1.基于大语言模型的法律辅助方法，其特征在于，方法具体如下：步骤S1，获取已有结果的法律案件对应的案例文书，将案例文书进行预处理，而后依据案件类型对预处理完成的案例文书进行分类；

步骤S2，获取法律案件场景需求，依据法律案件场景需求得到对应的案件类型，基于案件类型通过智能场景模型生成法律案件场景；

步骤S3，获取法律法规数据，而后收集学习人员对法律案件场景所使用的法条，将学习人员使用的法条合并为法条回答数据并进行分析；

其中，所述步骤S3包括如下子步骤：

步骤S31，构建法律法规数据库，依据法律法规数据库获得法律法规数据；

步骤S32，将法条回答数据中任一法条与法律法规数据逐一进行比对；

步骤S33，若法条回答数据与法律法规数据中对应的法条均相同，则进入下一步骤；

若法条回答数据中任一法条与法律法规数据中对应的法条不相同，则判定法条回答数据为错误；

步骤S4，提取法律案件场景中的特征信息，而后根据提取得到的特征信息构建法条匹配指数，基于法条匹配指数从法律法规数据中检索适用于法律案件场景的法条；

其中，所述步骤S4包括如下子步骤：

步骤S41，获取法律案件场景中的事件主体和结果主体，提取得到事件主体的第一特征信息和结果主体中的第二特征信息；

通过对事件主体和结果主体进行分词，而后对分词后的事件主体和结果主体进行词性标注，标注完成后对特定词性的词语进行提取，得到事件主体的第一特征信息和结果主体的第二特征信息；

步骤S42，逐一遍历法律法规数据中的法条，若法条中存在与第一特征信息相同的内容，则增加第一特征信息的关键词得分，得到第一特征信息的关键词得分DYG；逐一遍历法律法规数据中的法条，若法条中存在与第二特征信息相同的内容，则增加第二特征信息的关键词得分，得到第二特征信息的关键词得分DEG；

步骤S43，通过公式FTP=w1×DYG+w2×DEG计算得到法条匹配指数FTP；式中，w1和w2为固定数值的权重系数，且w1＞w2；

步骤S44，当任一法条的法条匹配指数大于等于匹配指数阈值时，将该法条作为适用该法律案件场景的法条，并将存在的一条或多条法条适用于同一法律案件场景，则将其合并记为第一法条数据；

当法条匹配指数小于匹配指数阈值时，则不进行任何操作；

步骤S5，依据第一法条数据对法条回答数据的正确情况进行判定。

2.根据权利要求1所述的基于大语言模型的法律辅助方法，其特征在于，所述步骤S1包括如下子步骤：步骤S11，获取任一案例文书中的案例事实和案例结果；

步骤S12，对案例文书中的案例事实进行预处理，得到第一文书数据；

步骤S13，将案例文书中的案例结果进行预处理，得到第二文书数据；

步骤S14，将各案例文书按照步骤S11～步骤S13逐一操作，得到任一案例文书对应的第一文书数据和第二文书数据，将所有案例文书的第一文书数据合并为案例事实数据，同时将所有案例文书的第二文书数据合并为案例结果数据；

步骤S15，依据案件类型构建对应的关键词库。

3.根据权利要求2所述的基于大语言模型的法律辅助方法，其特征在于，所述步骤S1还包括如下子步骤：步骤S16，对案件类型进行编号，统计任一案件类型对应关键词库中每个关键词在任一案例事实数据中出现的次数Cki，根据公式计算不同案件类型对应关键词库在案例事实数据中的关键词匹配得分PPDk，公式具体如下：，式中，i为任一关键词库内关键词的编号，i=1，2，……，n，n为正整数，k为案件类型的编号，wki为案件类型的编号为k时对应的关键词的编号为i时的关键词权重，且wki＞0；

步骤S17，将计算得到的关键词匹配得分进行排序，将最高的关键词匹配得分对应的案件类型作为案例文书的案件类型，而后逐一计算各案例文书的关键词匹配得分，得到各案例文书对应的案件类型，并根据案件类型将对应案例文书进行分类保存；

若关键词匹配得分相同，则计算不同案件类型对应关键词库在案例结果数据的关键词匹配得分，依据关键词匹配得分将案例文书根据案件类型进行分类保存。

4.根据权利要求2所述的基于大语言模型的法律辅助方法，其特征在于，所述第一文书数据的得到过程具体如下：将案例文书中的案例事实进行分词处理；

而后将冗余信息进行去除，得到第一文本信息；

将第一文本信息进行合并，合并得到第一文书数据。

5.根据权利要求2所述的基于大语言模型的法律辅助方法，其特征在于，所述第二文书数据的得到具体如下：将案例文书对应的案例结果中的格式性内容判定为冗余信息；

而后将案例结果中的冗余信息进行去除，得到第二文书数据。

6.根据权利要求3所述的基于大语言模型的法律辅助方法，其特征在于，所述步骤S2包括如下子步骤：步骤S21，将法律案件场景需求进行分词，分词后输入关键词库，而后计算法律案件场景需求的关键词匹配得分，得到法律案件场景需求的案件类型；

步骤S22，依据法律案件场景需求对应的案件类型，构建智能场景模型；

步骤S23，将构建得到的法律案件场景与任一案例文书进行比较，若法律案件场景与任一案例文书相同，则将对应法律案件场景去除，并重新构建法律案件场景；若法律案件场景与所有案例文书均不相同，则进入下一步骤。

7.根据权利要求6所述的基于大语言模型的法律辅助方法，其特征在于，所述步骤S22包括如下子步骤：步骤S221，依据法律案件场景需求对应的案件类型，从分类后的案例文书中获取对应的案件类型，将对应案件类型的案例文书进行分词，而后对词语进行分类，分类得到人名主体、时间主体、事件主体和结果主体，并合并为案例文书的主体数据；

步骤S222，构建智能场景模型；

步骤S223，随机选择分类得到的案例文书的主体数据，而后将案例文书的主体数据补充至智能场景模型内，构建得到法律案件场景。

8.根据权利要求1所述的基于大语言模型的法律辅助方法，其特征在于，所述步骤S5包括如下子步骤：步骤S51，若法条回答数据中所有法条与第一法条数据均相同，则判定法条回答数据的回答分数为满分；若法条回答数据内的法条数量小于第一法条数据内的法条数量，或任一法条回答数据与第一法条数据不同，则进入下一步骤；

步骤S52，获取法条回答数据中正确法条数和错误法条数，而后获取第一法条数据中适用法条数，通过公式计算得到法条回答数据的回答分数，公式具体如下：回答分数=满分×（正确法条数/适用法条数）‑k×错误法条数，式中，k为当法条错误时需扣除的分数；

步骤S53，当回答分数小于等于分数阈值时，判定回答分数为不及格；

当回答分数大于分数阈值时，判定回答分数为及格。