法律咨询 Agent¶

项目背景与目标¶

法律服务存在"需求多、门槛高、成本贵"的痛点。普通人遇到法律问题（劳动纠纷、婚姻家事、消费维权、合同问题）往往不知如何维权，律师咨询费又让很多人望而却步。智能法律咨询 Agent 通过法条检索、案例匹配、咨询建议生成，为大众提供 7×24 小时可用、低成本的初级法律咨询服务，引导合理维权。

本项目目标是构建一个法律咨询 Agent，覆盖常见民事咨询场景，核心能力包括法律问题理解、法条检索、相似案例匹配、咨询建议生成。系统须严格遵循"辅助不替代律师"原则：不代写诉状、不出具正式法律意见、复杂案件引导找律师。

需求分析¶

核心能力： 1. 问题理解：从用户自然语言描述提取法律要素（当事人、事实、诉求） 2. 法条检索：根据问题检索相关法律法规、司法解释 3. 案例匹配：检索相似判例，分析裁判倾向 4. 咨询建议：给出维权路径、证据准备、时效提醒 5. 风险提示：告知诉讼风险与成本 6. 律师匹配：复杂案件推荐对口律师

咨询领域：劳动、婚姻家事、合同、消费维权、交通事故、知识产权（初步）。

技术选型说明¶

模块	技术方案	选型理由
Agent 框架	LangGraph	多步骤咨询流程
法条库	向量 + BM25 混合检索	法律文本精准检索
案例库	Elasticsearch + 向量	判例多维度检索
LLM	Qwen-Max	法律推理与建议
知识图谱	Neo4j	法条-案例-概念关系
法律计算器	规则引擎	赔偿、时效计算
后端	FastAPI	流式回复
数据库	PostgreSQL	咨询记录

架构设计¶

flowchart TD
    U[用户咨询] --> UNDER[问题理解]
    UNDER --> EXTRACT[要素抽取]
    EXTRACT --> AGENT[咨询 Agent]
    AGENT --> LAW[法条检索]
    LAW --> VEC[(法条向量库)]
    LAW --> BM25[(法条索引)]
    AGENT --> CASE[案例匹配]
    CASE --> CDB[(案例库)]
    AGENT --> CALC[法律计算]
    CALC --> RULE[规则引擎]
    AGENT --> ADV[建议生成]
    ADV --> LLM[LLM 推理]
    LLM --> SAFE[安全审查]
    SAFE --> REPLY[回复用户]
    SAFE --> LAWYER{需律师?}
    LAWYER -->|是| REF[推荐律师]

关键模块实现思路¶

模块1：法律问题理解¶

用户描述往往口语化、要素不全（如"老板拖欠工资怎么办"）。LLM 抽取法律要素：当事人关系（雇主-员工）、事实（拖欠工资）、诉求（要回工资）、时间（是否过仲裁时效）。要素缺失时追问澄清。

LEGAL_ELEMENTS = {
    "当事人": "劳动关系/合同关系/侵权关系",
    "事实": "发生了什么",
    "诉求": "想要什么结果",
    "时间": "何时发生/是否过时效",
    "证据": "有无合同/记录/证人"
}
def extract_elements(text):
    return llm_extract(text, schema=LEGAL_ELEMENTS)

模块2：法条检索¶

法条库收录法律法规、司法解释、地方性法规，按条文分块向量化。检索采用向量 + BM25 混合：向量召回语义相关（"拖欠工资"匹配"劳动法第 50 条"），BM25 精确匹配法条编号与术语。

def search_law(query, elements):
    vec_results = vector_search(query, top_k=20)
    bm25_results = bm25_search(query, top_k=20)
    merged = hybrid_rank(vec_results, bm25_results)
    return rerank_by_relevance(merged, elements)

每条法条标注效力等级（法律>行政法规>部门规章>地方性法规），冲突时高效力优先。

模块3：相似案例匹配¶

案例库收录裁判文书（脱敏）。匹配维度：案由、事实要素、争议焦点、当事人关系。向量检索找语义相似案例，再用规则过滤（同案由、同地区优先）。

def match_cases(elements, top_k=5):
    query = encode_case(elements)
    candidates = case_vector_search(query, top_k=50)
    filtered = [c for c in candidates if c.cause == elements.cause]
    return rank_by_similarity(filtered, elements)[:top_k]

案例分析输出裁判倾向：支持率、典型裁判要点、判赔区间，帮助用户预期诉讼结果。

模块4：法律计算器¶

部分咨询涉及数值计算，用规则引擎精确完成： - 劳动仲裁时效：自知道权益受损起 1 年 - 诉讼时效：一般 3 年（民法典） - 经济补偿：N（工作年限×月工资） - 交通事故赔偿：医疗费+误工费+护理费+伤残赔偿金

def calc_labor_compensation(years, monthly_salary, cause):
    if cause == "违法解除":
        return 2 * years * monthly_salary  # 2N
    if cause == "协商解除":
        return years * monthly_salary  # N

数值计算不交给 LLM，避免错误。

模块5：咨询建议生成¶

LLM 综合法条、案例、计算结果生成结构化建议：维权路径（协商→调解→仲裁→诉讼）、证据准备清单、时效提醒、风险与成本提示。建议须引用具体法条，禁止编造。

ADVICE_PROMPT = """基于以下信息生成法律咨询建议：
问题要素：{elements}
相关法条：{laws}
相似案例：{cases}
计算结果：{calc}
要求：
1. 引用具体法条
2. 给出维权路径
3. 提示时效与风险
4. 复杂案件建议找律师
"""

核心流程详解¶

咨询主流程： 1. 用户描述问题 → 要素抽取（缺失追问） 2. 法条检索 → 案例匹配 → 法律计算 3. LLM 生成咨询建议（引用法条与案例） 4. 安全审查 → 过滤错误/危险建议 5. 回复用户：法律依据 + 维权路径 + 证据清单 + 风险提示 6. 复杂案件 → 推荐对口律师

多轮咨询流程： 1. 首次咨询给出初步建议 2. 用户追问细节 → Agent 深入分析 3. 用户补充新信息 → 更新要素与建议 4. 咨询记录存档，便于后续追溯

部署与优化建议¶

法条时效：法律法规更新后及时同步，旧法条失效标记
免责声明：每次回复附"仅供参考，不构成正式法律意见"
地域差异：地方性法规按地区检索，避免误用
隐私保护：咨询内容脱敏存储，敏感信息加密
律师协同：复杂案件一键转律师，共享咨询记录
专业审核：定期由律师抽检咨询质量

常见问题与解决方案¶

问题	原因	解决方案
LLM 引用错法条	法条幻觉	强制 RAG + 法条编号校验
案例过时	法律修订	案例标注裁判时间 + 现行法对照
建议越界	涉及诉讼代理	安全护栏 + 引导找律师
要素遗漏	用户描述模糊	多轮追问 + 模板引导

扩展方向¶

法律文书生成：起诉状、答辩状草稿（标注需律师审核）
在线调解：双方协商辅助
普法推送：基于用户咨询推送相关法律知识
企业法务：合同审查、合规咨询企业版