Harvey 是一款面向律所与企业法务部的 AI 法律助手，基于 OpenAI GPT 模型微调，覆盖合同审查、法律研究、尽职调查与诉讼准备等场景。

Harvey

Harvey 的核心参数与统计

项目	公开信息
官方定位	专为律师事务所打造的生成式 AI 法律工作台
基础模型	OpenAI GPT-4 系列微调（多层自定义推理架构）
交付形态	SaaS Web 应用 + API 接入
部署方式	云端 SaaS，支持私有化部署洽谈
主要客户	Am Law 100/200 头部律所、四大会计师事务所、企业法务部
融资轮次	累计约 1.06 亿美元（Sequoia Capital、OpenAI Startup Fund、Kleiner Perkins）
安全认证	SOC 2 Type II
支持语言	英语（美式/英式法律英语）
支持平台	Web
成立时间	2022 年

产品定位：Harvey 不是通用 AI 聊天工具，而是嵌入律所既有工作流的专业法律推理引擎。它不追求对话广度，而是在合同审查、法律研究、尽调对答三个垂直场景中做到可审计、可追溯、可定制的专业输出。这意味着它不适合个人消费者或偶尔的法律咨询，而是为每天处理数十份法律文档的专业团队设计。

模型策略：Harvey 采用「基座模型微调 + 多模型路由」的混合架构，在 GPT-4 基础上叠加法律领域专项训练，同时根据任务类型（合同问答 vs. 长文档摘要 vs. 判例检索）动态选择最优推理路径。这种架构使它在法律专业问答上的准确率显著高于通用模型，但代价是模型迭代依赖 OpenAI 的底层升级节奏。

数据边界：Harvey 当前仅支持英语，且训练语料以美国法和英国法为主，对其他司法管辖区的覆盖深度未公开。计划扩展多语言版本但暂无公开时间表。

Harvey 的用户与市场认可

Harvey 的市场认可不是通过公开用户量或开源社区热度体现，而是通过头部律所的收费签约和顶级风投的多轮重注来证明。

核心客户群：Harvey 已公开合作的客户包括 Allen & Overy（全球顶级律所）、Macfarlanes、O'Melveny & Myers（创始人原雇主）、以及普华永道 PwC 的法律业务部门。这些客户的特征是：年收入超 10 亿美元、内部已设有 AI 创新实验室、对技术采购有严格的合规与审计要求。与 Harvey 签约本身就是一种信任信号——意味着产品通过了对方信息安全尽职调查。

融资验证：Harvey 的融资路径清晰反映资本市场对其技术壁垒的认可——2022 年种子轮由 OpenAI Startup Fund 领投，2023 年 A 轮由 Sequoia Capital 领投，2024 年 7 月完成 1 亿美元 C 轮，估值达到 15 亿美元（独角兽）。三轮融资的领投方均为此前没有大量布局法律 AI 的顶级机构，说明 Harvey 在细分赛道中具有稀缺性。

行业对标：在法律 AI 赛道中，Harvey 与 Thomson Reuters 收购的 CoCounsel（原 Casetext）构成第一梯队。CoCounsel 的优势在于 Westlaw 数据库的整合深度，Harvey 的优势则在模型定制程度和端到端工作流覆盖。两者均处于商业落地早期，尚未出现一方压倒性胜出的格局。

落地前提：Harvey 的价值在律所真正将 AI 输出纳入正式工作流程后才能体现。如果团队仅将其作为辅助参考工具而不改变审阅流程，其投资回报率会大打折扣。已签约客户通常会在 3-6 个月内完成一个业务组的试点验证，再决定是否全所推广。

Harvey 的成本优势

Harvey 的成本结构不面向个人或小团队，其定价与企业级采购流程绑定，分为律所版、企业法务版和 API 接入三个层级。以下基于公开渠道可推演的成本框架，具体价格以官方商务报价为准。

成本：三层结构

层级	计费模式	目标客群	价格范围	隐性成本
律所版	按席位年费订阅	Am Law 律所、中型律所	未公开，需商务洽谈	最低席位要求通常不低于 50 席；内部推广与培训投入
企业法务版	按席位年费订阅	企业法务部（500 人以上）	未公开，需商务洽谈	数据驻留条款谈判、与现有 DMS（文档管理系统）集成本
API 接入	按 Token 用量 + 年框	有定制需求的合作伙伴	未公开，需商务洽谈	模型微调与 Prompt 工程维护持续投入

与传统法律工具的成本对比：传统法律研究工具如 Westlaw 或 LexisNexis 的年费在数千至数万美元每席位，但只提供数据库检索，不提供自动分析。Harvey 的席位费显著高于传统工具，但承诺减少初级律师在合同审阅和法律研究上的工时（参见「应用场景」章节的量化推演），理论上可在 6-12 个月内通过效率提升覆盖软件成本。

与竞品 AI 工具的成本对比：

对比维度	Harvey	CoCounsel (Thomson Reuters)	Luminance
定价模式	按席位年费，未公开	按文档量/席位，未公开	按文档量，未公开
免费试用	无公开免费版	无公开免费版	提供基础版演示
最低年费预估	极高（头部律所定位）	高（依托 Thomson Reuters 渠道）	中（面向中型企业）
数据驻留选项	可洽谈	可洽谈	支持本地部署
核心成本差异	模型定制成本分摊在席位费中	数据库授权转嫁	文档处理量计费

隐性成本：对律所而言，Harvey 的最大成本不是软件订阅费，而是工作流重组成本——需要修改内部审阅流程、定义 AI 输出的验收标准、培训律师如何正确提问和核验结果。此外，Harvey 不提供公开 API 文档或自托管路径，数据主权完全依赖厂商的云基础设施，这在高合规要求场景下需要额外谈判。

Harvey 的主要功能

Harvey 的功能体系围绕「法律文档理解」与「法律知识推理」两条主线展开，五个核心功能之间存在清晰的协同链路：

• 合同审查与风险识别：上传合同（PDF/Word）后，自动识别赔偿条款、终止条件、保密义务、管辖法律等关键条款，与用户预设的风险偏好对照，标注偏离项并给出修改建议。该功能与尽职调查模块共享条款解析引擎——律所在一笔并购交易中同时处理尽调文档和交易合同，问答记录和风险标签可在两个工作区之间复用，避免同一条款被重复分析。

• 法律研究与备忘录生成：基于自然语言提问（如「特拉华州法院在控制权变更条款上的最新判例倾向」），返回相关法条、判例摘要和权威法律评论，并附带引用来源（法官、案号、判决年份）。输出可直接作为法律研究备忘录的初稿。与传统 Westlaw 关键词检索相比，Harvey 的优势在于理解问题意图而非机械匹配关键词，减少律师在多个数据库之间切换的时间损耗。

• 尽职调查与交易对答：支持批量上传尽调文档（合同、财务报表、监管文件），自动提取关键数据点与异常条款，生成结构化摘要报告。交易双方律师可基于同一数据层进行对答——一方标注的问题自动同步到对方的审阅视图，替代传统「发邮件贴批注」的碎片化沟通模式。这一协同效应在并购交易的密集体（通常 4-8 周）中可显著降低沟通延迟。

• 诉讼策略与文书起草：从证据材料中自动提取关键事实时间线、当事人关联网络和核心争议点，协助律师构建案件叙事逻辑。在此基础上可生成起诉状、答辩状、质证提纲等文书的初稿框架。生成的文书不直接用于提交法庭，而是作为律师起草的起点，重点在于减少从零到初稿的时间消耗。据已签约律所公开分享的案例推测，文书初稿准备时间可从 3-5 天缩短至 4-6 小时。

• 合规监控与监管跟踪：订阅特定司法管辖区或行业的监管动态后，Harvey 自动扫描新发布的法规、指导意见与判例，标记与企业现有合规体系相关的变更点，并生成合规影响分析摘要。该功能与法律研究引擎共享语料更新管道，保持输出与最新法规基准一致。在跨境合规场景下，这一能力可替代部分外部律所的定期法律更新简报服务。

• 团队协作与知识资产沉淀：提供团队工作区，支持律师共享问答记录、标注审阅意见、创建标准条款库。每一条 AI 输出都可以被律师评分、修正和备注，修正后的版本自动纳入团队的知识库，用于优化后续同类问题的回答质量。这意味着律所使用 Harvey 的时间越长，其内部知识资产积累越多，在同类案件上的 AI 输出准确率也逐步上升。

功能联动总览：六大功能并非孤立模块，而是共享同一个「法律知识引擎」——合同审查中识别的风险条款可自动进入尽职调查的异常列表，法律研究的结果可直链到合同审阅的引用面板，团队知识库的修正数据反向回馈引擎的推理质量。这种「一次分析，多处复用」的设计是 Harvey 区别于单纯 GPT 包装器的核心差异。

Harvey 的模型与版本演进

Harvey 的版本迭代信息官方未完整公开，以下基于公开渠道的里程碑事件整理脉络：

主线版本

• v1.0（~2023-12）：初始商业版本，基于 GPT-4 微调，核心能力为合同问答与法律研究检索。首批签约客户为 Allen & Overy 和 Macfarlanes，作为「AI 法律助理」在内部试点。模型在法律 NER（命名实体识别）和条款分类上达到可用水平，但在长文档的跨页引用和多轮对话一致性上存在明显不足。

• v1.5（~2024-06）：引入文档批量处理能力和早期版本的尽职调查对答功能。模型从单一 GPT-4 微调演进为「基座模型 + 任务专用适配器」架构，合同审查与法律研究分别使用不同的推理路径。同时发布 SOC 2 Type II 认证，满足大型律所的信息安全准入门槛。

• v2.0（~2025-09）：Harvey Platform v2，官方已公开但未公布精确日期。主要变化包括：引入多模型推理架构（不再单一依赖 GPT-4），新增法律推理链解释功能（AI 输出附带推理步骤，供律师核验逻辑），推出团队协作工作区和知识资产管理功能。这一版本的架构变化意味着 Harvey 正在从「GPT 的垂直应用」向「自有的法律 AI 平台」过渡，降低对单一基础模型供应商的依赖。

候选验证

Harvey 未公开候选版本或 beta 版本信息，但业内推测 v2.0 之后团队正在推进以下方向：

• 多语言扩展（非公开，以官方发布为准）
• 私有化部署方案（面向政府机构和高度监管行业）
• 与主流律所管理软件（如 iManage、NetDocuments）的深度集成

版本策略分析

Harvey 的版本发布节奏约为 6-9 个月一个主版本，这与企业级 SaaS 产品的合规认证周期（SOC 2 重审、客户安全评估）密切相关。与消费级 AI 产品不同，Harvey 不能快速发布实验性功能——每一次模型更新都必须通过签约律所的回归验证，这决定了其版本迭代必然慢于通用 AI 产品，但稳定性要求更高。

Harvey 的技术优势

Harvey 的技术壁垒不在于模型参数量或训练数据规模，而在于「法律领域工程」的深度——如何把通用语言模型改造成可审计、可追踪、符合律师工作习惯的专业系统。

法律专用微调管道：Harvey 的训练数据以法律文档为主——合同、判例、法规、法律评论、监管指引，覆盖多个司法管辖区和业务领域。微调不是一次性行为，而是持续进行的管道：每次律所使用中产生的修正和反馈（律师对 AI 输出的评分和修改），经脱敏后进入下一轮微调循有。这种「使用中持续学习」的机制使模型在法律特定任务上逐步收敛到高准确率，代价是数据治理和隐私保护的工程复杂度显著高于通用模型。

多模型路由架构（v2.0+）：Harvey v2 不再单一依赖 GPT-4，而是在后台维护多个不同专长的模型实例——一个擅长合同条款分类，一个擅长判例摘要，一个擅长长文档问答。当用户提交任务时，路由层根据任务类型、文档长度、推理复杂度动态分配最适配的模型。这种架构的优势在于：不强制所有任务走同一个模型，减少不必要的 Token 消耗，同时为高精度场景保留强推理模型。

引用溯源与推理链展示：Harvey 的每一条法律输出都附带可点击的引用来源（具体判例案号、合同条款编号、法规章节）。v2.0 进一步引入推理链展示——AI 在给出结论前展示其推理步骤（例如「第 3.2 条的赔偿上限与第 7.1 条的管辖法律存在冲突，基于加州民法典 xxxx 条，建议将赔偿上限调整为…」）。律师可以核验每一个推理节点的准确性，而不是面对一个黑箱结论。这是 Harvey 在法律场景中区别于通用 AI 助手的核心功能——法律工作要求可追溯、可复核，纯概率输出不可接受。

安全与合规架构：Harvey 通过 SOC 2 Type II 认证，数据传输和存储均采用 AES-256 加密。客户数据隔离在独立的逻辑租户中，AI 处理日志保留期可配置，满足律所对客户保密义务和证据开示（discovery）的合规要求。对于高合规需求客户，Harvey 提供企业级审计日志，记录每一次 AI 请求的输入、输出和推理链路，便于内部合规审查和外部监管检查。

集成边界：Harvey 通过 API 与律所现有工具链对接，包括文档管理系统（DMS）、邮件客户端和项目管理平台。但 API 的开放程度和自定义能力未公开——律所无法自行添加新的连接器或修改 AI 的推理逻辑，所有定制化需求需通过 Harvey 的客户成功团队实现。这意味着 Harvey 的集成灵活性低于开源方案，但在安全性和可控性上有保障。

Harvey 的使用方式

Harvey 面向律所和企业的交付模式只有一种——云端 SaaS，通过 Web 浏览器访问。不存在公开注册、自助开通或免费试用的路径。

接入流程：律所或企业法务部联系 Harvey 销售团队 → 完成信息安全尽职调查（含 SOC 2 报告审阅、数据保护协议签署）→ 确定席位数量和部署配置 → IT 团队配置 SSO（支持 SAML/OIDC）和网络白名单 → 选定一个业务组启动试点（通常 1-3 个月）→ 基于试点结果扩展至全所。

界面使用路径：登录后进入工作台，主要操作界面包括三个核心区域：

• 文档上传区：支持拖放或批量上传合同PDF、邮件归档等文档格式，Harvey 自动解析并建立索引。
• 问答与对画区：自然语言输入法律问题，支持追问、引用跳转和答案导出。每条回答附带引用来源和推理链（v2.0 以上版本）。
• 项目工作区：按交易或案件组织文档、问答记录和标注，支持团队协作批注和版本对比。

典型操作步骤（合同审查场景）：

1. 在项目工作区创建新任务，上传合同文档。
2. 选择审查模板（如 NDAs、M&A 合同、服务协议），Harvey 自动运行条款识别。
3. 查看风险摘要仪表盘，展开每个风险项查看 AI 的解释和引用条款。
4. 对 AI 标注进行确认、修改或驳回，修正后的版本同步到团队知识库。
5. 导出审查报告（含 AI 标注、律师批注、引用来源），用于交付客户或存档。

集成方式：Harvey 支持通过 API 与律所现有系统对接，包括 iManage、NetDocuments、SharePoint、Outlook/Exchange。对接范围以官方客户成功团队提供的集成列表为准，不支持自行开发连接器。

Harvey 的产品定价

Harvey 不提供公开定价表或免费套餐，所有价格通过商务谈判确定。以下基于公开可推演的信息整理价格结构，具体以官方实时报价为准。

层级	计费模式	目标客群	公开价格	重点条款
律所版	按席位年费	Am Law 100/200 律所	未公开	最低席位要求通常不低于 50 席；合同期通常 1-3 年
企业法务版	按席位年费	500+ 人企业法务部	未公开	数据驻留条款可定制；审计日志保留期协商
API 接入	按 Token 用量 + 年框	战略合作伙伴	未公开	有最低年消费承诺；模型定制另议

与竞品的价格带对比（基于公开推演，非官方数据）：

产品	预估最低年费	覆盖范围	典型客群
Harvey	$50K+/年起（推测）	全功能 AI 法律工作台	Am Law 律所、四大
CoCounsel	$30K-$100K/年	AI 法律助手 + Westlaw 数据库	律所、企业法务
Luminance	$20K-$80K/年	AI 合同分析	中型企业、保险公司
Ironclad	$10K-$60K/年	合同生命周期管理	成长型企业

免费版的真相：Harvey 没有也不会提供免费版。其商业模式不支持自助体验——每次新客户接入都涉及安全尽调、模型定制和工作流配置，成本远高于自助 SaaS 产品。对此有预算限制的团队，建议先评估 Luminance 或 CoCounsel 是否能满足核心需求，再决定是否需要升级到 Harvey。

采购前需核验的条款：

• 最低席位要求是硬门槛还是可协商？
• 数据存储位置是否支持在客户所在司法管辖区？
• AI 训练数据是否包含客户的文档内容？（Harvey 公开声称客户数据不用于训练基础模型，但需在合同中确认）
• 退订时的数据迁移和删除流程如何执行？

Harvey 的应用场景

Harvey 的四个核心应用场景覆盖律所和法务部最高频、最耗时的三类工作。以下量化推演基于已签约律所公开分享的案例和行业基准数据，标注为推演值而非官方承诺。

场景一：大型律所的合同批量审查

Am Law 200 律所每年处理数千至数万份合同，初级律师和合同审核员的人工审阅时间平均为 2-3 天/份（包含阅读、标注条款、撰写审阅意见）。Harvey 的合同审查模块可在 5-15 分钟内完成一份标准合同的初步风险筛查和条款标注，律师只需核验 AI 标注的准确性和补充复杂判断。

• 量化推演：一家年处理 5,000 份合同的律所，人工审阅总工时约 10,000-15,000 小时/年。使用 Harvey 后，AI 完成初筛（缩减约 60-70% 的阅读时间），律师核验和做最终判断（约 30-40% 原时间），总工时降至约 4,000-6,000 小时/年。按初级律师的计费成本估算，年节省约 300-500 人天。
• 核验重点：AI 对高风险条款的漏检率、跨合同的一致注性、对非标准条款的处理能力。
• 人机协作边界：AI 执行 100% 自动化的条款提取和初步风险分类；律师负责复杂条款的判断（如赔偿条款的商业合理性）和最终签署。不可 AI 自动化的有节：涉及客户核心商业机密的条款审阅、跨司法管辖区的法律适用判断、需要行家判断的模糊条款。

场景二：企业法务部的法律研究与合规跟踪

企业法务团队每周需要回答业务部门提出的各类法律问题（如「在加州招聘远程员工需要遵守哪些法规」「我们的标准 NDA 是否覆盖了 AI 模型的数据使用条款」），传统做法是在 Westlaw 或 LexisNexis 中做关键词检索，平均每轮检索耗时 1-3 小时。

• 量化推演：每周 50 个法律研究问题，传统方式总耗时约 50-150 小时/周。Harvey 可将单轮检索时间压缩至 10-20 分钟（包括核验 AI 回答的引用来源），总耗时降至约 10-17 小时/周。对 10 人的法务团队，相当于每周释放约 30-130 小时的律师工时。
• 人机协作边界：AI 自动完成法规检索、判例比对和初稿生成（100% 自动化）；律师负责核验引用准确性、评估法律风险等级、决定最终法律意见（必须人工完成，不可授权 AI）。

场景三：并购交易的尽职调查文档对答

一笔中型并购交易涉及 500-2,000 份尽调文档，买卖双方律师需要逐份阅读、提取关键条款、交叉比对异常，并在密集体（通常 4-8 周）内完成多轮对答。传统流程中，尽调文档的人工梳理耗时约 200-400 小时/交易。

• 量化推演：Harvey 可在数小时内完成全部文档的条款提取和异常标注，将第一轮文档梳理时间压缩至 20-40 小时（AI 处理 + 人工核验）。后续的多轮对答可通过共享工作区同步，减少 50-60% 的沟通邮件往返时间。
• 核验重点：AI 在多语言文档（跨境交易中常见）中的识别准确率、对扫描 PDF（非 OCR 文本层）的支持程度、并行对答时的数据一致性。
• 人机协作边界：AI 自动化：条款提取、异常标注、摘要生成（100%）。人工必审：对异常条款的商业判断、反垄断和政府审批风险的评估、交易文件的最终签署。

场景四：诉讼案件的事实梳理与证据管理

大型商业诉讼涉及数百万页证据材料，律师团队需要从中提取关键事实时间线、人物关联关系和核心争议焦点。传统做法是多名初级律师逐页阅读并手动整理摘要，耗时以周计。

• 量化推演：处理 100 万页证据材料，传统人工梳理约需 8-12 周（10 人团队）。Harvey 可在 2-3 周内完成初步事实时间线提取和关键文档标注，后续 4-6 周用于律师核验和深度分析。总时间缩短约 40-50%。
• 人机协作边界：AI 自动化：时间线提取、实体关联分析、文档分类和优先级排序（100%）。人工必审：证据的关键性判断、证人证言的可信度评估、庭审策略的制定。

场景五：法规合规监控与差距分析

跨国企业需要持续跟踪多个司法管辖区的法规变更，并评估新规对现有业务的影响。传统做法是订阅外部律所的法规更新简报或购买合规数据库的监控服务。

• 量化推演：监控 5 个司法管辖区的法规变更（美国 SEC、欧盟 GDPR/ AI Act、英国 FCA、中国网安法、新加坡 PDPA），传统服务年费约 50-150 万人民币，且更新频率为月度或季度。Harvey 的合规监控模块可实时跟踪监管发布源，自动生成合规差距分析报告，推送频率可配置为每周或实时。
• 人机协作边界：AI 自动化：法规变更检测、与企业合规基线的差距分析、影响摘要生成（100%）。人工必审：差距分析的优先级排序、应对措施的商业可行性评估、向监管机构提交的正式报告（律师签署）。

Harvey 的适用人群

Harvey 的目标用户画像非常清晰——不是「所有需要法律帮助的人」，而是「每天处理大量法律文档的专业人士」。以下四类角色是核心适配人群：

• 大型律所的合伙人及律师：Harvey 最直接的价值在于将初级律师从重复性文档审阅中解放出来，使其专注于高价值的策略分析和客户沟通。合伙人可通过 Harvey 快速概览团队所有案件的合同审查状态，而不必逐份阅读。不适配边界：单干律师或 10 人以下小律所，年处理合同量低于 500 份的场景下，Harvey 的席位制成本无法通过效率提升回收。

• 企业法务部负责合规与合同管理的法务经理：法务经理面临的核心矛盾是「业务需求多、法务人手少、响应时间要求短」。Harvey 在合同快速审查和法律研究上的加速效果，可帮助法务部在不大幅增员的情况下提高服务容量。不适配边界：企业法务人数少于 5 人时，年费分摊到每人的成本极高，且流程复杂度不足以发挥平台级工具的规模效应。

• 并购交易律师与投资银行法务团队：在密集体交易中，时间就是交易成本。Harvey 的批量文档处理和协同对答能力直接切中「数百份文档、数十个参与方、数轮意见交换」的核心痛点。前置条件：交易方必须统一使用 Harvey 平台，否则对答协同优势无法发挥；跨境交易需确认 Harvey 对涉及语种的覆盖能力。

• 律师事务所的 IT 与创新负责人：律所的 IT 负责人面临「如何在合规前提下引入 AI」的问题。Harvey 的 SOC 2 认证、审计日志和数据隔离能力，使其成为合规风险最低的 AI 工具选项之一。不适配边界：如果律所的核心诉求是「让律师自由使用 ChatGPT」，Harvey 不是替代方案——它没有通用对话能力，也不开放 prompt 自定义。

• 监管合规负责人（企业侧）：需要持续跟踪多个司法管辖区法规变化、输出合规报告的团队，可借助 Harvey 的合规监控模块减少对外部律所简报的依赖。前置条件：企业内部已有成文的合规基线文件（如合规手册、风险登记册），否则 Harvey 的差距分析缺乏参照基准。

Harvey 的总结与展望

Harvey 是目前 AI 法律赛道中技术壁垒和客户门槛双高的产品。它的核心竞争力不是通用 AI 能力，而是在法律文档理解、引用溯源和推理链透明化三个方向上的深度工程投入——这让它区别于 GPT 包装器，但也决定了它的高定价和窄客群。

核心优势总结：

• 在法律专业微调深度上领先于通用模型和多数竞品，尤其在合同条款分类和判例摘要任务上表现突出。
• 引用溯源和推理链展示功能满足了法律行业「可追溯、可复核」的刚性需求，这是 AI 在法律场景落地的必要不充分条件。
• 融资背书和头部客户验证形成双重信任信号——律所签约 Harvey 本身就是对产品质量的间接证明，降低了后来者的决策风险。
• v2.0 的多模型路由架构降低了单一模型供应商依赖，为未来切换或混合使用多家模型预留了架构空间。

当前限制与不确定性：

• 语言与法域覆盖严重受限：仅支持英语，以美国法和英国法为主。对需要处理中文合同、欧盟 GDPR 合规或跨境交易（涉及多语种文档）的团队，Harvey 的可用性大幅下降。
• 定价与可用性不透明：无公开价格、无免费试用、无自助注册入口。对于未达到 Am Law 级别的律所或法务部门，采购 Harvey 的信息成本和沟通成本极高。
• 模型迭代节奏受制于合规流程：每一次模型更新需要客户回归验证，导致功能上线速度低于通用 AI 产品。追求最新模型能力的客户可能会感到迭代迟滞。
• AI 输出的法律效力尚未经受大规模司法检验：AI 生成的法律分析在不同司法管辖区的可采性边界模糊，律所在使用 Harvey 输出作为交付件时，仍需自行承担专业责任。

采购/采用风险评估：

• 如果团队是 Am Law 200 律所或 500+ 人企业法务部，且年处理合同量超过 2,000 份，Harvey 值得安排正式试点——建议选取一个业务组（如公司业务或知识产权组）进行 3-6 个月的对照测试，核验准确率、工时缩减幅度和团队采纳率，达标后再逐步扩展。
• 如果团队规模在 50 人以下、年处理合同量低于 500 份、或主要客户涉及非英语法域，建议优先评估 CoCounsel（Westlaw 集成优势）或 Luminance（文档处理计费更灵活），待 Harvey 推出多语言版本或更低门槛方案后再做决策。
• 无论选择哪个产品，合同中必须明确数据隔离方式、模型训练数据是否包含客户内容、以及退订时的数据迁移条款——这三项是法律 AI 采购中最常见的纠纷来源。

版本信息

• Harvey Platform v2 ：引入多模型推理架构，新增法律推理链解释与团队协作工作区。暂无官方精确日期。 （~2025-09）
• Harvey Platform v1 ：初始版本，基于 GPT-4 微调，支持合同问答与法律研究。暂无官方精确日期。 （~2023-12）