메뉴
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。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/ThomasMoreAI/legal-skills-open --skill legal-risk-visualization명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
Use when retrieving arbitration institutional rules (ICC, LCIA, SCC, SIAC, HKIAC, VIAC, МКАС/МАК при ТПП України, UNCITRAL) — fetching current version, verifying redaction applicable to the date of arbitration agreement, constructing URLs for official rule texts
Use when choosing the Polish legal regime for letters, requests, applications, complaints, petitions, public-information requests, KPA filings, PPSA complaints, RODO access requests, registry extracts, court-file access, tax/ZUS/cudzoziemcy/USC procedures, or professional lawyer letters. Prevents mixing UDIP, KPA, PPSA, RODO, registry, special-procedure, and advocate/radca letter regimes.
Use when preparing applications for recognition and enforcement of foreign arbitral awards in Poland, applications for setting aside arbitral awards under KPC art. 1205–1211, or opposing such applications — mapping Article V of the 1958 New York Convention to art. 1214–1215 of the Polish KPC, identifying grounds for refusal, structuring public policy arguments
SOC 직업 분류 기준
SKILL.md 표시 중
| 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 |
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。