legal-rag-agent：面向中国法律文本快照的可复现 RAG 检索与评测系统

核心能力与快速开始

★ 0 · Python

能做什么

提供面向中国法律文本快照的完整 RAG 工程链路：包含数据画像、4 种分块策略实验、自研中文 BM25、dense 检索、RRF 融合、可选 BGE cross-encoder 重排、法律名与条号 metadata boost 以及完整 ranking trace。具备受控 Adaptive RAG 能力，包括规则型 Query Analyzer、严格 JSON normalizer、有界 multi-query planner、证据合并与最多一轮补检索。生成侧具备高风险请求预拒答、证据充分性检查、结构化回答兼容层、引用 ID 与范围检查、资料不足或澄清模板以及最终交付前复核。评测体系包含 120 条分层评测集、30 条固定生成子集、bootstrap 95% CI、显式行为分母与自动五维实验矩阵，并记录 Hit@k、MRR、延迟、引用有效性、verifier 与 judge 指标。存储层提供 PostgreSQL/pgvector 版本化语料、精确检索、原子快照切换与可复现导入，后续版本增加持久会话、Bearer 身份隔离、幂等 run、SSE 续读、LangGraph checkpoint 与跨进程故障恢复。

适用场景

适合法律文本检索与 RAG 工程的实验研究，用于评测不同分块策略、检索器、embedding 与自适应策略在法律语料上的效果差异；也可作为可复现实验工程实践的参考，包括实验生命周期管理、失败归因、缓存契约与质量成本指标聚合。可支持在指定法律快照范围内进行带引用的检索式问答研究，以及在证据不足时安全停止或澄清的生成边界验证。需注意本项目仅用于检索与工程研究，不提供个案法律意见，且仓库不随附完整法律语料。

项目形态

开发框架

部署方式

材料说明环境需要 Python 3.10+ 与 uv，可选 Ollama 用于本地生成，可选 SiliconFlow API Key 用于 Qwen3 embedding、API 模型和 LLM-as-judge。M3 起涉及 PostgreSQL/pgvector，命令形态中通过 LEGAL_RAG_DATABASE_URL 指定数据库。完整部署条件、硬件要求、API 成本与商用许可限制未说明。

主要依赖

需要 Python 3.10+、uv 包管理器以及本地法律语料（基础语料来自 Hugging Face 的 Kuugo/Chinese_Law，内容截止 2025-01-01）。可选 Ollama、SiliconFlow API Key、PostgreSQL/pgvector。历史结果使用 203 部法律的本地增强快照，精确复跑历史数字需要相同语料。首次运行 BGE reranker 需下载约 2.29 GB 模型。详细依赖与资源需求未说明。

使用限制

README 明确说明项目不提供个案法律意见，不随附完整法律语料，历史快照内容截止日期为 2025-01-01，不声称覆盖全部当前有效法律。规则型 verifier 属于启发式防线，不是语义支持或法律正确性证明；无校准语义评审时支持状态保持 uncertain 或 not_checked。评测数字来自特定语料快照与模型版本，不是跨语料、跨时间的效果承诺。Adaptive 默认关闭，reranker 默认不加载。仓库许可信息未在材料中说明，不能断言免费或可商用。

许可证

未说明

最近推送

2026-09-29 19:21

资料检查：2026-09-30 07:00 · 卡片整理：2026-09-30 09:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

作为可复现的 RAG 工程参考实现，用于构建和评测中文法律文本检索系统：实现自研中文 BM25、dense、RRF 融合与可选 cross-encoder 重排等检索能力，并配套分层评测集、bootstrap 置信区间、五维实验矩阵和失败归因的评测体系，帮助程序员在开发检索增强生成应用时进行检索质量验证与优化对比。

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证