当大模型遇上法律文档，行业早已不满足于“问一句、答一段”的浅层问答。法律合同的审查与尽职调查，本质上是一个多步骤、高精度、上下文敏感的认知过程：先找到正确的文件，再定位到具体条款，最后还要进行交叉比对与逻辑推断。LlamaIndex 最新发布的 legal-kb 开源项目，正是对这一过程的精准技术映射。

legal-kb 并非一个简单的 RAG（检索增强生成）应用。其核心创新在于采用了 Retrieval Harness 模式，将 Agent的检索权具象化为四个文件系统风格的工具：retrieve（混合语义检索，支持 rerank 与引用）、findFiles（精确/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）。这一设计颠覆了传统 RAG“一次搜索，全文回答”的扁平架构，转而模拟人类专家“先找文件、再搜、再读、再 grep”的认知循环，使 AI 在复杂的法律文档中能执行细粒度的逻辑递进。

更值得关注的是其工作流程中的强制性顺序约束：Agent 必须首先调用 findFiles 确定文件清单，之后才能依次使用其它工具定位具体内容。这看似繁琐，实则避免了在成千上万份合同中大海捞针的盲区，通过缩小搜索域大幅提升召回精度。底层基于 Vercel AI SDK 6 的 ToolLoopAgent，同时支持 OpenAI 或 Anthropic 模型，允许用户自带 API Key，兼顾了灵活性与隐私合规。

从工程实现看，legal-kb 以 TanStack Start Web 应用形式运行，上传文件即自动解析索引，且支持版本管理——同一文件名重复上传自动生成版本，检索时可通过版本元数据字段进行过滤。这意味着在处理合同迭代、多版审核等场景时，团队能精准回溯历史版本中的具体条款，解决了法律科技领域长期存在的“版本混乱”痛点。

对于正在搭建内部法律知识库或智能尽调系统的团队而言，legal-kb 提供了一个高价值的技术范本。它将 RAG 从一个“一次性的语义搜索”升级为“有纪律、有步骤的 Agent 工作流”，在保持大模型体验流畅性的同时，极大增强了对复杂文档的理解控制力。可以预见，这种将系统操作同 AI 推理深度绑定的模式，将在金融、法律、审计等对权威性与可溯源性要求极高的垂直领域，加速从实验性 Demo 到生产级应用的转化。