把美国法典做成 git：每一句话都能查出是哪部法案写的

现已作为 global law 的一部分公开发布。

程序员可以指向任意一行代码，看到它是谁写的、什么时候写的，以及这个文件在过去任何一天是什么样子。而律师读一条联邦成文法时通常做不到这一点——除非花一下午翻该节末尾的注释。可他们凭什么不能拥有同样便利的记录系统？考虑到如今大量初筛法律检索都经由语言模型完成，这一点尤其重要：这些模型往往无法利用法律上正确的沿革脉络，从而限制了它们给出解释的能力。

美国法典

在国会已作为实在法颁布的各编之外，法典只是法律的初步证据，两者不一致时以《美国成文法大全》为准。¹ 法律修订顾问办公室以一系列发布点的形式出版法典，每个发布点都截至某一具名公法，并不断对其重新编排；2025 年 9 月提出了一项将第 41 编作为实在法颁布的法案。² 哪部公法写下了某句话，记录在修正注释里，以散文形式呈现。变更何时生效，往往写在单独的生效日期注释中；而国会未作规定时，默认规则是法律自颁布之日起生效。³

11 USC § 1182(1) 对小型企业债务人的定义，显示了这些答案之间可以相差多远。它于 2019 年随当时的小企业债务上限一同创设。⁴ CARES 法案在 2020 年 3 月作为临时措施把上限提高到 750 万美元，后来延长到 2022 年 3 月。⁵,⁶ 这次提高在 2022 年 3 月 27 日到期，2022 年 6 月 21 日国会又把它恢复了两年，适用于 2020 年 3 月 27 日及之后提起且仍在审理的案件，等于覆盖了中间那段空档。⁷ 更高的上限在 2024 年 6 月再次到期，经过 2025 年 4 月那次三年一次的调整后，现在是 3,424,000 美元。⁸,⁹ 对于 2022 年 5 月提起的案件，当时印出的发布点给出的是较低的上限，只有后来的法案才改变答案。对律师有用的沿革，必须同时承载文本、每次变更生效的日期，以及任何追溯适用的法律的适用范围。

慕尼黑工业大学今年的一项研究发现，模型在回答德国成文法问题时有两类失误：它们会适用在训练截止之后已被取代的规则，而且即使更早的条款才管辖相关事实，它们也偏好较新的条款。有一个模型单独作答时，对截止日期之后的问题答对了 24%，而在为其检索到相关法条文本后达到 87%；作者由此得出结论：时间效力必须被当作硬性约束。¹⁰ 其他近期工作则训练检索智能体去尊重问题所指向的日期，在一致性上取得了大幅提升。¹¹

让模型直接生成旧版文本，解决不了这个问题。慕尼黑那个团队曾让模型把德国修正法套用到早期版本上，输出与官方文本的相似度达到 93–99%，但单条修正只有一半完全吻合，连续多条修正的链条只有五分之一吻合，专家还在那些“差不多对”的结果里找出了具有法律意义的错误。¹² 历史必须可核查。

对 2017 年以后的每一对发布节点，我们取出其间颁布的公开法律，按日期顺序在较旧的文本上执行它们的修正指令，再把结果与较新的版本比对。九个标题下共 365 处变更，其中 361 处精确复现了下一个发布节点。其余四处都附有标注，说明能确认到什么程度。每处变更还带有对应的法律和生效日期：261 处默认在颁布时生效，72 处依据生效日期说明生效，29 处依据修正案本身给出的日期生效。有一处取决于某个机构的裁定，而该裁定可能永远不会作出，我们把它排除在文本之外，而不是去猜。

有了这份记录，读者就能回答律师会问的问题。选一个日期，就能得到当天有效的文本，今天读法不同的措辞会被标出。每个短语按写入它的法案着色。对某个定义术语的修改会列出所有其他用到它的条款，你也可以沿着某一节追踪自上次查看以来发生了什么变化。

局限

它目前还不会显示后来的法律对其所涵盖的较早日期产生的回溯效力，所以对于 2022 年空档期内立案的案件，它给出的是下限，而不会提示 2022 年 6 月的法案改变了答案。

生效日期说明是按模式识别的，措辞不寻常时会回退到颁布日期。

每处变更都链接到法律原文，凡有要紧之处，都应当去读原文。

我们目前也还在考虑这件事应该做成什么形态。

Footnotes

1. 1 USC § 204(a), https://www.law.cornell.edu/uscode/text/1/204 ↩

2. Office of the Law Revision Counsel, 'Positive Law Codification: Title 41' (H.R. 5185, 119th Congress, introduced 8 September 2025), https://uscode.house.gov/codification/t41/index.html ↩

3. Gozlon-Peretz v United States 498 US 395, 404 (1991), https://www.law.cornell.edu/supremecourt/text/498/395 ↩

4. Small Business Reorganization Act of 2019, Pub L 116-54, https://www.govinfo.gov/content/pkg/PLAW-116publ54/html/PLAW-116publ54.htm ↩

5. Coronavirus Aid, Relief, and Economic Security Act, Pub L 116-136, s 1113, https://www.govinfo.gov/content/pkg/PLAW-116publ136/html/PLAW-116publ136.htm ↩

6. COVID-19 Bankruptcy Relief Extension Act of 2021, Pub L 117-5, https://www.govinfo.gov/content/pkg/PLAW-117publ5/html/PLAW-117publ5.htm ↩

7. Bankruptcy Threshold Adjustment and Technical Corrections Act, Pub L 117-151, s 2(h)–(i), https://www.govinfo.gov/content/pkg/PLAW-117publ151/html/PLAW-117publ151.htm ↩

8. Judicial Conference of the United States, 'Adjustment of Certain Dollar Amounts Applicable to Bankruptcy Cases' 90 Fed Reg 8941 (4 February 2025), https://www.govinfo.gov/content/pkg/FR-2025-02-04/html/2025-02207.htm ↩

9. US Trustee Program, 'Subchapter V' (US Department of Justice), https://www.justice.gov/ust/subchapter-v ↩

10. Max Prior, Andreas Schultz and Matthias Grabmair, 'Asking For An Old Friend: Diagnosing and Mitigating Temporal Failure Modes in LLM-based Statutory Question Answering' (arXiv:2605.23497, 22 May 2026), https://arxiv.org/abs/2605.23497 ↩

11. Wei Fan and others, 'Can LLMs Time Travel? Enhancing Temporal Consistency in Legal Agentic Search through Reinforcement Learning' (arXiv:2605.25920, revised 19 September 2026), https://arxiv.org/abs/2605.25920 ↩

12. Max Prior, Adrian Hof, Niklas Wais and Matthias Grabmair, 'Risks and Limits of Automatic Consolidation of Statutes' in Proceedings of the Natural Legal Language Processing Workshop 2025 (ACL, November 2025) 396, https://aclanthology.org/2025.nllp-1.29/ ↩