Legal Risk Visualization

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）：

Workflow（7 步顺序执行）

Step 1：读取并理解法律分析文本

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

Step 2：抽取风险节点

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）

Step 3：分类节点并建立因果

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

Step 4：计算风险属性

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%

Step 5：识别关键节点与路径

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。

Step 6：生成四层输出

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

4. 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

Step 7：输出报告与图形渲染

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：

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：

1. 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
   

2. 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
   

3. 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
   

4. 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)

Output Format

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）

Dependencies

Key Rules

客户导向规则

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

数据完整性规则

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

因果关系规则

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

可视化规则

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

决策规则

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

• 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

Example

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。