ChatCourt: как ИИ-тренажер меняет подход к обучению студентов юриспруденции
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Разработчик представил ChatCourt — симулятор арбитражного процесса, где студенты выступают в роли истцов или ответчиков против ИИ-судьи и оппонентов. Проект решает проблему критического мышления при работе с нейросетями, требуя от учащихся проверки фактов и аргументации, а не слепого доверия алгоритмам.
Инструмент демонстрирует практическое применение ИИ в образовании, смещая фокус с генерации ответов на развитие навыков верификации информации и понимания юридических процедур. Это важный шаг к интеграции нейросетей в академическую среду как инструмента развития критического мышления, а не замены интеллектуальной работы.
В современном образовании всё чаще возникает парадокс: преподаватель генерирует задание с помощью нейросети, студент решает его с другой (или той же) моделью, а проверку проводит третий ИИ. Люди в этом цикле нередко выступают лишь посредниками. Разработчик ChatCourt, вдохновленный экспериментом MIT, где студенты собирали реактивные двигатели с помощью ИИ, решил создать аналогичный тренажер для юриспруденции. Целью стало не просто использование нейросетей, а обучение студентов критически оценивать их ответы, выявлять галлюцинации и опираться на собственные знания, как это делали победители в Массачусетском технологическом институте.
ChatCourt симулирует арбитражный процесс первой инстанции. Студент выбирает сторону — истца или ответчика — и проходит шесть этапов: от подготовки дела до вынесения решения. В отличие от линейных тестов, здесь нет единственно верных ответов; каждое заседание уникально и зависит от реплик участников. ИИ-судья и оппоненты могут ошибаться, «затуплять» или допускать промахи, имитируя человеческое поведение. Преподаватель оценивает не итог по делу, а действия студента в процессе, его способность анализировать документы и проверять утверждения модели.
Технически проект реализован как синхронный модульный монолит на Python (FastAPI) с базой данных SQLite. Ключевым требованием стало использование российской языковой модели GigaChat Ultra из-за ограничений вузов на иностранные ИИ-сервисы. Разработка столкнулась с серьезными проблемами: модель Anthropic Sonnet, использованная для тестов, поддерживала многофункциональные вызовы, тогда как GigaChat — только по одному за раз. Это потребовало полной переписки движка управления процессом.
Особую сложность представляла настройка промптов для предотвращения зацикливания модели. При нулевой температуре и детерминированном движке ИИ начинал повторять одни и те же фразы. Решение нашлось в внедрении режима «Паузы», кодировки отказов с примерами исправлений (45 штук) и ведения журнала хода. Также был введен «ведомый» режим, где движок сам предлагает модели 1–3 допустимых действия, исключая повторные ошибки. Это позволило снизить расход токенов с 1,7 млн на Sonnet до 0,55 млн на GigaChat.
Архитектура памяти разработана без использования LangGraph, так как фреймворк не обеспечивал нужной изоляции контекстов для разных ролей. Вместо этого движок пересобирает «стол» для каждой роли перед каждым вызовом: позиция, опись дела, протоколы, заметки (единственная долговременная память), рабочая секция и последние реплики. Использование кэша на стороне провайдера с ключами сессий позволило сократить затраты на токены до 44% в некоторых случаях.
Сейчас проект находится на стадии бета-тестирования со студентами. Однако разработчик признает два главных ограничения: отсутствие доступа к базам судебной практики (RAG) и слабое качество генерируемых текстов судебных решений. Для полноценной работы с реальными прецедентами потребуется подключение справочно-правовых систем, а для улучшения качества решений — дообучение модели на больших датасетах реальных актов, что выходит за рамки индивидуального проекта и требует ресурсов университетских лабораторий.