Legal Risk Visualization

• 输入： 法律分析文本（简要或详尽均可）
• 输出： 结构化风险分析报告（Markdown 格式 + 4 张 PNG 图片）
• 报告语言： 始终中文
• 核心理念： 第三层（影响路径图）为唯一数据源头，其他三层从中派生
• 渲染工具： matplotlib（雷达图、风险矩阵）+ mmdc（Mermaid 影响路径图、决策树）
• 读者定位： 法律人 + 业务决策者，报告主体不使用工程化缩写

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：

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：

边标签简化规则（数值权重仅保留在附录）：

统一配色方案（全部图表一致）：

1. 通读全文，识别法律领域（合同纠纷、知识产权、劳动争议、公司治理等）
2. 确定具体场景和涉及方
3. 选择适用的风险维度（从以下维度中选择 4-6 个）：
   • 合规风险、诉讼风险、财务风险、声誉风险、政策风险、执行风险、运营风险
   • 可根据行业特征增加特定维度
4. 维度选择依据：文本涉及的风险类别覆盖情况

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：

输出节点列表，每个节点包含：

• 编号（N1, N2, ...）
• 名称（简短描述）
• 来源文本依据（原文引用）

3a. 节点分类

将每个节点归类为以下四种类型之一：

3b. 识别显式因果

通过逻辑连接词识别直接因果关系：

• 因此、所以、导致、造成、引发、使得
• 若…则…、如果…将…、一旦…就…
• 进而、从而、继而、以致
• 由于、鉴于、基于

显式因果 → 高置信度 ●●●

3c. 识别隐含因果

参考 references/causal-patterns.md 识别三种隐含模式：

1. 并列暗示型 → 默认低置信度 ●○○
2. 背景预设型 → 默认中置信度 ●●○
3. 专业常识型 → 根据通用性判断（通用法律常识→高，行业特定→中，推测性→低）

3d. 设定边权重

4a. 节点属性评估

为每个节点评估四个属性（0-1 范围）：

4b. 计算风险指数

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。
4c. 计算传导风险值
传导风险值 = 起点风险指数 × ∏(边权重_i)

处理规则详见 references/formulas.md：

分叉： 各分支独立传导
汇聚（OR，默认）： 取各入边传导风险值最大值
汇聚（AND）： 取各入边传导风险值乘积（仅当法律逻辑要求"同时满足"时）
反馈环路： 拓扑排序识别，最大迭代 3 轮，收敛条件 < 5%

识别以下四类关键节点：

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。

第一层：雷达图维度评分

1. 将所有叶节点按风险维度分组
2. 每个维度评分 = 该维度下叶节点传导风险值最大值
3. 映射为 1-5 等级：

等级 = ceil(传导风险值 × 4) + 1，上限 5


使用 references/anchoring-tables.md 中的锚定表校准等级标签

第二层：风险矩阵（matplotlib 散点图）
取所有叶节点（终端风险），生成 matplotlib 四象限散点图：

横轴 = 发生可能性（0→1）
纵轴 = 影响严重性（0→1）
气泡大小 = 风险指数
颜色 = 象限对应色（统一配色方案）
四象限中文标签：高优先级 / 重点关注 / 常规监控 / 持续观察

数据格式（传给 render_risk_matrix.py）：
[
  {"name": "节点名称", "p": 0.9, "i": 0.6, "score": 0.34},
  ...
]

第三层：影响路径图（Mermaid）
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

第四层：决策树（Mermaid graph TD）
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：

将风险节点名称转化为是非问题（"是否…？""有没有…？"）
分支标签只用 "是" / "否"
动作节点根据紧急程度着色

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：

主报告中不出现英文缩写（NRS/PCR/P/I/C/R 仅在附录）
主报告中不出现节点内部类型名（事实节点/法律判断节点等），用颜色+图例区分
叙事优先：核心发现用完整段落描述，不用表格堆砌
情景化：每条关键路径写一个具体场景推演（事实→法律问题→可能后果→应对窗口）

7a. 图形渲染步骤
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：

第一层雷达图 → 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


第二层风险矩阵 → 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


第三层影响路径图 → impact_pathway.png

将 graph TD Mermaid 代码写入 impact_pathway.mmd
调用渲染脚本（根据节点数量动态设置尺寸）：

# 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


第四层决策树 → decision_tree.png

将 graph TD Mermaid 代码写入 decision_tree.mmd
调用渲染脚本（根据节点数量动态设置尺寸）：

# 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：![图名](文件名.png)

输出目录包含：

• 1 份 Markdown 报告，包含：
  • 风险概览（交通灯摘要表）
  • 核心发现与建议（叙事式）
  • 风险全景图（4 张图 + 引导语）
  • 风险情景分析（场景推演）
  • 行动方案（含负责部门、建议时限）
  • 附录（公式、完整计算过程）
  • 图片引用（![图名](文件名.png)）
• 4 张 PNG 图片：
  • 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）

1. 面向读者： 报告主体面向法律人和业务决策者，术语使用中文全称，不使用工程化缩写
2. 叙事优先： 核心发现用完整段落描述，避免大量表格堆砌
3. 可讲述性： 报告第一节+第三节应能支持 5 分钟内向业务部门口头汇报核心风险
4. 情景驱动： 每条关键路径需转化为具体场景推演，帮助非法律人理解风险传导逻辑

5. 单一数据源： 第三层（影响路径图）是唯一数据源头，其他三层的数据必须从第三层派生
6. 计算透明： 风险指数和传导风险值计算必须完整展示过程（放在附录中）
7. 雷达图校准： 雷达图评分必须使用锚定表校准，不可凭感觉打分

8. 置信度标注： 低置信度因果关系必须用虚线标注并注明"待确认"
9. 隐含因果标记： 所有隐含因果关系必须在附录中标注模式类型和置信度
10. 显式优先： 优先采用显式因果，隐含因果作为补充

11. 全中文： 所有图表标签、轴标签、图例必须为中文，不得出现英文
12. 统一配色： 全部图表使用统一交通灯色系（绿/黄/红/蓝/灰）
13. 关键路径高亮： 影响路径图中关键路径必须加粗/变色显示
14. 节点着色： 按节点类型使用对应颜色区分（红/蓝/橙/紫）
15. 图例说明： 每张图下方需附中文图例说明

16. 是非问答： 决策树使用是非问题形式，不使用数值阈值
17. 行动建议： 必须按紧急程度排序，包含负责部门和建议时限
18. 可控节点优先： 行动建议优先针对可干预节点，尤其是关键路径上的可干预节点

• references/formulas.md — 完整计算模型（风险指数、传导风险值、映射公式、分叉/汇聚/环路规则）
• references/causal-patterns.md — 因果关系识别（显式+隐含模式+置信度）
• references/anchoring-tables.md — 各维度 1-5 等级锚定表
• references/case-example.md — 技术服务合同纠纷端到端案例

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。