Communitygithub.com

Compilateur de Wiki de Cabinet d'Avocats

Compilez les connaissances pratiques institutionnelles des journaux d'activité de FirmVault en un wiki Obsidian structuré en utilisant l'architecture de base de connaissances LLM de Karpathy. À utiliser lors de l'ajout de nouveaux dossiers, de la recompilation, de l'interrogation ou du linting du wiki du cabinet.

Qu'est-ce que Compilateur de Wiki de Cabinet d'Avocats ?

Ce skill transforme des journaux d'activité bruts (provenant d'exportations Excel FileVine) en un wiki Obsidian structuré et interrelié pour un cabinet d'avocats. Il utilise une architecture à trois couches inspirée de Karpathy : les sources brutes (journaux d'activité et fichiers de dossiers) sont traitées par un compilateur LLM pour générer une couche wiki contenant des articles conceptuels et des connexions transversales. Le skill gère l'ingestion en masse de fichiers Excel, le dédoublonnage, l'échantillonnage stratégique des journaux pour les gros dossiers, et la compilation parallèle par lots via des sous-agents. Il est conçu pour Obsidian (avec prise en charge des wikiliens et des graphiques) et produit des articles anonymisés avec des niveaux de confiance (faible, moyen, élevé). Il est utile pour les développeurs et les équipes juridiques souhaitant extraire des modèles de connaissances institutionnelles à partir de données d'activité historiques, et il s'intègre avec Hermes, OpenClaw et d'autres agents. Les plateformes prises en charge incluent Claude Code, Cursor, et Codex. Le skill inclut également un audit de workflow pour garantir la cohérence entre les articles du wiki et les processus métier.

Compatible avec~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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Compilateur de Wiki de Cabinet d'Avocats ?

Quand l'utiliser

  • Ajouter de nouveaux dossiers ou des archives de dossiers anciens au wiki
  • Recompiler après des mises à jour des journaux d'activité
  • Interroger le wiki pour des connaissances institutionnelles
  • Exécuter des vérifications de lint/état de santé sur les articles du wiki
  • Générer des compétences Hermes à partir des articles du wiki

Ingestion Excel (exportations d'activité FileVine)

Quand Aaron envoie une feuille de calcul Excel des journaux d'activité de FileVine :

Format attendu

  • Colonnes du tableur : Project Name | Note Text | Created At | (vide)
  • Project Name = "Nom du client Type de dossier MM/JJ/AAAA" (ex : "Amy Stich WC 01/17/2024")
  • Note Text = notes d'activité formatées en markdown (peuvent contenir des liens FileVine, des barrés)
  • Created At = date et heure

Étapes de conversion

  1. pip install openpyxl si nécessaire
  2. Charger avec openpyxl.load_workbook(path, read_only=True)
  3. Créer des slugs pour les noms de dossiers selon les règles FirmVault (minuscules, supprimer apostrophes/guillemets, & → and, non-alnum → traits d'union)
  4. Grouper les entrées par dossier, puis par date dans chaque dossier
  5. Écrire dans FirmVault/cases/<slug>/Activity Log/<YYYY-MM-DD>.md avec le frontmatter :
    schema_version: 2
    date: "YYYY-MM-DD"
    category: imported
    subcategory: settlement_activity_export
    
  6. Utiliser le tag subcategory: settlement_activity_export pour identifier ultérieurement les dossiers importés depuis Excel

Plusieurs fichiers en une session

Aaron envoie souvent plusieurs fichiers Excel en séquence. Traiter chaque fichier complètement (convertir → lote → compiler → reconstruire l'index) avant de demander le suivant. Le convertisseur gère le dédoublonnage automatiquement — si un répertoire de dossier existe déjà, les nouveaux journaux s'ajoutent ; si un fichier de journal existe pour cette date, il ajoute une section "Entrées importées".

Référence de taille (imports 2026-04-12)

  • Fichier 1 (settlement_1) : 17 639 lignes → 198 dossiers → 6 221 fichiers journaux (13,7 Mo)
  • Fichier 2 (settlement_2) : 22 182 lignes → 169 dossiers → 7 341 fichiers journaux (12,9 Mo)
  • Fichier 3 (settlement_3) : 688 lignes → 8 dossiers → 158 fichiers journaux (petit)
  • Fichier 4 (closing) : 9 363 lignes → 125 dossiers → 2 924 fichiers journaux
  • La conversion prend ~2 secondes par fichier
  • Détection des doublons : comparer le nombre de lignes + première/dernière ligne pour identifier les renvois

Décisions de taille de lot

  • >50 dossiers : 3 sous-agents en parallèle (répartir uniformément par nombre de journaux)
  • 10-50 dossiers : 1-2 sous-agents selon le volume de journaux
  • <10 dossiers : Sous-agent unique avec des mises à jour d'articles ciblées uniquement. Ne PAS lui faire lire tous les articles existants — le diriger vers les 5-6 articles les plus susceptibles d'être mis à jour. Définir max_iterations=30 pour éviter d'épuiser les tours de lecture.

Script de convertisseur réutilisable

Enregistrer dans /tmp/convert_excel.py, changer le chemin pour chaque nouveau fichier. Le script :

  • Utilise openpyxl (pip install si manquant)
  • Crée des slugs selon les règles FirmVault
  • Groupe par dossier → date → écrit du markdown avec frontmatter
  • Signale les répertoires de dossiers nouveaux ou mis à jour

Architecture

Modèle à 3 couches de Karpathy : sources brutes → compilateur LLM → wiki structuré

Couche 1 : Brute (immuable)
  cases/*/Activity Log/*.md  — 21K+ journaux d'activité
  cases/*/*.md               — fichiers de dossiers
  
Couche 2 : Wiki (maintenu par LLM)
  wiki/
    Home.md          — tableau de bord Obsidian
    index.md         — catalogue maître
    log.md           — historique de compilation
    concepts/*.md    — articles de connaissances atomiques (63 au 2026-04-12)
    connections/*.md — insights transversaux (26 au 2026-04-12)
    AGENTS.md        — schéma du compilateur (le cahier des charges)
    SPEC.md          — document d'architecture
    
Couche 3 : Consommateurs
  Compétences sémantiques Hermes, agents OpenClaw, Aaron via Hermes

Processus de compilation

Traitement par lots (pour dossiers en masse)

  1. Grouper les dossiers en lots d'environ 80K tokens
  2. Déléguer 3 lots en parallèle
  3. Chaque sous-agent lit AGENTS.md, les articles existants, les fichiers de dossiers + des journaux échantillonnés
  4. Les sous-agents METTENT À JOUR les articles existants (evidence_count++) ou en CRÉENT de nouveaux
  5. Ne PAS laisser les sous-agents réécrire index.md (condition de concurrence) — reconstruire après
  6. Reconstruire index.md à partir de tous les articles sur disque après la fin de tous les lots

Instructions clés pour les sous-agents du compilateur

  • Lire AGENTS.md pour le schéma complet
  • Lire TOUS les articles conceptuels + de connexions existants avant d'écrire
  • ANONYMISER toutes les données personnelles (utiliser "Dossier A", "Dossier B", etc.)
  • METTRE À JOUR existant > CRÉER nouveau (améliorer la confiance est l'objectif)
  • Confiance : faible (<5 dossiers), moyenne (5-9), élevée (10+)
  • Utiliser des [[wikiliens]] entre les articles
  • Ajouter à log.md, ne PAS réécrire index.md

Stratégie d'échantillonnage

  • Gros dossiers (400+ journaux) : 40 premiers + 40 derniers chronologiquement
  • Dossiers moyens (100-400) : 25 premiers + 25 derniers
  • Petits dossiers (<100) : 10 premiers + 10 derniers, ou tous

Modèle de prompt pour sous-agent

Compilateur de Wiki de Cabinet d'Avocats. Lire /opt/data/FirmVault/wiki/AGENTS.md.
Lire les articles existants dans wiki/concepts/ et wiki/connections/.
Compiler les dossiers : [LISTE]. Pour chacun : lire cases/<slug>/<slug>.md et
échantillonner les N premiers + N derniers journaux d'activité. METTRE À JOUR les articles existants
(incrementer evidence_count, améliorer la confiance : 5=moyenne, 10=élevée).
CRÉER nouveau uniquement pour des modèles vraiment nouveaux. ANONYMISER les données personnelles.
Écrire dans wiki/. Ne PAS réécrire index.md. Ajouter à wiki/log.md.

Adapter les prompts à la catégorie de données

Les différents exports Excel contiennent différents types de données. Ajouter une indication de focalisation :

  • Fichiers de règlement : "Se concentrer sur : les modèles de règlement, les tactiques de négociation, les délais de traitement, la gestion des délais de prescription, le comportement des assureurs, la résolution des privilèges"
  • Fichiers de clôture : "Ce sont des dossiers EN CLÔTURE — rechercher particulièrement : les workflows de clôture de dossier, les motifs de refus, la répartition finale, l'archivage des dossiers, les obligations post-clôture, les modèles de résiliation client"
  • Fichiers d'admission : Se concentrer sur l'intégration, la vérification d'assurance, les orientations de traitement initial Cela améliore considérablement la qualité de l'extraction de modèles.

Reconstruction de l'index

Toujours reconstruire index.md en tant que delegate_task séparée après que tous les lots de compilation sont terminés. Même pour les petits lots. Le sous-agent a juste besoin d'analyser le frontmatter YAML de tous les fichiers .md dans concepts/ + connections/ et de générer l'index selon le schéma dans AGENTS.md. Prend ~60 secondes, max_iterations=15.

Vault Obsidian

Le répertoire wiki/ EST un vault Obsidian :

  • Configuration .obsidian/ avec couleurs de graphe (bleu=concepts, orange=connexions)
  • Home.md comme page d'accueil
  • Les [[wikiliens]] utilisent les noms de slug (NON préfixés par le chemin)
  • La vue graphe montre les interconnexions des articles

Règles pour les wikiliens

  • Utiliser [[slug-name]] pas [[concepts/slug-name]]
  • Obsidian résout par nom de fichier, les chemins cassent les liens

Filtrer les dossiers pour la compilation

Deux approches — utiliser le fichier Excel directement (préférée) ou scanner le vault :

Préférée : Extraire les slugs du fichier Excel lui-même

# Analyser Excel → obtenir les noms de projet uniques → créer des slugs → lot
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()]

C'est précis — ne compile que ce qui vient d'être importé.

Alternative : Scanner le vault par tag de sous-catégorie

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

Ne PAS utiliser le filtrage basé sur mtime — cela prend tous les dossiers du vault (y compris les anciens dont les répertoires ont été touchés pendant la conversion).

Pièges

  1. Les sous-agents parallèles provoquent des conditions de concurrence sur evidence_count — accepter une variance de ±3
  2. Ne pas laisser les sous-agents réécrire index.md — le reconstruire soi-même après tous les lots
  3. Les gros dossiers (1000+ journaux) doivent être tronqués — échantillonner stratégiquement
  4. Les wikiliens avec des préfixes de chemin cassent dans Obsidian — supprimer concepts/ etc.
  5. Le script compile.py génère des prompts mais n'appelle pas le LLM directement — utiliser delegate_task
  6. Certains articles référencent des liens aspirationnels (articles pas encore créés) — c'est OK, ils seront créés à mesure que plus de dossiers seront compilés
  7. Le scan du vault basé sur mtime ne fonctionne pas pour identifier les dossiers "juste importés" — la conversion touche aussi les répertoires existants. Toujours extraire la liste des dossiers du fichier Excel lui-même.
  8. Les dossiers de clôture sont principalement des refus, pas des clôtures post-règlement. Le workflow refus/clôture reçoit le plus grand boost de preuves des données de clôture, pas le workflow de distribution du règlement.
  9. Les petits lots (<10 dossiers) épuisent les itérations des sous-agents si on leur fait lire les 89 articles. Les diriger vers des articles spécifiques à la place.

Workflow multi-fichier

Quand l'utilisateur envoie plusieurs fichiers Excel, convertir d'abord tous puis compiler :

  1. Réutiliser /tmp/convert_excel.py — juste changer le nom de fichier pour chaque fichier
  2. Après tous convertis, traiter les NOUVEAUX dossiers uniquement (utiliser slugify + vérifier l'existence)
  3. Compiler en 3 lots parallèles, puis reconstruire l'index une fois à la fin

Détection des doublons

L'utilisateur peut envoyer deux fois le même fichier (même nom, ID de document différent). Comparer les nombres de lignes + première/dernière ligne pour détecter les doublons avant de convertir.

Tailles des imports

  • Fichier 1 (settlement_1) : 17,6K entrées, 198 dossiers, 6,2K fichiers journaux
  • Fichier 2 (settlement_2) : 22,1K entrées, 169 dossiers, 7,3K fichiers journaux
  • Fichier 3 (settlement_3) : 688 entrées, 8 dossiers (petit — lot unique)
  • Fichier 4 (closing) : 9,3K entrées, 125 dossiers, 2,9K fichiers journaux
  • Fichiers 5-7 (archivés 2,3,4) : 64,3K entrées, 692 dossiers, 21K fichiers journaux Total ingéré : ~114K entrées, 1 170 dossiers, ~56K fichiers journaux → 93 articles wiki

Lotissement préféré

  • <20 dossiers : sous-agent unique, pas de lot
  • 20-300 dossiers : 3 sous-agents parallèles
  • 300 dossiers : 3 sous-agents parallèles avec échantillonnage agressif (10 premiers + 10 derniers)

  • Toujours reconstruire index.md APRÈS la fin de tous les lots (ne jamais laisser les sous-agents y toucher)

Piège : filtrage basé sur mtime peu fiable

Ne pas utiliser le mtime des fichiers pour trouver les dossiers "nouveaux" — convert_excel.py touche aussi les fichiers existants. À la place, extraire les noms de dossiers de l'Excel directement et créer des slugs pour obtenir la liste cible.

Fichiers

  • FirmVault : /opt/data/FirmVault
  • Wiki : /opt/data/FirmVault/wiki/
  • Schéma : wiki/AGENTS.md
  • Convertisseur : /tmp/convert_excel.py (changer le nom de fichier entre les exécutions)
  • Nombre d'articles : 65 concepts + 28 connexions = 93 total (au 2026-04-12)
  • Décisions : /opt/data/FirmVault/decisions/ (ADR-000 à ADR-006)
  • Rapport d'audit : /opt/data/FirmVault/wiki/reports/workflow-vs-wiki-audit.md
  • Proposition v2 : /opt/data/FirmVault/wiki/reports/PHASE_DAG_v2_proposal.md

Audit de workflow

Après un cycle de compilation majeur, auditer le wiki par rapport au PHASE_DAG :

  1. Lire PHASE_DAG.yaml (workflow prescrit)
  2. Lire tous les articles wiki (réalité observée)
  3. Comparer : contradictions, lacunes, redondances
  4. Écrire le rapport d'audit dans wiki/reports/
  5. Si des changements sont justifiés, rédiger une proposition PHASE_DAG v2
  6. Documenter les décisions comme ADR dans decisions/ (sélectionnées depuis stirps-ai/stirps-gov)

Cet audit est ce qui a transformé 93 articles wiki en décisions architecturales actionnables. Le wiki est une preuve ; les ADR sont des engagements.

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.

Skills associés