Harvey

1. 调研缘由

Harvey 最早只是一个面向律师的生成式 AI 助手，现在已扩展成一个完整平台，包含 Assistant、Vault、Knowledge、Workflow Agents，还有企业集成和客户协作空间。它的 Agents 页面（截至 2026 年 7 月）挂着 597 个预置 Agent，覆盖诉讼、并购、合规、劳动法、税务和资产管理等场景；客户还可以用 Agent Builder，把自己的模板、步骤和审查标准打包成能反复使用的 Agent。[S4]

2026 年 3 月，Harvey 完成 2 亿美元融资，估值到了 110 亿美元，累计融资超过 10 亿美元。公司当时还透露，平台上已经有超过 2.5 万个客户自定义 Agent 在跑。[S12][S13]

2026 年 7 月，Harvey 收购了资产管理 AI 公司 Benchmark。官方称当时 Harvey 已和 125 家以上资产管理机构合作，场景覆盖投资尽调、数据室分析和交易文件审查。这次收购把产品边界从法律部门又往外推了一步，延伸到了投资筛选和投委会材料准备。[S14]

所以，这份简调想搞清楚三件事：

1. Harvey 只是一个法律 AI 助手，还是正在成为法律及专业服务工作流的基础设施；
2. 跟通用大模型、法律科技同行比，它的差异化到底体现在哪些环节；
3. 估值和客户规模上去了，但有没有足够独立的证据，能验证它的准确性、实际使用深度和风险控制。

2. 简介与产品工作流

Harvey 是一套面向大型律所、企业法务和其他专业服务机构的法律 AI 平台。它的主要产品模块有：

• Assistant：处理法律问答、资料检索、分析、摘要和文件起草；
• Vault：集中存放和分析合同、邮件、诉讼材料等大批量文件；
• Knowledge：打通公共法律资料、商业法律数据库和客户内部知识；
• Workflow Agents：执行研究、审阅、提取、对比和起草等多步骤任务；
• Ecosystem：连接 Word、Outlook、文档管理系统、API 和 MCP 工具。[S1][S2][S3][S4][S8]

典型工作流可以概括成：

1. 用户上传合同、案件材料、邮件、内部模板或过往工作成果，也可以同步 iManage、SharePoint 和 Google Drive 等系统里的资料；
2. 用户在 Assistant 里提问题，或者挑一个现成的或自己定制的 Agent；
3. Harvey 根据任务调取客户文件、公共法律来源、商业数据库或网页资料，再把任务拆成检索、分析和生成等多个步骤；
4. 系统输出带引用的答案、表格、备忘录或文件初稿；
5. 律师查看原始来源，决定接受、修改还是拒绝结果，最后在 Harvey、Word 或其他原有系统里交付。[S2][S3][S4][S6]

Vault 官方页面说，单个 Vault 最多能装 10 万份文件，支持跨文件提取、对比，还能生成带引用的综合报告。Vault 也可以用来建内部知识库，存机构自己的先例、模板和工作手册。[S3]

Harvey 官方把 Agents 的执行流程概括为计划、研究、执行、交付和审阅。系统可以并行跑任务，但最终是用户来决定接受、拒绝还是修改结果。[S4]

Harvey 做的事不止是“让模型写一段法律文本”，它在尝试把资料接入、研究、文档审查、起草、人工复核和最终交付放进同一套工作流里。

3. 团队与资本背景

Harvey 在 2022 年由 Winston Weinberg 和 Gabe Pereyra 创立。Weinberg 之前在 O’Melveny & Myers 做证券和反垄断诉讼；Pereyra 曾是 DeepMind 的研究科学家，也在 Meta 做过机器学习工程师。两个人的背景正好一边是律师实务，一边是机器学习技术。[S11]

截至 2026 年 3 月，Harvey 的最新一轮融资是 2 亿美元，由 GIC 和 Sequoia Capital 共同领投，Andreessen Horowitz、Coatue、Conviction Partners、Elad Gil、Evantic 和 Kleiner Perkins 等老股东跟投，投后估值 110 亿美元。[S12][S13]

据 Reuters 报道，这轮过后 Harvey 累计融资超过 10 亿美元。再上一轮是 2025 年 12 月，拿了 1.6 亿美元，当时估值 80 亿美元。[S13]

Harvey 把部分融资用在了扩展 Agent 产品和 Legal Engineering 团队上。所谓 Legal Engineering，是指既懂法律业务又懂 AI 产品的交付人员，他们和客户一起，把内部模板、审查步骤和专业标准变成可重复跑起来的工作流。[S12][S13]

这种团队配置意味着，Harvey 的交付不光是开一个标准化软件账号，还包括流程梳理、知识接入、Agent 配置和机构内部的推广落地。

4. 技术基础与生态位

多模型系统

Harvey 走的是多模型路线。它的帮助文档（截至 2026 年 7 月）列出的模型来自 OpenAI、Anthropic 和 Google，涵盖 GPT、Claude 和 Gemini 系列。默认情况下，系统会把用户的请求拆开，按不同子任务选模型，再组合多步结果；管理员也可以允许用户手动挑模型。[S5]

官方还提到，一个请求可能包含几十次甚至几百次模型调用。Harvey 是把大语言模型、检索增强生成和任务编排揉在一起用，而不是让单个模型一步到位。检索增强生成的意思是，先从指定资料里把相关内容找出来，再让模型基于这些内容来回答。[S5]

公开资料里没看到 Harvey 在开发能和 GPT、Claude 或 Gemini 对标的通用基础模型。它的技术投入主要集中在模型选择、任务拆分、检索、评测、Agent 运行环境和法律工作流封装上。[S5]

法律知识与客户数据

Harvey Knowledge 能接入以下几类资料：

1. 客户上传的文件、Vault 和文档管理系统里的内容；
2. Harvey 整理的公共法律和监管来源；
3. Ask LexisNexis、Wolters Kluwer、SCC Online、FromCounsel 和 Lefebvre 等第三方内容服务；
4. 网页搜索以及客户通过 API 或 MCP 接进来的其他工具和数据。[S6][S8][S9]

2026 年 6 月上线的美国判例来源主要基于 CourtListener，里面有超过 900 万份公开的法院意见，每周更新。Harvey 自己说得也很清楚，这个来源不适合“找出所有相关判例”、做完整引证核查，或者直接拿它起草整份诉状，也没法完全替代 LexisNexis 等商业数据库。一些未公开的判决和州级法院的资料仍可能缺。[S7]

这说明 Harvey 已经进入了法律检索这个环节，但不同知识来源的完整度和功能是有差别的。公共判例来源适合做初步研究，商业数据库仍然承担着更全的资料覆盖和 Shepard’s 引证分析这类活儿。[S7]

安全、权限与交付

Harvey 以云端 SaaS 方式交付。官方安全页面说，平台要求模型供应商做到零数据留存，不用客户输入来训练模型，并提供传输和静态加密、角色权限控制、数据隔离。Harvey 已经通过了 SOC 2 Type II 和 ISO 27001 审计，在美国、欧洲和澳大利亚都设有应用环境。[S10]

Harvey 同时提供 API 和 MCP。作为 MCP 服务端时，其他兼容的 AI 助手可以调 Harvey 的法律问答、Vault 文档分析和知识来源；作为 MCP 客户端时，Harvey 也可以连到外部的文档、数据和业务工具上去。[S8][S9]

生态位

Harvey 的主要生态位是法律垂直应用，同时也踩在企业软件和专业服务工作流这一层。

它的重心不是训练基础模型，也不是去替代 iManage、SharePoint 这类文件存储系统。它是架在模型、法律内容数据库和企业原有系统上面的那一层，干的活是把资料检索、任务编排、文档分析、内容生成和人工审阅串起来。[S1][S5][S6][S8]

从公开信息看，它的差异化主要建立在：

• 多模型选择和任务编排；
• 客户内部知识与专业法律数据库的接入；
• 面向法律场景的预置和自定义 Agent；
• 权限、安全、审计及企业系统集成；
• Legal Engineering 提供的部署和流程配置服务。[S4][S5][S6][S8][S10][S12]

Harvey 已经公开了主要模型供应商、产品模块、部分模型评测和安全框架，但模型路由规则、训练和微调数据、Agent 系统提示词、生产环境错误率、人工介入比例这些还没有完整披露，所以 technical_disclosure 记为 limited。

5. 市场与外部信号

Harvey 的公司页面（截至 2026 年 7 月）说，他们有 2,400 多家客户，覆盖 70 多个国家，包括 75 家以上的 Am Law 100 律所。[S11]

而它的客户页面又说，有超过 14.2 万名律师，在 60 个国家的 1,500 多个组织里用 Harvey。[S15] 这两个官方页面对于“客户”“组织”和国家覆盖范围用的是不同口径，不能直接混在一起算成同一组增长数据。

2026 年 3 月的融资公告里说，那时候 Harvey 有超过 10 万名律师、1,300 多个组织、500 多个企业法务客户，并且和 Am Law 100 里的大多数律所都有合作。官方还提到，平台上已有超过 2.5 万个客户自定义 Agent。[S12]

这些数字来自不同时间、不同页面，能共同说明 Harvey 的机构覆盖还在扩大，但公开资料并没有给出一套统一的历史数据序列，也没有解释客户、组织、律师账户和活跃用户之间到底怎么算。

2026 年 7 月收购 Benchmark 时，Harvey 称其资产管理客户已超过 125 家，包括 Blue Owl、Bridgewater 和 KKR；Benchmark 原有客户代表的管理资产超过 2 万亿美元。Harvey 还提到，这已经是公司 2026 年完成的第三笔收购，且第二季度新增年度经常性收入超过 1 亿美元。[S14]

在融资这块，Reuters 独立确认了 2 亿美元融资、110 亿美元估值和累计超 10 亿美元这几个数字，但大部分客户数、Agent 数和季度收入指标还是 Harvey 自己披露的。[S13]

定价方面，Harvey 官网没公开标准套餐、席位价格、最低采购数量或实施费用，需要联系销售、申请演示。[S16]

所以，目前能核实的外部信号主要有：

• 大型律所及企业法务客户持续扩张；
• 融资估值和累计融资快速上升；
• 产品从单次问答转向自定义 Agent；
• 业务从法律团队延伸到资产管理；
• 收购和 Legal Engineering 团队成了扩张手段。[S11][S12][S13][S14]

但活跃率、续约率、不同客户的使用分布和单位客户经济性这些，仍然找不到足够的公开资料。

6. 公开评价与主要分歧

正面评价（独立评测）

Vals AI 在 2025 年 2 月发了一份法律 AI 评测，把 Harvey Assistant、CoCounsel、Vincent AI 和 Oliver 放在一起比。测试覆盖七类任务：数据提取、文档问答、摘要、合同红线修改、庭审记录分析、时间线生成和 EDGAR 研究。[S17]

Harvey 选了其中六类参加，在五类任务里拿了参测产品的最高分，而且有四类超过了律师基线。具体分数：文档问答 94.8%，时间线生成 80.2%，数据提取 75.1%，庭审记录分析 77.8%，摘要 72.1%。[S17]

LawNext 对这份报告的独立报道提到，测试数据是由 Reed Smith、Fisher Phillips、McDermott Will & Emery、Ogletree Deakins 以及四家匿名律所一起设计的，参加基线测试的律师并不知道自己是在被评测。报道把 Harvey 和 CoCounsel 归为那次测试里表现比较突出的产品。[S18]

这份评测给 Harvey 的文档问答、信息提取、时间线和摘要能力，提供了一个难得的外部横向证据。

主要批评与质疑（独立评测 / 独立专家）

同一份 Vals 报告也显示，Harvey 在合同红线修改任务上拿了 65.0%，低于律师基线的 79.7%。而且 Harvey 退出了 EDGAR 研究任务，所以这份报告没法说明它在复杂、多步骤的外部研究任务里表现如何。[S17]

Vals 允许每家厂商自己选参加哪些任务，也允许在发布前退出单项或全部测试。LexisNexis 退出了除法律研究外的其他部分，Harvey 退出了 EDGAR 研究。所以，各产品的平均分不能直接当同口径的总排名来看。[S17]

这份报告主要靠自动化的 LLM-as-judge 打分，也就是用另一套模型对照参考答案，逐项判断输出过没过。Vals 也披露了他们和一家或多家参测方有客户关系。报告自己承认，自动评分、厂商选择参加哪些任务，以及测试只代表某个时间快照，都会限制结论的适用范围。[S17]

西北大学法学教授 Matthew Sag 在试用 Harvey 之后认为，它的大规模文档分析界面、引用回查、权限控制和安全环境确实有实际价值，但很多摘要、起草和分析任务，用 ChatGPT、Claude、Gemini 或企业版 Copilot 也一样能完成。所以他把问题聚焦在：Harvey 相比通用模型，到底额外增加了多少价值，以及这多出来的价值跟采购成本匹不匹配。[S19]

Sag 还指出，检索增强生成没法保证把所有相关文本都找出来，用户还是得自己翻原始资料。他认可 Harvey 便于查看引用片段这一点，但对极低幻觉率的宣传存疑，并强调法律工作的输出必须经过专业人员验证。[S19]

需要注意，Sag 的文章是 2025 年初发的。那时候他把 Harvey 描述成一个还不够完整的法律研究工具；后来 Harvey 增加了美国判例和多个商业法律数据库来源。不过，Harvey 现在的文档还是明确列了公共判例来源的覆盖缺口和不支持的任务。[S7][S19]

存在分歧之处

第一，差异化主要来自法律模型，还是模型上面的交付系统？

Harvey 用的是 OpenAI、Anthropic 和 Google 的基础模型，公开的技术说明更强调多模型路由、检索、工作流、Agent、安全和客户数据接入。[S5]

独立专家则指出，通用模型同样能完成很多起草、摘要和分析任务，所以 Harvey 的额外价值得从企业权限、专业知识来源、工作流配置和部署服务里去验证，不能光看生成的文本本身。[S19]

第二，机构采购是不是就等于产品效果已经被充分验证了？

融资、客户覆盖和自定义 Agent 数量这些信号表明，大型律所和企业确实在买、在用 Harvey。[S11][S12][S13]

但公开的独立测试主要还集中在单次、边界清晰的文件任务上；多步骤 Agent、不同司法辖区的研究以及长期组织使用效果的独立证据还比较少。[S17][S18]

第三，Harvey 到底是辅助工具，还是能独立执行法律工作的 Agent？

Harvey Agents 可以计划、研究、并行执行任务并生成完整的交付物，但官方界面仍然要求用户去接受、拒绝或修改结果，最终判断还是留给专业人员。[S4]

所以，按现阶段公开资料来看，更准确的定位是：Harvey 在不断扩大系统能独立跑完的工作步骤，但并没有拿掉律师对来源、结论和最终交付的责任。

7. 同类对比（与头部 / 高知名度同类项目）

主要对标项目：

• Legora
• Thomson Reuters CoCounsel Legal
• Lexis+ with Protégé

关键维度对比（事实，标来源）：

维度	Harvey	Legora	CoCounsel Legal	Lexis+ with Protégé
官方定位	面向律所、企业法务和专业服务机构的平台，涵盖 Assistant、Vault、Knowledge 和 Agents [S1]	面向律师的 agentic operating system，包括 Agent、研究、审阅、起草、工作流和客户协作空间 [S20]	处理法律研究、文档分析和起草的统一 AI 产品 [S21]	结合法律研究、起草、文档分析和 Agent 工作流的 LexisNexis 平台 [S22]
模型与编排	调用 OpenAI、Anthropic 和 Google 的模型，按子任务自动选模型并组合 [S5]	官方称其 agentic harness 管模型选择、工具路由、流程控制、记忆和护栏 [S20]	官方页面强调基于 Westlaw 和 Practical Law 内容做法律推理；这次查的页面没完整列出底层模型供应商 [S21]	提供法律专用能力和通用模型能力，已接入 Anthropic 法律插件 [S22]
法律知识来源	公共法律资料、客户内部知识，以及 LexisNexis、Wolters Kluwer、SCC Online 等合作来源 [S6][S7]	连接法律研究数据库、DMS、客户知识库、第三方服务和 MCP 工具 [S20]	原生连接 Westlaw 一手法律资料和 Practical Law 实务内容 [S21]	原生使用 LexisNexis 判例、法规、二手资料、Practical Guidance 和引证体系 [S22]
Agent 与工作流	597 个现成 Agent；支持 Agent Builder，还有超过 2.5 万个客户自定义 Agent [S4][S12]	Agent 可以规划、调用工具、执行、复核和交付；支持把机构流程编码成 Skills [S20]	覆盖研究、起草、文档分析和专业法律 Skills；下一代 Agent 功能在 2026 年继续推出 [S21]	支持预置及自定义工作流、Agent 式起草、研究和文件分析 [S22]
文档与协作	Vault、Shared Spaces、Word、Outlook、移动端和文档管理系统对接 [S3][S8]	Web、Word、Outlook、移动端、Portal、DMS 和 MCP [S20]	与 Microsoft 365、Westlaw、Practical Law 及企业知识连接 [S21]	提供 Vault、Microsoft 365 集成、移动端和安全协作环境 [S22]
API / MCP	提供 API，也能当 MCP 服务端或客户端 [S8][S9]	支持连接外部 MCP 服务，并扩展到文件读取、修改和回传 [S20]	已提供 CoCounsel Legal MCP Connector [S21]	这次查的官方产品页上没找到和前三家完全同口径的 MCP 说明
公开定价	没公开标准价格，联系销售 [S16]	没公开标准价格，申请演示 [S20]	官方提供不同产品组合，但具体企业报价得联系销售 [S21]	不同市场、不同套餐价格不一样，这次没找到能和 Harvey 同口径比较的统一企业报价

公开评价中的对比（标源，非个人裁决）

Vals 2025 年的报告同时测了 Harvey Assistant 和 CoCounsel。Harvey 在文档问答、数据提取、红线修改、庭审记录分析和时间线生成上都是参测产品里最高的；CoCounsel 在文档摘要任务里拿了最高分，它参加的四项任务平均分是 79.5%。[S17][S18]

因为两家选着参加的任务数量不一样——Harvey 参加了六项，CoCounsel 参加了四项，这些结果不能直接变成谁整体更强的结论。[S17]

Legora 没参加这期 Vals 报告。LexisNexis 最初参与了，但后来退出了除独立法律研究评测外的其他部分，所以这份报告拿不出足够同口径的独立数据来比较 Legora 和 Lexis+ with Protégé 跟 Harvey 的整体效果。[S17]

从官方产品结构来看，Harvey 和 Legora 都在强化多步骤 Agent、客户知识和跨系统工作流；CoCounsel 和 Lexis+ with Protégé 则更直接地依托各自手里已有的 Westlaw、Practical Law 和 LexisNexis 这些法律内容体系。[S5][S6][S20][S21][S22]

这只是产品基础和交付结构上的事实差异，不代表哪条路线就整体更优。

8. 信息缺口与后续观察

1. 官方增长数字口径对不上 Harvey 的公司页、客户页和融资公告分别用了客户、组织、律师账户和国家覆盖数，几边的数字不完全一致。后面得看看公司会不会给出统一的指标定义和能连续比较的历史数据。

2. 定价与合同结构 没找到公开的标准价格、最低席位数、实施费用、合同期限，以及不同模块怎么收费。

3. 真实使用深度 还没找到足够的公开资料来核实活跃用户比例、Agent 实际调用分布、不同客户的采用深度、续约率和客户流失率。

4. 多步骤 Agent 的独立评测 Vals 报告主要测的是单项任务。长期运行、任务恢复、跨工具调用、权限错误和中途检索偏差这些，仍然缺大规模独立测试。

5. 不同司法辖区的知识覆盖 Harvey 已经接入了多个地区和商业数据来源，但各来源的完整度、更新时间、引证功能和许可条件不一样，需要按司法辖区分别核实。

6. 实际投资回报 官方客户案例给出了一些采用和效率数据，但目前的公开独立资料还不足以判断不同规模机构的长期成本节省、工作质量变化以及对客户计费模式的影响。

7. 模型与 Agent 技术细节 模型供应商和总体架构已披露，但路由规则、微调数据、提示词结构、失败率和人工介入比例仍然有限。

8. 资产管理业务扩张 Benchmark 收购刚发生不久。后面得观察它的产品怎么和 Harvey 原来的法律工作流揉到一起，以及资产管理客户实际用的是文档分析能力、投资研究能力，还是整套决策流程。

9. 专业责任边界 官方要求用户审阅结果，但平台、采购机构和具体使用者在错误引用、遗漏或错误建议发生时分担什么责任，还没找到足够的公开资料。

9. 归纳洞察 ★

从 Harvey 身上能看到，法律 AI 的竞争重点正在从“提供一个法律聊天助手”转向“把完整的专业工作流串起来”。Assistant 管问答和分析，Vault 管文件，Knowledge 接入法律资料，Agents 执行多步骤任务，Ecosystem 再把这些能力接回企业原有的系统里。

它公开的技术路线也说明，垂直 AI 的差异化不一定非得靠独占基础模型。Harvey 同时用多家模型供应商，把主要的产品投入放在了模型选择、检索、专业数据、工作流、权限和部署服务上。通用模型负责提供基础能力，垂直平台负责把这些能力装进一个可审阅、可管理的专业环境里。

Harvey 跟 Legora、CoCounsel 和 Lexis+ with Protégé 的产品边界正在收窄：大家都是从单次问答扩展到研究、起草、文档分析和 Agent 工作流。它们之间比较清晰的结构差异在于，Harvey 和 Legora 更强调跨系统编排，而 Thomson Reuters 和 LexisNexis 手里有原生的法律内容和引证体系。

Harvey 往资产管理扩张，延续的也是同一套产品逻辑。它不是直接转向通用消费者市场，而是沿着交易文件、尽调、内部知识和审批材料这些相邻的文档密集型流程往外扩。

现阶段，Harvey 的商业扩张证据仍然比独立效果证据多。融资、客户、Agent 和收购这些数据说明机构采购在增长；独立评测则主要证明它在部分边界清晰的文档任务上表现不错。多步骤 Agent、长期使用效果和跨司法辖区研究，还需要更多的外部验证来支撑。

10. 来源与更新时间

• 信息截至（as_of）：2026-07-18
• 最后复查（last_checked）：2026-07-18
• 最后更新（last_updated）：未更新