RAG（检索增强生成）正经历从“一次查询命中”到“多步骤智能体工作流”的范式迁移。近期，LlamaIndex 发布了 legal-kb——一款基于 Index v2（LlamaParse Platform）的法律文档知识库参考应用，将这一理念具象化为可部署的工程模板。

legal-kb 的核心在于采用了 Retrieval Harness 模式，为 Agent 配备四个模拟文件系统的专用工具：retrieve（混合语义检索，支持 rerank 与引用）、findFiles（精确或模糊文件名搜索）、readFile（带偏移量的原始内容读取）和 grepFile（正则匹配并返回字符位置）。Agent 的工作流被显式设计为“先调用 findFiles 确定文件清单，再依次使用其他工具定位具体内容”——这不再是传统 RAG 中一次性的向量检索，而更像一位尽责的审查员按步骤翻阅卷宗。

底层实现上，legal-kb 基于 Vercel AI SDK 6 的 ToolLoopAgent，支持 OpenAI 和 Anthropic 的模型，用户可自带 API key。项目以 TanStack Start web app 形式运行，上传后文档自动解析并建立索引；同一文件名重复上传会自动产生版本，检索时可通过版本元数据字段过滤，这对法律场景中频繁修订的合同尤为实用。事实上，legal-kb 的推荐理由直指痛点：合同审查与尽调团队所面对的不是单一问答，而是需要“定位文件→精准检索→上下文阅读→模式匹配”的多步决策链——传统 RAG 难以胜任。

从行业对比看，主流 RAG 框架（如 LangChain 的简单链式检索）多聚焦于单轮语义匹配，而 legal-kb 将 Agent 的编排能力与文件系统操作语义结合，使大模型能够“看见”文档的物理边界与内在结构。这种设计带来的不仅是准确率的提升，更是可审计性与可解释性——每一步操作均可记录，方便合规审查。此外，用户自带 API key 的配置方式降低了 SaaS 绑定风险，适合对数据主权敏感的法律科技团队。

对于有意构建内部合同审查或尽调工具的开发者，legal-kb 提供的不仅是一套代码，更是一种思考框架：如何将专业领域的工作流拆解为 Agent 可调用的原子工具？一个务实起点是复制其 ToolLoopAgent 的交互逻辑，搭配自有文档标注与版本管理模块。随着多步骤智能体检索成为 RAG 应用的新标配，法律、金融等重度依赖文档审查的行业有望率先从“搜索式”知识库迈向“协作式”智能工作流。