法律文档检索正从一次性的语义搜索转向多步骤的智能体协作。LlamaIndex最新发布的legal-kb参考应用，正是这一趋势的典型代表。该项目不仅是一个知识库，更是一套可复用的智能体设计模板，直接回应了合同审查与尽职调查场景中高精度、多步骤、可追溯的检索需求。

legal-kb基于LlamaIndex的Index v2（LlamaParse Platform）构建，核心创新在于采用Retrieval Harness模式。不同于传统RAG的一次查询即返回结果，该模式赋予Agent四个类文件系统的工具，形成一个强制性的检索闭环：首先，Agent调用findFiles进行精确或模糊的文件名搜索，确定需要审阅的文件清单；随后，使用retrieve执行混合语义检索，结合重排序与引用功能，定位相关段落；接着，通过readFile读取带偏移量的原始内容，确保上下文的完整性；最后，利用grepFile进行正则匹配，返回精确字符位置，用于验证或定位特定条款。这一流程模拟了人类律师“先找文件、再搜索、再阅读、再核对”的思维链条，大幅降低了大模型在不熟悉文档结构时产生的“猜测”风险。

在技术栈层面，legal-kb充分利用了Vercel AI SDK 6的ToolLoopAgent能力，支持用户自携带OpenAI或Anthropic API密钥，实现模型的灵活切换。项目以TanStack Start web应用形式运行，上传文档后自动解析并建立索引，值得关注的是其版本控制机制：同一文件名重复上传会生成不同版本，检索时可通过版本元数据字段进行精细过滤，这对于处理多轮修订的合同或法规文件极为实用。

从行业视角看，legal-kb的价值远超一个技术示范。它标志着RAG从“黑箱式搜索”向“透明化工作流”的进化——不是简单地回答问题，而是遵循可解释的步骤链。对于合同审查、尽调等需要严格溯源的领域，这种设计能显著提升输出的可信度。建议开发团队将这种“先定位、再检索、再验证”的模式作为一个通用模板，集成到自有法律AI系统中，以降低大模型幻觉风险。未来，智能体驱动的多步检索很可能成为专业文档处理的标配，而legal-kb提供了值得借鉴的起点。