CourtJudgment Analyzer AI：多智能体协作的法律判决分析系统

原作者与来源

• 原作者/维护者：alx-369
• 来源平台：GitHub
• 原始标题：court-judgment-analyzer-ai
• 原始链接：https://github.com/alx-369/court-judgment-analyzer-ai
• 发布时间：2026年6月3日

项目概述

CourtJudgment Analyzer AI是一款面向法律研究人员、学生和专业人士的智能判决分析工具。该系统旨在帮助用户深入理解和研究法院判决文书，通过上传PDF格式的案件判决，自动提取先例信息，并以自然语言方式回答复杂的法律问题。

与传统法律检索工具不同，该系统采用协作式多智能体架构，将法律问答任务分解为多个子任务，结合混合RAG（检索增强生成）技术进行文档检索，提取法律引用，并通过关系型数据库进行相似案例的交叉引用。

核心功能特性

PDF判决文书智能解析

系统能够自动提取PDF文档中的文本内容，按页进行结构化处理，将内容分割为带有页码引用的文本块。这种细粒度的处理方式确保了后续检索和引用的精确性，用户可以准确定位到判决文书中的具体段落。

五智能体协作推理架构

该系统创新性地采用五智能体协作架构，由编排器（Orchestrator）协调多个专业子智能体共同完成复杂任务：

查询理解智能体负责解析用户的搜索意图，识别页码过滤条件，并将查询重写为适合语义检索的形式。例如，当用户询问"请解释第5页提到的侵权责任认定标准"时，该智能体会提取出页码过滤条件和核心法律概念。

检索智能体使用ChromaDB执行向量查询，结合元数据过滤器精确定位相关文本块。系统采用ONNX MiniLM-L6-v2嵌入模型，实现零依赖的本地向量计算，确保数据隐私和离线可用性。

引用提取智能体扫描文档中的法规条款、宪法条文、规则和先例信息。这一功能对于法律研究至关重要，因为准确的引用溯源是法律论证的基础。

类案发现智能体通过关系型数据库进行交叉引用，发现与当前案件相关的历史案例。这种关系型检索超越了简单的关键词匹配，能够理解案件之间的实质关联。

响应生成智能体将各智能体提供的上下文信息整合为结构化的Markdown格式回答，并嵌入内联引用，确保回答的可追溯性和权威性。

交互式三面板界面

系统提供精心设计的用户界面，采用三面板布局：

• 左侧面板：显示最近对话记录和PDF上传区域，方便用户管理多个案件
• 主聊天区域：展示用户对话、页码引用信息和详细的多智能体推理追踪日志
• 右侧面板：展示关系型案例详情、AI生成的摘要和映射的先例列表

这种布局使法律研究人员能够同时查看原始文档、AI分析结果和相关案例，大幅提升研究效率。

技术架构详解

后端技术栈

系统后端采用Python技术栈，基于FastAPI框架构建：

• FastAPI：高性能异步Web框架，支持自动API文档生成
• SQLAlchemy：ORM框架，用于SQLite数据库操作
• ChromaDB：向量数据库，支持语义检索
• Google Gemini SDK：大语言模型接口，支持多智能体推理
• Pydantic：数据验证和序列化

数据库设计

系统采用SQLite关系型数据库，设计了五个核心数据表：

Case表存储案件元数据，包括标题、法院名称、判决日期、AI生成的摘要和上传状态。

CaseChunk表存储案件文本的分块内容，映射到具体的页码。这种细粒度存储支持精确的上下文检索。

Citation表记录从判决文书中解析出的先例、法规和法条信息，构建法律知识图谱的基础。

Conversation表管理用户创建的对话线程，支持多案件并行研究。

Message表存储对话消息，特别的是助手消息包含agent_log字段，以JSON格式序列化智能体的推理过程，用户可以在界面中查看完整的思考链条。

向量搜索引擎

系统使用ChromaDB作为向量存储引擎，采用零依赖的本地ONNX MiniLM-L6-v2嵌入模型。这种设计有两个显著优势：一是完全离线运行，敏感法律文档无需上传至第三方服务；二是响应速度快，本地计算避免了网络延迟。

检索时，系统会应用复合过滤器，将搜索范围限定在当前激活的案件文件或特定页码，然后对结果进行相关性排序，确保返回最相关的文本片段。

快速开始指南

后端部署

首先克隆仓库并进入后端目录：

cd backend

创建并激活Python虚拟环境：

python -m venv .venv
source .venv/bin/activate  # Linux/Mac
.venv\Scripts\Activate.ps1  # Windows

安装依赖：

pip install -r requirements.txt

配置API密钥（可选）：

在backend/.env文件中设置Google Gemini API密钥：

GEMINI_API_KEY=YOUR_GEMINI_API_KEY

如果没有配置API密钥，系统将以模拟模式运行，使用检索到的文本块以确定性方式回答问题，便于无密钥测试。

启动FastAPI服务器：

python -m uvicorn app.main:app --reload --port 8000

前端部署

进入前端目录并安装依赖：

cd frontend
npm install

启动开发服务器：

npm run dev

访问终端显示的链接（通常为http://localhost:5173）即可打开系统界面。

应用场景与价值

法律教育

法学院学生可以使用该系统快速理解复杂判决文书的结构和逻辑，通过AI生成的摘要把握案件要点，通过多智能体推理过程学习法律分析方法。

法律实务

执业律师可以利用类案发现功能快速找到支持当前案件的相关先例，引用提取功能确保法律依据的准确性，大幅提升法律检索效率。

学术研究

法律研究人员可以通过系统分析大量判决文书，发现裁判规则的变化趋势，构建法律知识图谱，支持实证法学研究。

技术亮点与创新点

多智能体协作机制

与单一大语言模型不同，该系统将复杂任务分解为多个子任务，由专门优化的智能体分别处理。这种分工协作机制提高了任务处理的专业性和准确性，每个智能体可以针对特定任务进行优化。

混合RAG架构

系统结合了向量检索和关系型检索的优势。向量检索擅长语义匹配，能够找到概念相关但表述不同的内容；关系型检索则能够基于案件之间的实质关联（如相同法院、相似案由）发现相关案例。

可解释AI设计

系统在响应中嵌入完整的智能体推理日志，用户可以查看AI是如何得出某个结论的。这种可解释性对于法律领域尤为重要，因为法律论证需要透明和可追溯。

本地优先架构

采用ONNX本地嵌入模型和SQLite本地数据库，系统可以完全离线运行。这对于处理敏感法律文档至关重要，确保数据不会泄露到外部服务。

总结与展望

CourtJudgment Analyzer AI展示了多智能体架构在法律AI领域的巨大潜力。通过将复杂任务分解、专业化处理，系统能够提供比单一模型更准确、更可解释的法律分析服务。

随着法律AI技术的不断发展，类似系统将在法律教育、实务和研究中发挥越来越重要的作用。该项目为法律AI应用开发提供了一个优秀的参考架构，特别是在多智能体协作、混合RAG和可解释AI方面的设计值得借鉴。