传统RAG（检索增强生成）的“一次搜索”模式在复杂法律文档场景中往往力不从心。单次向量检索虽然能够定位高相关片段，却难以处理“先确认文件清单再精准定位”、“跨文件正则匹配”等律师日常工作流。LlamaIndex最新开源的legal-kb参考应用，恰好为这一痛点提供了系统性解法。该应用并非简单的知识库界面，而是一个基于Index v2（LlamaParse Platform）构建的智能体参考架构，其核心设计理念是将文件系统操作与语义检索整合进同一个Agent循环。

legal-kb采用Retrieval Harness模式，为Agent注入了四个文件系统风格的工具：retrieve负责混合语义检索（支持rerank与引用锚定）；findFiles用于精确或模糊文件名搜索；readFile支持带偏移量的原始内容读取；grepFile则实现正则匹配并返回字符位置。Agent的工作流程不再是单次向量查询，而是要求先调用findFiles确定文件清单，再依次使用retrieve、readFile或grepFile循环定位具体内容。这种多步骤的“侦探式”检索，尤其适合需要交叉验证、版本对比或关键词定位的合同审查与尽职调查场景。

底层技术上，legal-kb基于Vercel AI SDK 6的ToolLoopAgent，支持接入OpenAI或Anthropic大语言模型，且允许用户携带自己的API key运行——这对企业部署的数据安全控制至关重要。应用以TanStack Start web app形式运行，上传文件后自动解析并构建索引。值得指出的是，同一文件名重复上传时系统会自动产生版本，检索时可通过版本元数据字段过滤，这一设计直接回应了法律文档管理中“多版本并存”的刚需。

与市面上多数RAG框架的直接问答不同，legal-kb将文件系统的操作抽象为Agent工具，本质上是把“搜索”从被动响应升级为主动编排。对于合同审查团队而言，这一模板可直接复用或二次开发：例如在合并收购尽调中，先通过findFiles定位目标合同清单，再逐一用grepFile扫描特定条款的关键词位置，最后用retrieve获得语义关联证据。免去了传统人工翻阅或多次检索的繁琐。

LlamaIndex推出legal-kb，标志着AI工具链正从“单次检索”向“工作流自动化”演进。对法律科技开发者而言，该项目是掌握“Agent+文件系统”模式的绝佳起点；对于业务团队，其版本控制与工具链设计也提供了一个可直接参考的产品原型。建议相关领域团队优先关注其Retrieval Harness模式与版本管理逻辑，并结合自身文档结构与Agent规划能力做定制扩展。这也预示着，未来RAG系统将更多转向“工具调用式”的循环推理，而非固定的一问一答。