传统的RAG（检索增强生成）往往被视为一次“搜索+回答”的原子操作：用户提问，系统从向量库中召回片段，LLM据此生成答案。但对于法律文档、合同审查、尽职调查这类需要精确定位、多次验证和细粒度内容分析的场景，一次性检索远远不够——律师需要先确认文档清单，再按名称查找特定文件，阅读其内容，甚至用正则表达式匹配关键条款。LlamaIndex最新发布的legal-kb参考应用，正是将这一人类工作流映射为Agent的多步循环，标志着RAG从“被动检索”向“主动推理”的关键跃迁。

legal-kb基于LlamaIndex的Index v2（即LlamaParse Platform）构建法律文档知识库，其核心设计模式是Retrieval Harness。Agent被赋予四个类似文件系统的工具：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）以及grepFile（正则匹配并返回字符位置）。Agent需首先调用findFiles确定文件清单，然后顺序使用其他工具定位具体内容。这种“先找文件、再搜、再读、再grep”的多步循环，与人类律师处理案件的流程高度一致——先确认卷宗目录，再翻阅特定文档，最后精准定位条款位置。

在底层实现上，legal-kb依赖Vercel AI SDK 6的ToolLoopAgent，支持选择OpenAI或Anthropic模型，并允许用户自带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进行过滤。这一设计解决了法律团队常见的痛点：同一合同可能有多版修订，需要在检索时精准区分。

与业界其他RAG Agent方案相比，legal-kb的差异化在于工具粒度的务实设计。多数Agent检索系统倾向于将整个知识库作为单一工具，让LLM自行决定搜索策略，结果往往因模型幻觉而偏离目标。legal-kb则通过固定工具的调用顺序（findFiles → retrieve/readFile/grepFile），强制Agent遵守“先定位文档，再分析内容”的流程，既降低了推理复杂度，又提升了结果的可解释性和准确率。对于合同审查、尽职调查团队而言，这意味着可以直接将领域工作流模板化，而无需从零构建Agent编排逻辑。

从行业趋势看，legal-kb的发布印证了企业知识库正在从“单次问答”转向“多步推理Agent”。传统RAG在简单事实查询上表现良好，但在法律、医疗、金融等需要多层验证和精确匹配的领域，Agent化的检索范式将逐渐成为标配。尤其值得注意的是，该项目是“参考应用”（reference app）而非通用框架——LlamaIndex刻意提供了一个可抄袭的模板，让开发者能够快速定制自己的多步检索Agent。这对中小法律科技公司、企业内部法务团队而言，降低了实验成本和时间窗口。

未来，随着LLM长上下文能力的提升和工具调用准确率的改善，我们可以预见更多类似legal-kb的垂直领域Agent出现。其核心启示在于：与其让Agent“无所不能”，不如为它设计一个符合人类专家工作流的“禁区”与“路径”。对于正在构建文档智能产品的团队，legal-kb是一个值得立即复用的起点——只需替换文件类型、调整rerank模型和正则规则，就能快速适配合同审查、尽调报告、法规库等多种场景。