菜单
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。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/ThomasMoreAI/legal-skills-open --skill legal-risk-visualization命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| 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。