Harvey，这款由红杉加持、OpenAI投资的法律AI，不仅以惊人的融资节奏跃升为独角兽，更在产品结构、数据闭环与行业深度上树立了垂类智能体的新标杆。本文将以Harvey为样本，深入解析垂直Agent的构建逻辑与商业潜力，为你揭示下一代AI产品的破局之道。

前两天介绍了医疗AI中的明星产品OpenEvidence，其实当时被红杉吹捧的不只是他，还有个法律Agent产品Harvey：

如果打开这个产品，再结合OpenEvidence的实现路径，大家可能就会发现数字分身类AI项目很多共同的特点了。

Harvey AI 创始人是一对KnowHow + 技术的经典组合，由行业专家（律师）以及AI技术专家组成，旨在打造专为法律专业服务智能体平台。与OpenEvidence一致，他们也成立于2022年，属于ChatGPT第一批受益者。

市场方面对其前景高度认可：

• 2023年12月B轮融资8000万美元，估值7.15亿美元；
• 2024年7月C轮融资1亿美元，估值15亿美元；
• 2025年2月D轮融资3亿美元，估值30亿美元；
• 2025年6月E轮融资3亿美元，估值50亿美元；

可以看到，比之OpenEvidence的60亿估值，Harvey是不遑多让，截至2025年第三季度，他们已经实现了数千万美元收入。

进一步，他存在的意义也很简单，就是降本增效。法律行业文书量巨大且高度专业，律师需花费大量时间在审查合同、法律检索和文书起草上等工作上。

Harvey AI诞生的核心原因是解决现有大模型在法律专业场景中的不足，尤其是“幻觉”问题。其实对于数字分身AI来说，来源可靠、可追溯几乎是通用要求了。

实现路径方面也是老三样，通过构建专门的法律知识库，使得AI回答附带完整来源引用，极大提高了答案可信度。

最后，专业的法律人员总是稀缺，Harvey的出现也迎合了市场之于降本增效的需求，所以越来越多的客户和企业要求律师使用AI工具。

接下来，我们来看看具体的产品结构：

一、产品功能

Harvey的产品由多个协同模块构成，其中包括法律助手、文件仓库、知识检索和工作流等核心功能：

法律助手提供对话式界面，可在Word、Outlook等应用内询问法律问题、起草文件或分析案件事实，这是属于标准的基于知识库的AI“文书”生成功能；

文件仓库允许批量导入大量文件，自动提取关键条款并进行集中式审查；

知识检索模块支持用户针对复杂法律、监管、税务问题进行深入检索，自动返回带有出处引用的答案，涵盖全球法规、案例和业内最佳实践；

工作流模块则是一套可视化的自动化流水线设计工具，律师可无需编程知识即可串联多个AI任务，如自动翻译、信息提取、批量起草…

例如，用户可以设计一个“合同尽职调查”工作流，由Harvey自动依次提取合同要点、核对标准条款并生成报告；也可使用Harvey预置的NDA审核工作流，大幅缩短了初始审查时间；

Harvey还与微软Office 365深度集成：在Word中嵌入了Harvey的AI撰写和检查插件，在Outlook中可快速生成或回复邮件，并能将SharePoint中的历史文件同步至Harvey环境进行查找。

这里我知道大家理解得懵懵懂懂的，这里需要举个例子：

二、法律版Coze

Harvey 在产品模块设计上与国内Coze 有不少相似之处，但又更贴合法律行业的需求。最大不同来源于两点：它内置了大量法律知识库、使用了训练的法律模型。

所以，他所谓端到端的低代码工作流构建环境，满足律师事务所定制化的业务流程需求。其实是因为他是一个法律行业专属的智能体平台：既有 Coze 式的可视化工作流机制，又有很多法律插件，还利用专业法律语料和规则大幅降低了常见的“幻觉”风险。

所以，这东西跟之前的OpenEvidence还真的有所不同，OpenEvidence更加2C一点，Harvey 貌似企图让各个律师上传自己的工作流与数据？

就如业界观点，在企业级市场上，垂直领域的智能体OS（如法律行业的 Harvey）更能听懂行业语言、理解真实需求：

懂行的同学都知道，工作流平台这东西不重要（工作流重要），所以Harvey 最有特色的部分是其知识库模块，整个系统设计围绕法律场景展开。Harvey 的法律研究功能能够检索并分析法律内容，本身就是非常好的知识库应用，甚至可以单拎出来使用。

比如，当律师在系统中询问复杂的法规问题时，Harvey 会返回包含完整出处链接的答案。当知识不足时，可以由文件仓库模块补足文件，由此建立私人法律知识库。

再匹配其专有训练过的大模型，于是产品专业度会提升不少，只不过我这里其实有些质疑其是不是仅仅是早期训练过模型，因为现阶段其实是不太训练的了。

综上，虽然在功能上可能与Coze、Dify类似，但从定位上Harvey属于法律助手类协同平台，具体来说差异体现在数据，这里有很多是Dify这类平台做不到的，比如：

三、生态情况

Harvey 与 LexisNexis 宣布战略联盟，把 初级法 直接集成到 Harvey 里，用于检索与可验证引用，规避“爬网页”式来源；

同时，Harvey 有可能是OpenAI早期的数据供应商，他早期与OpenAI、PwC等合作，开发了针对美国案例法的专用模型，在GPT-4之上注入了十亿级别的法院判决文本，显著提高了复杂法律问题的准确性。

简单来说，Harvey是一家在法律领域相当有底蕴的团队，比如他们和微软办公体系结合得很深，很多客户选择Harvey除了因为其高度定制化的法律大模型、结果的可验证性；然后就是他可以与现有办公系统的无缝集成…

所以，Harvey是吃了渠道流量的红利啊，这也体现出了其巨大的生态优势。

再者，因为其2B工作台的特性，商业模式其实也比较固定，无非是订阅费乃至为大客户定制模型和工作流的工程服务费。

只不过，随着用户量增加，其可以完成的撮合交易特性也在体现，活脱脱有将自身变成法律品类某个流量撮合平台的趋势：与律所合作开发的工作流（如A&O Shearman的ContractMatrix、Macfarlanes的Amplify）对外商业化，律所和Harvey按比例分享收益。

最后，我们聊聊国内对标：

四、国内情况

国内的话，也不是没有法律相关的产品，比如：AlphaGPT、法狗狗、契约锁等，完成功能也很常见，包括同审查、法律文书起草、法律咨询、案卷阅读、案情分析等。只不过DeepSeek尤其是R1这东西的幻觉率，懂的都懂。

而且简单看看其融资情况：iCourt AlphaGPT 没找到融资数据；法狗狗最近的融资要到2017年的数千万了；契约锁也要到2021年，数字未知；好一点的是幂律智能，做合同AI/法律AI的，23年融资近8000w；

我们只从资本层面来说很难产生直接的对标产品，因为法律场景不像医疗那么“有钱”（百川智能还是花了不少钱），而且只要占领入口广告都可以赚很多（比如百度）…

综上，国内尚无产品能在功能深度与数据基础上完全匹配Harvey。

其背后原因，我觉得核心还是在于数据，但并不是数据难以获取的问题，其实数据安全这块走展空间很大，只不过症结点可能在于标注难度高！

并且就我去年接触下来，法律这个行业还很传统，他们很多数据依旧本地化Word、PDF、邮件飞来飞去，并没有太好的意识要做规整；

然后就要从更深层的人性角度思考了，比如为什么我们有点小病痛喜欢先到线上去问问AI医生，为什么我们几乎不倾向于问AI律师？会不会其本身有什么问题？

五、结语

回到我们最初的问题：为什么 OpenEvidence 与 Harvey 会成为“垂直智能体 OS”的代表？

医疗与法律看似不同，但底层逻辑很类似，把“确定性”用工程方式固化出来，再让模型在边界内发挥推理能力。

所以答案是：强来源的数据证据 + 可复用的工作流标准件 + 面向可交付结果的评估方法学。其关键在于三个工程化闭环：数据闭环：摒弃全网爬取，构建“私域知识-公共证据-上下文治理”的可追溯体系，让每个结论都有据可查。工作流闭环：将复杂任务拆解为30-50个“可交付单元”，目的依旧是可控性。评估闭环：用“完成度/可交付度”取代虚高的“准确率”；

最后，对中国市场而言，法律AI爆款产品要出现，其难点不在数据匮乏，而在“数据是否可用、可评、可控”。散落的Word/PDF、薄弱的知识结构、严格的安全顾虑等等都是我们接下来要攻克的…