法律援助咨询指南：如何高效向豆包Bot描述案情关键要素

搭建一个法律援助初筛Bot，最头疼的往往不是技术实现，而是如何从用户那里拿到一份“合格”的案情描述。用户一上来可能就是一句“老板不给钱”或者“我被打了”，信息零碎、要素缺失，后续的分析自然容易失准。那么，怎么引导用户把案情说清楚、说到点子上呢？这里有几个经过验证的策略。

一、预设结构化提问模板

最直接有效的方法，就是在对话一开始就设定好框架。通过一套固定的问题链，引导用户按法律要件的逻辑顺序提供信息，能最大程度避免自由叙述带来的遗漏和歧义。

具体操作时，Bot可以这样开场：“为了快速判断您的情况是否符合法律援助条件，请依次回答下面5个问题：”

紧接着，问题逐一抛出：

1. 您的身份是？（例如：被辞退的员工、遭遇物业纠纷的业主、交通事故中的伤者）

2. 事件发生的时间、地点和简要经过？（请尽量注明具体的年月日和场所）

3. 涉及哪些人？请提供对方的全名（如果知道）、身份证号后四位、联系方式或单位名称。

4. 您目前持有哪些证据？（比如微信聊天记录截图、医院诊断书、合同照片、报警回执编号等）

5. 您最希望解决的核心问题是什么？（例如：追讨被拖欠的工资、确认某份合同无效、申请工伤认定）

这套“组合拳”打下来，一份案情的基本骨架就清晰了。

二、动态关键词识别与即时补全提示

对于不喜欢被“审问”式提问的用户，可以采用更灵活的交互方式。利用豆包的自然语言理解能力，在用户输入时实时分析，一旦发现关键法律要素缺失，就立刻弹出轻量级的提示，引导用户补充，而不打断其原有的表达思路。

举个例子：

当用户说“老板不给钱”，但没提“工资”、“劳动关系”、“入职时间”这些关键词时，Bot可以立刻回应：请补充：您是否签订了劳动合同？入职日期是哪天？最后一个月应发的工资标准是多少？

再比如，用户提到“物业收了费但没修电梯”，Bot识别出缺失责任主体和事实依据，便会提示：请说明：物业服务合同的签署方是谁？电梯故障发生的具体日期？您是否已经书面报修并保留了相关凭证？

这种方法就像一位经验丰富的律师在旁听，随时抓住模糊点追问，交互更自然，信息补全的效率也更高。

三、可视化案情要素卡片引导

文字描述对部分用户来说门槛较高，尤其是老年人、教育程度有限或情绪较为焦虑的申请人。这时，将复杂的法律问题“可视化”就成了一剂良方。

可以把劳动争议、民间借贷、婚姻家事、行政纠纷等高发援助场景，拆解成一个个直观的要素卡片。用户通过点击勾选和填空的方式，就能轻松完成案情构建。

操作界面可以设计成九宫格，展示诸如“用工关系”、“欠款金额”、“医疗票据”、“报警记录”等带图标的卡片。用户点击“用工关系”，会弹出子选项（如“已签合同”、“口头约定”等），并进一步要求填写“入职日期______”和“月工资______元”。

所有信息填写完毕后，Bot会自动生成一段结构清晰的案情摘要，并请用户确认：“以上内容是否准确反映了您的情况？如有出入，请直接修改。”这大大降低了表达负担，也确保了信息的标准化。

四、语音转写与智能断句标注

对于不擅长或不便进行文字输入的用户，语音功能必不可少。但难点在于，如何把口语化、可能夹杂大量情绪的描述，精准映射到法律要件上。

解决方案是：支持用户语音描述，由豆包实时转写成文字，并同步进行法律要素的智能识别与标注。系统会高亮出关键信息点，并针对模糊处发起确认提问。

比如，用户口述：“上个月我在工地摔了，包工头说不管，也没签合同，我就拍了片子，花了三千多。”

Bot转写后，会进行如下标注和追问：

【时间】上个月 → 请确认具体是哪年哪月哪日？

【地点】工地 → 具体是哪个项目或地址？

【主体】包工头 → 是否知道他的姓名、身份证号或所属的劳务公司名称？

【损失】三千多元 → 是否有医疗费发片原件？是否已经向社保或商业保险申报过？

这样一来，既保留了语音输入的便捷，又通过“转写-标注-确认”的流程，保证了信息的准确性和法律可用性。

说到底，引导用户描述案情，核心在于降低表达门槛、明确信息框架。上述四种方法，从强制结构到动态提示，从视觉引导到语音辅助，可以单独使用，也可以组合搭配。关键在于根据目标用户群体的特点，选择最合适的交互路径，让每一位需要帮助的人，都能清晰、完整地讲出自己的故事。