Communitygithub.com

ThomasMoreAI/legal-skills-open

Erstellen Sie aus FirmVault-Aktivitätsprotokollen ein strukturiertes Obsidian-Wiki für kanzleispezifisches PI-Praxiswissen unter Verwendung der LLM-Wissensdatenbank-Architektur von Karpathy. Verwenden Sie dies beim Hinzufügen neuer Fälle, beim Neukompilieren, beim Abfragen oder beim Linten des Kanzlei-Wikis.

Was ist legal-skills-open?

Dieser Skill kompiliert institutionelles Praxiswissen aus Aktivitätsprotokollen der Kanzleisoftware FileVine in ein strukturiertes Obsidian-Wiki nach dem Drei-Schichten-Muster von Karpathy: Rohdaten (Layer 1) → LLM-Compiler (Layer 2) → strukturiertes Wiki (Layer 3). Er verarbeitet Excel-Exporte (z. B. Settlement-, Closing- und Intake-Dateien) durch Extrahieren, Slugifizieren und Gruppieren von Aktivitätseinträgen, erstellt oder aktualisiert Wissensartikel (Konzepte und Verbindungen) mithilfe paralleler Subagenten und pflegt einen zentralen Index. Der Skill erkennt Duplikate, wählt für große Fälle strategische Stichproben aus (erste + letzte N Logs) und arbeitet mit Zeitsperren auf evidence_count (daher nur akzeptable Abweichungen von ±3). Plattformen: Kompatibel mit Claude Code, Cursor, Codex sowie Obsidian als Wiki-Frontend. Ideal für Rechtsanwaltskanzleien, die aus Tausenden von Fällen ein skalierbares, durchsuchbares institutionelles Gedächtnis aufbauen möchten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/ThomasMoreAI/legal-skills-open/tree/HEAD/us/personal-injury/skills/law-firm-wiki-compiler

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Kanzlei-Wiki-Compiler

Wann verwenden

  • Hinzufügen neuer Fälle oder alter Fallarchive zum Wiki
  • Neukompilieren nach Aktualisierungen der Aktivitätsprotokolle
  • Abfragen des Wikis nach institutionellem Wissen
  • Ausführen von Lint-/Health-Checks für Wiki-Artikel
  • Generieren von Hermes-Skills aus Wiki-Artikeln

Excel-Import (FileVine-Aktivitätsexporte)

Wenn Aaron eine Excel-Tabelle mit Aktivitätsprotokollen aus FileVine sendet:

Erwartetes Format

  • Spalten des Blatts: Projektname | Notiztext | Erstellt am | (leer)
  • Projektname = "Mandantenname Falltyp MM/TT/JJJJ" (z. B. "Amy Stich WC 01/17/2024")
  • Notiztext = im Markdown formatierte Aktivitätsnotizen (kann FileVine-Links, Durchstreichungen enthalten)
  • Erstellt am = Datetime

Konvertierungsschritte

  1. pip install openpyxl falls erforderlich
  2. Laden mit openpyxl.load_workbook(path, read_only=True)
  3. Slugifizieren von Fallnamen gemäß FirmVault-Regeln (Kleinbuchstaben, Apostrophe/Anführungszeichen entfernen, & → und, Nicht-Alnum → Bindestriche)
  4. Gruppieren von Einträgen nach Fall, dann nach Datum innerhalb jedes Falls
  5. Schreiben nach FirmVault/cases/<slug>/Activity Log/<JJJJ-MM-TT>.md mit Frontmatter:
    schema_version: 2
    date: "JJJJ-MM-TT"
    category: imported
    subcategory: settlement_activity_export
    
  6. Verwenden des Tags subcategory: settlement_activity_export, um später aus Excel importierte Fälle zu identifizieren

Mehrere Dateien in einer Sitzung

Aaron sendet oft mehrere Excel-Dateien nacheinander. Verarbeiten Sie jede vollständig (konvertieren → bündeln → kompilieren → Index neu aufbauen), bevor Sie nach der nächsten fragen. Der Konverter handhabt die Deduplizierung automatisch – wenn ein Fallverzeichnis bereits existiert, werden neue Protokolle angehängt; wenn eine Protokolldatei für dieses Datum bereits existiert, wird ein Abschnitt "Importierte Einträge" angehängt.

Referenz zur Größenbestimmung (Importe vom 12.04.2026)

  • Datei 1 (settlement_1): 17.639 Zeilen → 198 Fälle → 6.221 Logdateien (13,7 MB)
  • Datei 2 (settlement_2): 22.182 Zeilen → 169 Fälle → 7.341 Logdateien (12,9 MB)
  • Datei 3 (settlement_3): 688 Zeilen → 8 Fälle → 158 Logdateien (klein)
  • Datei 4 (closing): 9.363 Zeilen → 125 Fälle → 2.924 Logdateien
  • Konvertierung dauert ~2 Sekunden pro Datei
  • Duplikaterkennung: Zeilenanzahl + erste/letzte Zeile vergleichen, um erneute Sendungen zu identifizieren

Entscheidungen zur Batch-Größe

  • >50 Fälle: 3 parallele Subagenten (gleichmäßig nach Log-Anzahl aufgeteilt)
  • 10-50 Fälle: 1-2 Subagenten je nach Log-Volumen
  • <10 Fälle: Einzelner Subagent mit gezielten Artikelaktualisierungen. Er SOLL NICHT alle vorhandenen Artikel lesen – zeigen Sie auf die 5-6 wahrscheinlichsten zu aktualisierenden Artikel. Setzen Sie max_iterations=30, um zu vermeiden, dass die Züge beim Lesen ausgehen.

Wiederverwendbares Konverterskript

Speichern unter /tmp/convert_excel.py, Pfad für jede neue Datei austauschen. Das Skript:

  • Verwendet openpyxl (pip install, falls fehlend)
  • Slugifiziert gemäß FirmVault-Regeln
  • Gruppiert nach Fall → Datum → schreibt Markdown mit Frontmatter
  • Meldet neue vs. aktualisierte Fallverzeichnisse

Architektur

Karpathys Drei-Schichten-Muster: Rohdaten → LLM-Compiler → strukturiertes Wiki

Layer 1: Roh (unveränderlich)
  cases/*/Activity Log/*.md  — 21K+ Aktivitätsprotokolle
  cases/*/*.md               — Falldateien
  
Layer 2: Wiki (LLM-gepflegt)
  wiki/
    Home.md          — Obsidian-Dashboard
    index.md         — Masterkatalog
    log.md           — Kompilierungsverlauf
    concepts/*.md    — atomare Wissensartikel (63 ab 12.04.2026)
    connections/*.md — themenübergreifende Erkenntnisse (26 ab 12.04.2026)
    AGENTS.md        — Compiler-Schema (die Spezifikation)
    SPEC.md          — Architekturdokument

Layer 3: Verbraucher
  Hermes semantische Skills, OpenClaw-Agenten, Aaron via Hermes

Kompilierungsprozess

Batch-Verarbeitung (für Massenfälle)

  1. Fälle in Batches von ~80K Token gruppieren
  2. 3 Batches parallel delegieren
  3. Jeder Subagent liest AGENTS.md, vorhandene Artikel, Falldateien + Stichproben von Logs
  4. Subagenten AKTUALISIEREN vorhandene Artikel (evidence_count++) oder ERSTELLEN neue
  5. Subagenten NICHT index.md neu schreiben lassen (Race Condition) – nach Abschluss neu aufbauen
  6. index.md aus allen Artikeln auf der Festplatte neu aufbauen, nachdem alle Batches abgeschlossen sind

Wichtige Anweisungen für Compiler-Subagenten

  • AGENTS.md für vollständiges Schema lesen
  • ALLE vorhandenen Konzept- + Verbindungsartikel lesen, bevor geschrieben wird
  • Alle PII ANONYMISIEREN ("Fall A", "Fall B" usw. verwenden)
  • AKTUALISIEREN vorhandener > NEUE erstellen (Konfidenzsteigerung ist das Ziel)
  • Konfidenz: niedrig (<5 Fälle), mittel (5-9), hoch (10+)
  • [[Wikilinks]] zwischen Artikeln verwenden
  • An log.md anhängen, index.md NICHT neu schreiben

Stichprobenstrategie

  • Große Fälle (400+ Logs): erste 40 + letzte 40 chronologisch
  • Mittlere Fälle (100-400): erste 25 + letzte 25
  • Kleine Fälle (<100): erste 10 + letzte 10, oder alle

Subagent-Prompt-Vorlage

Kanzlei-Wiki-Compiler. Lesen Sie /opt/data/FirmVault/wiki/AGENTS.md.
Lesen Sie vorhandene Artikel in wiki/concepts/ und wiki/connections/.
Kompilieren Sie Fälle: [LISTE]. Für jeden: Lesen Sie cases/<slug>/<slug>.md und
ziehen Sie eine Stichprobe der ersten N + letzten N Aktivitätsprotokolle. AKTUALISIEREN Sie vorhandene Artikel
(evidence_count erhöhen, Konfidenz upgraden: 5=mittel, 10=hoch).
Neue nur für wirklich neue Muster ERSTELLEN. PII ANONYMISIEREN.
Schreiben Sie nach wiki/. index.md NICHT neu schreiben. An wiki/log.md anhängen.

Prompts an Datenkategorie anpassen

Verschiedene Excel-Exporte enthalten unterschiedliche Datentypen. Fügen Sie einen Fokushinweis hinzu:

  • Settlement-Dateien: "Fokussieren auf: Abwicklungsmuster, Verhandlungstaktiken, Behandlungszeitpläne, SOL-Management, Adjuster-Verhalten, Sicherheitenlösung"
  • Closing-Dateien: "Dies sind ABSCHLIEßENDE Fälle – besonders achten auf: Fallabschluss-Workflows, Ablehnungsgründe, Schlussauszahlung, Dateiarchivierung, Nachabschlussverpflichtungen, Mandantenkündigungsmuster"
  • Intake-Dateien: Fokussieren auf Onboarding, Versicherungsüberprüfung, Erstüberweisungen zur Behandlung Dies verbessert die Qualität der Mustererkennung dramatisch.

Index-Neuerstellung

Erstellen Sie index.md IMMER als separate delegate_task, nachdem alle Kompilierungsbatches abgeschlossen sind. Auch für kleine Batches. Der Subagent muss lediglich das YAML-Frontmatter aus allen .md-Dateien in concepts/ + connections/ parsen und den Index gemäß dem Schema in AGENTS.md generieren. Dauert ~60 Sekunden, max_iterations=15.

Obsidian Vault

Das wiki/-Verzeichnis IST ein Obsidian-Vault:

  • .obsidian/-Konfiguration mit Graphfarben (blau = Konzepte, orange = Verbindungen)
  • Home.md als Startseite
  • [[Wikilinks]] verwenden Slug-Namen (OHNE Pfadpräfix)
  • Die Graphansicht zeigt die Verbindungen zwischen Artikeln

Wikilink-Regeln

  • [[slug-name]] verwenden, NICHT [[concepts/slug-name]]
  • Obsidian löst über Dateinamen auf, Pfade brechen Links

Filtern von Fällen zur Kompilierung

Zwei Ansätze – die Excel-Datei direkt verwenden (bevorzugt) oder den Vault scannen:

Bevorzugt: Slugs aus der Excel-Datei extrahieren

# Excel parsen → eindeutige Projektnamen holen → slugifizieren → bündeln
wb = openpyxl.load_workbook(path, read_only=True)
cases = Counter(str(r[0]).strip() for r in list(wb.active.iter_rows(values_only=True))[1:] if r[0])
slugs = [{"slug": slugify(name), "logs": count} for name, count in cases.items()]

Dies ist präzise – es kompiliert nur das, was gerade importiert wurde.

Fallback: Vault nach Subcategory-Tag durchsuchen

for slug in os.listdir(cases_dir):
    for logfile in os.listdir(log_dir):
        if "settlement_activity_export" in open(logfile).read(200):
            new_slugs.append(slug)
            break

mtime-basiertes Filtern NICHT verwenden – es erfasst jeden Fall im Vault (einschließlich alter, deren Verzeichnisse während der Konvertierung berührt wurden).

Fallstricke

  1. Parallele Subagenten verursachen Race Conditions bei evidence_count – Abweichung von ±3 akzeptieren
  2. Subagenten nicht index.md neu schreiben lassen – nach allen Batches selbst neu aufbauen
  3. Große Fälle (1000+ Logs) müssen abgeschnitten werden – strategisch Stichproben ziehen
  4. Wikilinks mit Pfadpräfixen brechen in Obsidian – concepts/ usw. entfernen
  5. Das compile.py-Skript generiert Prompts, ruft aber nicht direkt das LLM auf – delegate_task verwenden
  6. Einige Artikel verweisen auf Wunschlinks (noch nicht erstellte Artikel) – das ist in Ordnung, sie werden erstellt, sobald mehr Fälle kompiliert werden
  7. mtime-basiertes Vault-Scannen funktioniert NICHT zur Identifizierung "gerade importierter" Fälle – die Konvertierung berührt auch vorhandene Verzeichnisse. Die Fallliste immer aus der Excel-Datei selbst extrahieren.
  8. Abschlussfälle sind meist Ablehnungen, keine Nachabschluss-Abwicklungen. Der Ablehnungs-/Abschluss-Workflow erhält den größten Evidenzschub aus Abschlussdaten, nicht der Abwicklungsauszahlungs-Workflow.
  9. Kleine Batches (<10 Fälle) erschöpfen Subagenten-Interaktionen, wenn sie alle 89 Artikel lesen müssen. Zeigen Sie sie stattdessen auf bestimmte Artikel.

Multi-Datei-Workflow

Wenn der Benutzer mehrere Excel-Dateien sendet, zuerst alle konvertieren, dann kompilieren:

  1. /tmp/convert_excel.py wiederverwenden – einfach den Dateinamen für jede Datei anpassen
  2. Nachdem alle konvertiert sind, nur die NEUEN Fälle bündeln (Slugify + Existenzprüfung verwenden)
  3. In 3 parallelen Batches kompilieren, dann einmal am Ende den Index neu aufbauen

Duplikaterkennung

Der Benutzer kann dieselbe Datei zweimal senden (gleicher Name, andere Dokument-ID). Zeilenanzahl + erste/letzte Zeile vergleichen, um Duplikate vor der Konvertierung zu erkennen.

Größenbestimmung aus Importen

  • Datei 1 (settlement_1): 17,6K Einträge, 198 Fälle, 6,2K Logdateien
  • Datei 2 (settlement_2): 22,1K Einträge, 169 Fälle, 7,3K Logdateien
  • Datei 3 (settlement_3): 688 Einträge, 8 Fälle (klein – Einzelbatch)
  • Datei 4 (closing): 9,3K Einträge, 125 Fälle, 2,9K Logdateien
  • Dateien 5-7 (archiviert 2,3,4): 64,3K Einträge, 692 Fälle, 21K Logdateien Insgesamt aufgenommen: ~114K Einträge, 1.170 Fälle, ~56K Logdateien → 93 Wiki-Artikel

Bevorzugtes Batching

  • <20 Fälle: Einzelner Subagent, kein Batching
  • 20-300 Fälle: 3 parallele Subagenten
  • 300 Fälle: 3 parallele Subagenten mit aggressiver Stichprobenziehung (erste 10 + letzte 10)

  • Index.md IMMER nach Abschluss ALLER Batches neu aufbauen (Subagenten niemals daran rühren lassen)

Fallstrick: mtime-basiertes Filtern unzuverlässig

Datei-mtime nicht verwenden, um "neue" Fälle zu finden – convert_excel.py berührt auch vorhandene Dateien. Stattdessen Fallnamen direkt aus Excel extrahieren und slugifizieren, um die Zielliste zu erhalten.

Dateien

  • FirmVault: /opt/data/FirmVault
  • Wiki: /opt/data/FirmVault/wiki/
  • Schema: wiki/AGENTS.md
  • Konverter: /tmp/convert_excel.py (Dateiname zwischen Durchläufen anpassen)
  • Artikelanzahl: 65 Konzepte + 28 Verbindungen = 93 insgesamt (ab 12.04.2026)
  • Entscheidungen: /opt/data/FirmVault/decisions/ (ADR-000 bis ADR-006)
  • Prüfbericht: /opt/data/FirmVault/wiki/reports/workflow-vs-wiki-audit.md
  • v2-Entwurf: /opt/data/FirmVault/wiki/reports/PHASE_DAG_v2_proposal.md

Workflow-Audit

Nach einer größeren Kompilierungsrunde das Wiki gegen den PHASE_DAG prüfen:

  1. PHASE_DAG.yaml lesen (vorgeschriebener Workflow)
  2. Alle Wiki-Artikel lesen (beobachtete Realität)
  3. Vergleichen: Widersprüche, Lücken, Redundanzen
  4. Prüfbericht nach wiki/reports/ schreiben
  5. Falls Änderungen erforderlich, PHASE_DAG v2-Entwurf erstellen
  6. Entscheidungen als ADRs in decisions/ dokumentieren (aus stirps-ai/stirps-gov übernommen)

Dieses Audit hat 93 Wiki-Artikel in umsetzbare Architekturentscheidungen verwandelt. Das Wiki ist Evidenz; die ADRs sind Verpflichtungen.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

ThomasMoreAI/legal-skills-open

Track the IP portfolio — registrations, renewals, maintenance fees, and use declarations. Use when checking what's renewing, adding or updating an asset, recording a maintenance filing, or auditing the register for gaps, lapses, and use-in-commerce questions. Receives handoffs from prosecution and clearance work.

ThomasMoreAI/legal-skills-open

When the user's message starts with "Canada" (case-insensitive), generate a full Ontario PI Case Assessment Memo from the case_stressor corpus and return it verbatim. This is the primary handler for Canadian fact patterns — DO NOT ask clarifying questions first; run the memo and let the lawyer react.

ThomasMoreAI/legal-skills-open

交通事故责任评估与判定专业技能。当用户需要交通事故责任分析、事故现场照片评估、交通法规咨询、事故责任划分、法律依据查询时触发此技能。适用于车辆碰撞事故、行人事故、非机动车事故等各类道路交通事故的责任认定场景。无论用户使用"交通事故"、"车祸"、"责任判定"、"交通法规"、"事故定责"等何种表述,只要涉及交通事故评估或责任认定,均应调用此技能。

ThomasMoreAI/legal-skills-open

Für Anmeldestrategie & Markenportfolio für Luxus-Modehäuser: ordnet Norm, Beweislast und Gegenargument; Ergebnis: Verhandlungs- oder Eskalationslinie.

ThomasMoreAI/legal-skills-open

Audit an intellectual-property portfolio for ownership, protection, scope, deadlines, territorial coverage, use, value, encumbrances, and enforcement risk. Use for diligence, integration, financing, governance, renewal planning, product launches, or recurring portfolio reviews.

ThomasMoreAI/legal-skills-open

Use whenever the user asks about a motor-vehicle statute, citation, contributing factor, OR a Canadian personal-injury fact pattern — always query Specter's Harvester API before answering. The API auto-routes between two collections (US statutes + Canadian PI case law).

ThomasMoreAI/legal-skills-open

Assesses product liability exposure on given facts — classifying the defect as manufacturing, design, or warning/instruction, mapping which party in the supply chain is potentially exposed, and grading the realistic exposure. Use this whenever a user wants product liability worked through rather than a general deficiency test — including phrasings like "what's our exposure if this product injured someone", "is this a design defect or a manufacturing defect", "who in the supply chain is on the hook here", "assess our product liability risk on these facts", or "how exposed are we if the warning label was inadequate". Distinct from deficiency-analyst, which tests service and trade-practice thresholds — this is specific to defective products and supply-chain exposure. Fires for any product liability question, in any jurisdiction, for manufacturers, assemblers, sellers, distributors, or importers.

ThomasMoreAI/legal-skills-open

Dubletten und Serienforderungen in Insolvenzanmeldungen erkennen: Anwendungsfall mehrere Gläubiger melden gleichartige oder identische Forderungen an; Inkassounternehmen und Originalgläubiger reichen parallel ein. § 174 InsO Forderungsanmeldung, § 178 InsO Tabelle Bestreiten. Prüfraster Doppelerfassung gleicher Rechnung, Serienrechnungen mit laufenden Nummern, Konzernforderungen und Vertreterwechsel, mehrfach eingereichte Titel. Output Dublettenprotokoll mit Unterscheidung echte Dublette vs. Serienforderung. Abgrenzung zu Aktenanlage-Batchregister und zu Formalprüfung.

ThomasMoreAI/legal-skills-open

Absonderungsrechte und Drittsicherheiten im Insolvenzplan und StaRUG planfest behandeln und Ausfallwerte bestimmen. §§ 49 50 51 224 InsO §§ 2 Abs. 4 StaRUG Drittsicherheiten. Prüfraster: Sicherheitenregister Eingriffsbeschreibung Ausfallwertrechnung gruppeninterne Drittsicherheiten Finanzsicherheiten Eingriffsstopper. Output: Sicherheitenregister Ausfallwertrechnung Drittsicherheitenmodul. Abgrenzung: nicht für allgemeine Gruppenbildung.

ThomasMoreAI/legal-skills-open

Absonderungsrechte und Drittsicherheiten im Insolvenzplan und StaRUG planfest behandeln und Ausfallwerte bestimmen. §§ 49 50 51 224 InsO Absonderung § 2 Abs. 4 StaRUG Drittsicherheiten. Prüfraster: Sicherheitenregister Eingriffsbeschreibung Ausfallwertrechnung Finanzsicherheiten unzulässige Eingriffe. Output: Sicherheitenregister Ausfallwertrechnung Drittsicherheitenmodul. Abgrenzung: nicht für allgemeine Gruppenbildung.

ThomasMoreAI/legal-skills-open

Schnittstelle Zwangsverwaltung und Insolvenz bei Insolvenz des Schuldners. Anwendungsfall Schuldner wird insolvent waehrend Zwangsverwaltung laeuft und Verwalter muss Koordination mit Insolvenzverwalter klaeren. Normen § 165 InsO Absonderungsrecht § 49 InsO Grundpfandgläubiger § 155 ZVG Einnahmen. Prüfraster Insolvenzeroeffnung Absonderung Verwalterkommunikation Forderungsanmeldung Verteilungsauswirkungen. Output Koordinationsprotokoll mit Absonderungsnachweis Forderungsanmeldungsunterlagen und Abstimmungsprotokoll Insolvenzverwalter. Abgrenzung zu zvg-verteilungsplan-155 und zvg-rechnungslegung.

ThomasMoreAI/legal-skills-open

KI-VO Hochrisiko-Anforderungen für Personalwesen in Kanzleien ab August 2026: Anwendungsfall Kanzlei setzt KI im HR-Bereich ein oder beraet Mandanten zum AGG-konformen KI-Einsatz bei Bewerberauswahl. Anhang III Nr. 4 KI-VO Hochrisiko Bewerberauswahl, Inkrafttreten 2. August 2026, AGG Diskriminierungsverbot. Prüfraster Hochrisiko-Klassifizierung eigener HR-KI, Konformitätsbewertung, Transparenzpflichten für Betroffene, Beratungsmandate Arbeitsrecht. Output Checkliste Hochrisiko-Anforderungen mit Umsetzungsplan für August 2026. Abgrenzung zu Bias-und-Diskriminierung-Prüfung und zu KI-VO-Betreiber-Pflichten.

ThomasMoreAI/legal-skills-open

Für /tabellenreview-3d:vorlage-arbeitsvertrag-portfolio: ordnet Norm, Beweislast und Gegenargument; Ergebnis: Prüfprodukt mit Risiko und nächstem Schritt.

ThomasMoreAI/legal-skills-open

Big-Law Billing Narratives und Abrechnung für M&A-Mandate erstellen: Anwendungsfall Associate oder Partnerassistenz muss taugliche Time Narratives Phasenbudgets Workstream-Rechnungen Cap- und Success-Fee-Hinweise erstellen. § 3a RVG Stundenhonorar, GoBD Buchungsanforderungen, XRechnung ZUGFeRD. Prüfraster Honorarvereinbarung prüfen, Time Entries nach Phase strukturieren, Cap-Verbrauch ueberwachen, Success-Fee-Bedingungen abgleichen. Output deal-tauffähige Rechnungsnarrative mit Matter-Controlling und GoBD-konformem Buchungsnachweis. Abgrenzung zu E-Rechnung-GoBD für freistehende Abrechnung.

ThomasMoreAI/legal-skills-open

Zeiterfassung mit abrechenbaren Narrativen für Kanzlei-Mandate. Anwendungsfall Anwalt hat Tätigkeit ausgeubt und will Zeit mit praezisem Narrativ erfassen für spaetere Rechnungsstellung. Normen § 10 RVG Pflichtangaben Narrative GoBD-Zeitstempel. Prüfraster Akte Dauer Takt 6-Minuten-Bloecke Bearbeiter Tätigkeit Honorargrundlage Abrechenbarkeit Datenschutzreduktion. Output Zeiterfassungsprotokoll mit Narrativ Abrechenbarkeit und Rechnungsvorbereitungsnotiz. Abgrenzung zu timesheet-aktenzeitung (Gesamtzeittabelle) und kanzlei-allgemein-rechnung.

ThomasMoreAI/legal-skills-open

Kanzlei erstellt Rechnung für M&A-Mandat und braucht praezise zeitgerechte Leistungsbeschreibungen: Time Narratives Phasenbudgets Workstream-Rechnungen Cap/Success-Fee-Berechnung. Normen RVG §§ 1 ff. BRAO § 49b AO-Steuerrecht. Prüfraster Workstream-Zeiterfassung Phasenzuordnung Korrektur Mandantsfreigabe. Output Narratives-Dokument Workstream-Abrechnung Rechnungsentwurf. Abgrenzung zu mittelstand-ma-erechnung-gobd (GoBD/XRechnung-Format).

ThomasMoreAI/legal-skills-open

Unternehmen oder Kanzlei muss IP-Portfolio verwalten und anstehende Fristen im Blick behalten. Schutzrechtsportfolio-Verwaltung. Prüfraster: Eintragungen Verlaengerungen Jahresgebühren Benutzungsnachweise Fristkalender. Output: Fristenkalender und Portfolio-Audit mit Luecken Verfall und Benutzungsfragen. Abgrenzung zu schutzschrift-eilverfuegung (Verletzungsverteidigung) und markenanmeldung-dpma.

ThomasMoreAI/legal-skills-open

Für Prozessportfolio-Status: ordnet Norm, Beweislast und Gegenargument; Ergebnis: Prüfprodukt mit Risiko und nächstem Schritt.

ThomasMoreAI/legal-skills-open

Workflow-Skill zu aufklaerungsfehler beweisstrategie. Nutzt Normtext, Nutzerangaben und verifizierte Quellen; Rechtsprechung nur nach Live-Pruefung mit Gericht, Datum und Aktenzeichen.

ThomasMoreAI/legal-skills-open

Use when a matter involves marriage, divorce, property division, custody, or inheritance for non-Muslim residents of the UAE under Federal Decree-Law 41/2022 (the UAE Civil Personal Status Law) or the DIFC Wills Service Centre. Covers no-fault divorce, joint-custody default, equal-property division, testamentary freedom for non-Muslims, pre-nuptial agreement enforceability, and the parallel DIFC/ADGM wills regimes. Contrasts with the UAE Personal Status Law 28/2005 (Sharia-based) which governs Muslim residents. Triggers on non-Muslim divorce UAE, UAE civil marriage, DIFC wills, UAE prenup, or expat family law UAE questions.

Verwandte Skills