在合同审查与尽职调查等高精度法律文档处理场景中，传统 RAG（检索增强生成）的一次性向量检索往往无法满足对上下文连贯性和逐段验证的需求。LlamaIndex 最新发布的 legal-kb 参考应用，正是针对这一痛点设计：它不仅将检索升级为多步 Agent 推理，还通过一套“文件系统”风格的工具链，为法律科技从业者提供了一个可直接复用的模板。

legal-kb 基于 LlamaIndex 的 Index v2（即 LlamaParse Platform）构建，采用 Retrieval Harness 模式。核心创新在于将检索过程分解为四个原子化工具：retrieve（混合语义检索，支持 rerank 及引用来源）、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）。这些工具模拟了人类律师审查文档的工作流：先确定目标文件清单，再从中精确定位相关段落，最后通过正则提取关键条款。

与传统 RAG 的单次 embedding 搜索不同，legal-kb 要求 Agent 首先调用 findFiles 生成候选文件清单，随后依次调用其他工具进行语义检索、内容读取和逐行匹配。这种设计将检索从“一次命中”转变为“多步推理循环”，显著降低幻觉风险。例如，在审查一份跨多版本合同差异时，Agent 可先通过文件名版本号过滤，再检索特定条款的语义相近内容，最终用 grep 定位修改位置并返回字符偏移量供用户快速定位。

底层实现上，legal-kb 基于 Vercel AI SDK 6 的 ToolLoopAgent，允许开发者自由选用 OpenAI 或 Anthropic 模型，并支持用户自带 API key。应用以 TanStack Start web app 形式运行，上传文件后自动解析并建立索引，支持同一文件名重复上传以产生版本，检索时通过版本元数据字段进行过滤。这种架构兼顾了灵活性与安全性——敏感法律文档的 API 调用完全在用户控制下完成。

从行业趋势看，legal-kb 代表了 Agentic RAG 的典型实践：将单一检索节点扩展为多个专业工具的编排。对于从事合同管理系统、尽调平台开发的技术团队，该模板的价值在于：它提供了一套开箱即用的“文件-检索-读取-正则”四阶段流程，开发者只需调整索引配置和 prompt 即可适配自身文档库。尤其值得关注的是 version 字段的元数据过滤能力——这在多轮修订的法律场景中几乎是刚需。

建议团队可在此基础上进一步扩展：例如加入表格提取工具（处理合同中的价格清单）、增加 graph 索引用于关联条款引用，或将 grepFile 替换为更强大的结构化查询（如针对 clause 的搜索）。legal-kb 的发布再次印证：在专业领域，RAG 的下一步不是更大的模型，而是更精细的、模拟人类工作习惯的工具链条。