TaiLexi 法律資料庫 MCP：把台灣法學資料接進 Claude / ChatGPT 的 Agentic Research Loop
Legal AI / MCP / Agentic Research
TaiLexi 宣布可在 Claude、ChatGPT 等支援 MCP 的 AI 平台使用其法律資料庫。這件事的重點不只是「台灣法律資料可以被查到」，而是把法律檢索變成 AI agent 可反覆執行的研究迴圈：搜尋、閱讀、檢查、改關鍵字、沿著新爭點繼續深挖。
Threads 內容摘要
TaiLexi 表示，現在可以在 Claude、ChatGPT 等 AI 平台使用 TaiLexi 的法律資料庫。貼文指出，Claude Opus 4.8 本身很強，但缺少台灣法律資料庫；透過 MCP 設定後，模型就能查詢台灣法學資料。
實測中，Opus 4.8 會出現類似真人律師的研究行為：反覆輸入關鍵字查找，找到資料後立刻檢查，一篇一篇閱讀；在資料不足以回答問題前，會變換關鍵字或研究方向，持續 loop 到完成目標。
貼文也提到，Claude 在第一輪資料查完後，如果發現新的爭點，會沿著研究結果繼續往下深挖。這種行為接近真人律師的法學研究流程，但代價是非常消耗 token。TaiLexi 也測試讓 Opus 直接完成萬字起訴書與法學文章，模型在資料庫中閱讀數百篇相關法學資料後，產出充滿非幻覺引經據典的長文。
關鍵觀察：法律檢索最適合 agentic loop
留言中 arumwu 補充了一個重要觀察：這種 loop 設計的關鍵不是固定跑幾輪，而是讓模型自己判斷「找到的資料夠不夠回答問題」才停下來。法學查詢本來就適合這種設計，因為真正的答案常常藏在最初沒有想到的關鍵字裡。
| 傳統 RAG / 搜尋 | Agentic Legal Research Loop |
|---|---|
| 使用者給一組關鍵字，系統回傳若干文件 | 模型先查，再根據文件內容改寫下一輪關鍵字 |
| 搜尋結果通常一次性決定上下文 | 模型會檢查資料是否足夠、是否有新爭點 |
| 容易停在表面法條或少數判決 | 可以沿判決理由、爭點、學說與相關案例延伸 |
| 成本較可控 | token 成本高，尤其萬字書狀或法學文章會快速耗盡上下文 |
MCP 對法律 AI 的意義
資料庫不再只是網站
法律資料庫可以成為 Claude / ChatGPT 的工具層，讓使用者在原本 AI 對話中直接查詢法條、判決、函釋、文章或其他法學資料。
降低幻覺的第一步
法律工作最怕模型捏造判決字號、法條或錯誤解釋。MCP 讓模型能取得來源，至少把「無來源幻想」轉成「可追溯資料檢索」。
通用模型吃掉垂直產品前端
當 Claude / ChatGPT 成為主要工作介面，法律 AI 公司若只做聊天殼，會被通用模型壓縮；改做資料、檢索、評估與專業 workflow connector 反而更有位置。
成本與品質需要治理
深度 loop 會燒大量 token。實務上需要 stop condition、查詢預算、引用驗證、來源去重與人類審核機制。
相關生態：台灣法律資料 MCP 正在變多
這則貼文旁邊的相關討論顯示，台灣法律 AI / 法律資料 MCP 已經不只一個玩家：
- Lawbot AI：宣布支援 MCP，讓 Claude、ChatGPT 等支援 MCP 的 AI 工具可查詢法條、判決、函釋等台灣法律資料，並附帶來源。
- lawchat-oss/mcp-taiwan-legal-db：開源 MCP server，描述為「台灣司法院判決 + 全國法規資料庫 MCP server」，可讓 MCP AI agent 查詢台灣法律資料。
- Dr. Lawbot / 法律偵探：相關討論指出，法律 AI 的問題不只在判決召回，也在第二階段 LLM 解釋良率。
實務風險：有來源不等於可直接交付
- 引用正確 ≠ 解釋正確：AI 可能找到真的判決，但錯誤理解判決理由或適用範圍。
- 查得多 ≠ 查得準：讀了數百篇資料仍可能漏掉關鍵實務見解或最新法規變動。
- token 成本高：萬字起訴書、法學文章或深度爭點研究會快速消耗上下文與費用。
- 需要人類律師把關：書狀、法律意見與契約審閱仍應由專業人士確認，AI 適合做研究助手與初稿加速器。
適合的使用模式
- 先用自然語言描述法律問題與目標文件，例如爭點 memo、起訴書、答辯狀或法學文章。
- 要求模型先列研究問題與可能關鍵字，不要直接寫結論。
- 透過 MCP 查詢法條、判決、函釋、文章或相關資料。
- 讓模型逐輪檢查「資料是否足以回答問題」，不足時改關鍵字繼續查。
- 輸出時要求每個法律主張附來源、判決字號或資料連結。
- 最後由人類律師審核引用、論證與訴訟策略。