Menu
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。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
生成专业的法律结构可视化图，输出为自包含 HTML 文件（内嵌 SVG，浅色主题，适合打印和嵌入文档）。适用场景：(1) 用户要求"画结构图""生成可视化""做流程图""法律图示"时；(2) 涉及诉讼推理结构（当事人→证据→事实→法律→判决）；(3) 合同关系图（甲乙方权利义务、履约节点、违约责任）；(4) 法规程序图（申请→审查→决定→救济）；(5) 证据链图、请求权基础分析图、法律体系层级图。Use when the user asks for litigation flow diagrams, contract relationship diagrams, legal reasoning structure diagrams, evidence chain diagrams, or any legal visualization.
法律AI求职助手 - 帮助法律人（法务/律师）使用AI辅助求职。支持公司/律所调研、法律风险分析、网页简历生成、针对性材料准备、面试备忘录生成。具备MCP工具级降级能力，无MCP时自动使用Web Search。
合同生成技能，以资深法律专家身份生成完整合同。适用场景：(1) 用户要求'起草合同''生成合同''拟定协议''写合同''草拟合同'时；(2) 用户提供合同类型和交易信息，要求生成完整合同文本时；(3) 用户要求根据特定立场（甲方/乙方/买方/卖方/出租方/承租方）起草倾斜性合同时；(4) 用户要求将已有合同要点或业务条件生成为正式合同文本时。输出 Markdown 格式，可选导出 .docx。
Contract review skill that adds comment-based issue annotations without changing original text. Enforces a four-layer review (entity verification, basic, business, legal), writes structured comments (issue type, risk reason, revision suggestion) with risk level encoded via reviewer name, and generates a contract summary, consolidated opinion, and Mermaid business flowchart (with rendered image). Output language must follow the contract’s language.
广告合规审核技能，用于审核广告素材是否符合中国广告法及相关法规。适用场景：(1) 用户提交广告文案、广告素材要求合规审核时；(2) 用户提到"广告审核""广告合规""广告法审查"等关键词时；(3) 用户要求检查广告内容是否存在违法违规风险时；(4) 用户提交房地产、食品、医疗、药品、互联网等行业广告要求专项审核时。审核依据涵盖《广告法》《反不正当竞争法》及行业专项法规。
预包装食品标签合规审核技能，用于审核食品标签是否符合 GB 7718（预包装食品标签通则）和 GB 28050（预包装食品营养标签通则）。适用场景：(1) 用户提交食品标签图片、文字或文档要求合规审核时；(2) 用户提到"食品标签审核""标签合规""营养标签审查""GB 7718""GB 28050"等关键词时；(3) 用户要求检查食品标签是否存在缺项、错误或违规风险时。支持 2011 版和 2025 版标准。
| name | 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。 |
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。
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）：
| 颜色 | 色号 | 含义 |
|---|---|---|
| 🟢 绿色 | #27AE60 | 安全/较低（1-2级） |
| 🟡 黄色 | #F39C12 | 关注/中等（3级） |
| 🔴 红色 | #E74C3C | 警戒/较高（4-5级） |
| 🔵 蓝色 | #3498DB | 可干预节点 |
| ⚫ 灰色 | #95A5A6 | 待确认关系 |
从文本中识别以下类型的表述，每个表述对应一个风险节点：
| 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" |
输出节点列表，每个节点包含：
将每个节点归类为以下四种类型之一：
| 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 |
通过逻辑连接词识别直接因果关系：
显式因果 → 高置信度 ●●●
参考 references/causal-patterns.md 识别三种隐含模式：
| 传导类型 | 系数 | 适用场景 |
|---|---|---|
| 强传导 | 0.9 | 前因几乎必然导致后果 |
| 中传导 | 0.6 | 前因大概率导致后果 |
| 弱传导 | 0.3 | 前因可能导致后果 |
| 条件传导 | 0.1-0.9 | 取决于特定条件 |
为每个节点评估四个属性（0-1 范围）：
| 属性 | 含义 |
|---|---|
| 发生可能性 | 该风险发生的可能性 |
| 影响严重性 | 该风险造成的损害程度 |
| 可干预程度 | 当事人可干预的程度 |
| 可补救程度 | 风险后果可修复的程度 |
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)
必须在附录中展示每个节点的完整计算过程。
传导风险值 = 起点风险指数 × ∏(边权重_i)
处理规则详见 references/formulas.md：
识别以下四类关键节点：
| 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 |
关键路径 = 从根节点到叶节点的所有路径中传导风险值最大的路径。
所有数据均从第三层（影响路径图）派生。
等级 = ceil(传导风险值 × 4) + 1，上限 5
取所有叶节点（终端风险），生成 matplotlib 四象限散点图：
数据格式（传给 render_risk_matrix.py）：
[
{"name": "节点名称", "p": 0.9, "i": 0.6, "score": 0.34},
...
]
生成 Mermaid 流程图，遵循以下规则：
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
图下方添加中文图例：
图例说明： 🔴 红色 = 风险源头 | 🔵 蓝色 = 中间环节 | 🟠 橙色 = 风险后果 | 🟣 紫色 = 业务影响 | 粗线 = 强传导关系 | 虚线 = 待确认关系
基于可干预节点（可干预程度 > 0.3）生成 Mermaid 决策树。
菱形判断节点使用是非问答形式（非阈值数值）：
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
每个判断节点：
"是" / "否"使用 assets/report-template.md 模板生成完整 Markdown 报告。
报告结构（面向两类读者的分层设计）：
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）
关键输出原则：
画布尺寸动态计算规则：
Mermaid 图表渲染时需要根据节点数量动态调整画布尺寸，避免字体重叠：
| 节点数量 | 建议画布尺寸 | 适用场景 |
|---|---|---|
| ≤ 8 个节点 | 1200 x 900 | 简单流程 |
| 9-12 个节点 | 1600 x 1200 | 中等复杂度 |
| 13-16 个节点 | 2000 x 1500 | 较复杂 |
| > 16 个节点 | 2400 x 1800 | 高复杂度 |
注意： 中文文字比英文更宽，建议在上述基础上增加 20% 宽度。
在输出目录中生成 4 张 PNG 图片：
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
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
impact_pathway.png
impact_pathway.mmd# 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
decision_tree.png
decision_tree.mmd# 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
在 Markdown 报告中嵌入图片引用：
输出目录包含：
）risk_radar.png — 风险雷达图（matplotlib 生成，含色带背景和等级标签）risk_matrix.png — 风险矩阵四象限图（matplotlib 生成，全中文标签）impact_pathway.png — 影响路径有向图（Mermaid graph TD，简化节点和边标签）decision_tree.png — 决策树（Mermaid graph TD，是非问答形式）| 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 |
完整端到端案例见 references/case-example.md。
该案例演示了从"技术服务合同纠纷"原始法律分析文本，经过 7 步工作流，生成包含 7 个节点、2 条路径、完整四层输出的风险可视化报告的全过程。