一旦…就…""在…情况下"

类型	定义	典型特征	图表标签	颜色
事实节点	客观存在的状态或条件	合同条款、已发生事件	风险源头	🔴 红色
法律判断节点	需要法律推理才能确定的判断	责任认定、合规性判断	中间环节	🔵 蓝色
风险结果节点	最终的法律后果	赔偿、处罚、判决结果	风险后果	🟠 橙色
商业影响节点	对业务运营的实际影响	资金流、声誉、运营	业务影响	🟣 紫色

风险指数 = 发生可能性 × 影响严重性 × (1 - 可干预程度) × (1 - 可补救程度)

传导风险值 = 起点风险指数 × ∏(边权重_i)

节点类型	识别标准	意义
根源节点	入度 = 0	风险源头
放大节点	高出度的分叉点	风险扩散器
可控节点	可干预程度 > 0.3	优先干预目标
关键路径节点	位于最大传导风险值路径上	核心传导链

等级 = ceil(传导风险值 × 4) + 1，上限 5

[
  {"name": "节点名称", "p": 0.9, "i": 0.6, "score": 0.34},
  ...
]

graph TD
    %% 节点格式：去掉类型标签，仅保留简短描述
    %% N1["新规扩展假期天数"]（不再写"事实节点"）

    %% 边标签简化：
    %% 强传导：==>（粗箭头，无文字）
    %% 中传导：-->（普通箭头，无文字）
    %% 弱传导/待确认：-.->|"待确认"|

    %% 使用 subgraph 分组：
    subgraph 风险源头
        N1["新规扩展假期天数"]
    end
    subgraph 中间环节
        N2["..."]
    end
    subgraph 风险后果
        N5["..."]
    end
    subgraph 业务影响
        N6["..."]
    end

    %% 节点着色（按类型）：
    %% 风险源头：fill:#E74C3C,stroke:#333,stroke-width:2px,color:white
    %% 中间环节：fill:#3498DB,stroke:#333,stroke-width:2px,color:white
    %% 风险后果：fill:#F39C12,stroke:#333,stroke-width:2px,color:white
    %% 业务影响：fill:#9B59B6,stroke:#333,stroke-width:2px,color:white
    %% 关键路径边：stroke:#E74C3C,stroke-width:3px
    %% 待确认边：stroke:#95A5A6,stroke-dasharray:5

graph TD
    D1{"公司假期制度是否<br/>已按新规更新？"}
    D1 -->|"是"| A1["无需行动"]
    D1 -->|"否"| A2["建议尽快更新制度"]

    %% 行动节点交通灯色：
    %% 绿=无需行动：fill:#27AE60,color:white
    %% 黄=建议行动：fill:#F39C12,color:white
    %% 红=紧急行动：fill:#E74C3C,color:white
    %% 菱形节点：fill:#3498DB,color:white

一、风险概览        ← 决策者看这里（1页，交通灯摘要表 + 雷达图 + 核心建议）
二、核心发现与建议   ← 决策者+法律人（叙事式风险发现，非节点表格）
三、风险全景图      ← 两类读者（4张图 + 每张图前一句中文引导语）
四、风险情景分析    ← 法律人用来讲故事的场景推演
五、行动方案        ← 两类读者（含负责部门、建议时限、预期效果）
附录：分析方法与计算详情 ← 仅法律专业人员参考（公式、完整计算过程）

第一层雷达图 → risk_radar.png

python3 ~/.claude/skills/legal-risk-visualization/scripts/render_radar.py \
  --data '{"维度1":分数, "维度2":分数, ...}' \
  --output <输出目录>/risk_radar.png

第二层风险矩阵 → risk_matrix.png（使用 matplotlib，非 Mermaid）

python3 ~/.claude/skills/legal-risk-visualization/scripts/render_risk_matrix.py \
  --data '[{"name":"节点名称","p":0.9,"i":0.6,"score":0.34}, ...]' \
  --output <输出目录>/risk_matrix.png

第三层影响路径图 → impact_pathway.png

将 graph TD Mermaid 代码写入 impact_pathway.mmd
调用渲染脚本（根据节点数量动态设置尺寸）：

# 影响路径图节点数量通常在 8-14 之间，建议使用 1600x1200
python3 ~/.claude/skills/legal-risk-visualization/scripts/render_mermaid.py \
  --input <输出目录>/impact_pathway.mmd \
  --output <输出目录>/impact_pathway.png \
  --width 1600 --height 1200

第四层决策树 → decision_tree.png

将 graph TD Mermaid 代码写入 decision_tree.mmd
调用渲染脚本（根据节点数量动态设置尺寸）：

# 决策树节点数量通常在 6-12 之间，建议使用 1400x1000
python3 ~/.claude/skills/legal-risk-visualization/scripts/render_mermaid.py \
  --input <输出目录>/decision_tree.mmd \
  --output <输出目录>/decision_tree.png \
  --width 1400 --height 1000

工具	用途	安装方式
matplotlib	雷达图和风险矩阵渲染	`pip3 install matplotlib`
numpy	雷达图色带渲染	`pip3 install numpy`（通常随 matplotlib 安装）
mmdc (mermaid-cli)	Mermaid 图渲染（影响路径图、决策树）	`npm install -g @mermaid-js/mermaid-cli`
Chrome/Chromium	mmdc 的浏览器后端	macOS 自带或手动安装