基于大语言模型的法律助手

背景

与西南政法大学及北京朝行天下科技有限公司合作的项目，目标是构建一个能读长篇法规/合同、 引用有据可查、并能走完多步法律推理的生产级法律助手。

贡献

• 面向长篇法律文书的 RoPE 扩展。 修改预训练模型的 RoPE 位置编码，使骨干网络在很长的输入上 仍保持连贯——这对端到端阅读法规、判决书和合同、而不必临时切块，是必要的。
• 扎根于法律的检索栈。 构建了法律知识图谱 + 向量数据库，配合一个工具调用/表单 填写 Agent。该 Agent 自主决定何时查询知识图谱、何时执行一次 RAG 检索、何时向用户询问缺失 的表单字段，显著降低了在事实敏感问题上的幻觉。
• 逻辑符号改写模块。 训练了一个轻量的意图识别 + 命名实体识别模型，把自由形式的法律问题 改写成形式化的逻辑符号表示（当事人、行为、条件、义务）。主 LLM 随后在这个符号化形式上做规划 和推理，而不是直接面对原始文本，从而提升多步法律推理的可靠性。
• 两阶段 K-means 数据流水线。 为训练语料设计了一套可扩展的清洗与分类平台：两阶段 K-means 先分离出明显的重复项/低质量片段，再按法律主题对剩余内容聚类，同时喂给自动化和 人工在环的标注流程。这正是产出高质量领域监督数据、支撑模型微调的关键环节。

设计取舍

这个项目把 LLM 当作法律推理系统里的一个组件，而不是一个单体式的”万能回答者”。知识图谱 + 符号化 改写 + Agent 循环才是正确性的主要来源；LLM 的工作是流畅地执行这个计划，而不是凭空编造它。