LlamaIndex 开源 legal-kb：给 AI 代理配一套文件系统工具，专治法律文档检索

一句话看懂

LlamaIndex 开源 legal-kb，一个参考应用，让 AI 代理像操作文件系统一样检索法律文档，支持语义搜索、文件名查找、内容读取和正则 grep。

详细发生了什么

LlamaIndex 在 GitHub 上开源了 legal-kb，一个面向法律文档的知识库参考应用，基于 LlamaIndex Index v2（LlamaParse 平台）。它展示了一种称为 Retrieval Harness 的代理检索模式。与传统的单次检索不同，代理被赋予文件系统风格的工具，可以逐步爬取大型、动态的知识库来完成任务。

legal-kb 是一个可运行的 TanStack Start Web 应用，不是库。用户登录后创建项目、上传文件，即可与代理对话。每个项目对应一个托管的 LlamaCloud Index v2，上传的文件会自动解析和索引。代理在每次对话中实时查询该索引。

核心工具包括四个：

retrieve：混合语义搜索（hybrid semantic search），支持 reranking 和元数据过滤
findFiles：按文件名精确或模糊搜索文件
readFile：读取文件原始内容，支持偏移量和长度窗口
grepFile：在单个文件中匹配正则模式，返回字符位置

系统提示强制代理按顺序调用：先 findFiles 建立文件清单，再用 retrieve 缩小范围，最后用 readFile 或 grepFile 确认原文并引用。

版本控制方面，重新上传同名文件会产生 v1、v2、v3 版本，检索层可按版本元数据过滤。代理使用 Vercel AI SDK 6 的 ToolLoopAgent，支持 OpenAI 或 Anthropic 模型，用户自带 API key。

中文圈视角

legal-kb 对中文法律科技从业者意味着什么？

1. 国产平替的可行性 国内类似产品如 DeepSeek、Kimi 已支持长上下文和文件解析，但缺乏这种“文件系统式工具链”的标准化实现。法律文档检索的核心痛点是：合同条款分散在多个 PDF 中，传统 RAG 一次检索往往遗漏关键信息。legal-kb 的多步工具链（find → retrieve → read/grep）恰好解决这个问题。国内团队可以借鉴其思路，用 ModelScope 上的国产 Embedding 模型（如 BAAI/bge-large-zh-v1.5）和向量数据库（如 Milvus）实现类似架构。

2. 中文场景的适配挑战 法律文档中大量使用中文专有名词和长文本，混合检索的语义匹配精度是关键。legal-kb 的 retrieve 工具支持 reranking，但默认的 rerank 模型可能对中文支持不佳。国内用户需要替换为中文优化的 reranker（如 BAAI/bge-reranker-v2-m3）。此外，grep 工具对中文正则表达式的支持需要额外测试。

3. 合规与数据安全 legal-kb 要求用户自带 API key，数据通过 LlamaCloud 处理。对于中国法律行业，数据出境是敏感问题。国内用户可能需要自建 LlamaIndex 后端，或将数据存储在本地向量数据库中。好消息是 LlamaIndex 本身支持多种后端，可以对接国内云服务。

4. 中文圈尚未讨论的盲点 legal-kb 的版本控制功能对合同版本管理非常实用，但中文法律界对 AI 代理的“可解释性”要求更高。legal-kb 的视觉引用（点击 citation 跳转到原文截图并高亮）是一个亮点，但国内用户可能更希望引用能直接链接到 PDF 中的具体段落，而非截图。

几条值得记住的细节

四个工具：retrieve（混合搜索）、findFiles（文件名搜索）、readFile（读取内容）、grepFile（正则匹配），按顺序调用。
版本控制：同一项目下同名文件自动生成 v1、v2、v3，检索时可指定版本。
自带 API key：用户需提供 OpenAI 或 Anthropic 的 API key，模型可切换。
视觉引用：每个检索结果生成短 ID（如 cite:c7f2qa），UI 渲染可点击的引用芯片，点击后打开源页面截图并高亮引用文本。
技术栈：TanStack Start、AI SDK 6（ToolLoopAgent）、Prisma、WorkOS。

一句话总结

legal-kb 为法律文档的 AI 检索提供了可复用的工具链范式，中文开发者可借鉴其多步检索思路，但需注意模型和数据的本地化适配。