RAG（检索增强生成）的演进正从“一次搜索”走向“多步推理”。LlamaIndex 最新发布的 legal-kb 参考应用，正是这一趋势的典型缩影——它不再满足于让大模型从向量数据库中“捞”一段文本，而是赋予 Agent 一套完整的文件系统操作工具，实现类似人类查阅文档时的分步检索流程。

legal-kb 基于 Index v2（LlamaParse Platform）构建，核心创新在于其设计的Retrieval Harness 模式。该模式为 Agent 配备了四个文件系统风格的工具：retrieve（混合语义检索，支持 rerank 与引用）、findFiles（精确/模糊文件名搜索）、readFile（带偏移量的原始内容读取）以及grepFile（正则匹配并返回字符位置）。这套工具链的设计逻辑，本质上模拟了法务人员审阅合同时的实际工作流：先确定哪些文件可能相关，再定位具体段落，最后进行精确匹配。

与传统 RAG 中将用户问题直接映射为向量搜索的做法不同，legal-kb 要求 Agent 先调用 findFiles 确定文件清单，再依次使用其他工具定位内容。这一“先找文件、再搜、再读、再 grep”的多步循环，将检索过程从“一次命中”升级为“逐步逼近”。对于合同审查、尽职调查等场景而言，这种设计更贴近真实业务逻辑——律师不会直接在海量文档中搜索某一法条，而是先锁定合同编号，再翻阅相关条款，最后核对具体表述。

底层实现上，legal-kb 基于 Vercel AI SDK 6 的 ToolLoopAgent，可选用 OpenAI 或 Anthropic 模型，并支持用户自带 API key。项目以 TanStack Start web app 形式运行，上传文件后自动解析索引，同一文件名重复上传可产生版本，检索时通过版本元数据字段过滤。这一版本管理能力，对需要频繁迭代合同模板或法规文件的企业而言尤为重要——它解决了传统 RAG 系统中“文档更新后旧向量仍残留”的常见痛点。

legal-kb 的发布，实际上暴露了当前 RAG 系统的一个结构性短板：简单向量检索难以应对需要多步骤、多条件组合的复杂文档查询。在法律、合规、审计等知识密集型场景中，用户往往需要“先定位文件、再筛选版本、最后精确匹配条款”的复合操作。legal-kb 提供的 Agent 工具链，本质上是对这些操作的系统化抽象。对于正在构建内部知识库的团队而言，legal-kb 是一个可直接复用的工程模板，而不仅仅是一个实验性 demo——它的工具设计逻辑、版本管理机制以及对多种模型后端的兼容，都降低了从概念验证到实际部署的门槛。