传统RAG只做一次检索就给出答案，但在法律、合规等高度结构化的场景中，一次搜索往往无法满足“精准定位、逐层验证”的需求。License、条款引用、版本比对等工作需要先确认文档清单，再深入内容细节。LlamaIndex 最新发布的 legal-kb（基于 Index v2 / LlamaParse Platform）正是为了解决这一痛点而生——它将 RAG 从“单次搜索”升级为“多步文件调查循环”，为法律科技领域的智能体落地提供了一个可复用的参考架构。

legal-kb 的核心设计是 Retrieval Harness 模式，其智能体配备四个文件系统级别的工具：retrieve（混合语义检索，支持 rerank 和引用）、findFiles（精确/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）。与传统 RAG 的“一次 query 返回 top-k”不同，legal-kb 要求 Agent 必须按顺序执行“先定位文件 → 再搜索内容 → 再精确阅读 → 再正则提取”的多步指令。这种设计模拟了人类律师的作业流程：先翻案卷目录，再读指定段落。

底层引擎基于 Vercel AI SDK 6 的 ToolLoopAgent，支持 OpenAI 和 Anthropic 模型，用户可自带 API key。项目以 TanStack Start 全栈 Web 应用形式运行，上传文档后自动解析索引。值得注意的细节是：同一文件名的重复上传会产生版本，检索时可以通过版本元数据字段进行过滤。这意味着团队在合同审核或尽职调查中，可以针对不同版本的条款变更进行跨版本对比，极大提升检索的颗粒度。

从行业背景看，法律领域长期存在“文件理解精度不足”的问题。传统 RAG 在语义相似度检索时，常将“第 3 条第 1 款”匹配到不相关的段落，且无法区分同名文件的不同版本。legal-kb 的 findFiles + grepFile 组合提供了精准定位手段，而版本元数据则解决了版本混淆的痛点。这并非简单的工具堆砌，而是对文档处理流程的重构——智能体不再是一个“黑盒问答机”，而是一个可审计、可追溯的调查员。

对于从事合同审查、法律尽调或知识产权管理的团队，legal-kb 提供了一个可用作脚手架的开源模板。实际部署时需注意：一是模型选择上，Anthropic 的 Claude 在长上下文和工具调用方面更具优势；二是 API key 管理需做访问控制，避免泄露；三是版本过滤逻辑可根据业务需要扩展为时间戳或签名校验。随着多步 RAG 模式在金融、医疗等领域的渗透，legal-kb 的设计思路有望成为“检索即行动”类应用的基线架构。