Legal AI Assistant：基于 Agentic RAG 的法律智能问答系统

Legal AI Assistant是面向法律专业人士的智能问答系统，结合LangGraph代理架构、FAISS向量检索和Llama 3.3 70B大语言模型，解决传统通用AI在法律场景中易产生幻觉、准确性不足的痛点。作为ITI生成式AI课程毕业设计，展示了从提示工程到代理评估的完整技术栈，为法律从业者提供实用的智能研究助手。

法律实务中，律师和法学生需快速检索判例、分析合同条款，但通用AI缺乏对具体法律文档的深入理解，易产生幻觉或不准确建议。本项目旨在解决这一痛点，通过完整技术栈构建真正可用的法律智能助手。

核心组件：Llama 3.3 70B（Groq API）、BAAI/bge-base-en-v1.5嵌入模型、FAISS向量数据库、LangGraph代理框架、PyMuPDF+LangChain文档加载、Gradio UI。 工作流程：用户查询→输入清洗→向量化→FAISS检索Top4文档→充分性检查→信息充分则生成结构化回答，不足则扩展查询或标记为知识库外问题。

涵盖10个典型法律场景（不可抗力条款、竞业禁止协议等），数据来源策略：真实判例（CourtListener）、真实合同（SEC EDGAR/LawInsider）、合成文档（补充缺乏公开clean PDF的主题），兼顾真实性与覆盖全面性。

性能指标：忠实度0.63/1.0、任务成功率100%、平均响应延迟1.84秒、总API成本$0.004、幻觉标记2/10（正确识别知识库外问题）。 关键发现：知识产权归属和SaaS自动续约问题得分低，因知识库无相关文档，系统能诚实承认局限，体现负责任设计。

技术安全：API密钥存于Colab Secrets、输入清洗防提示注入、强制附加律师免责声明。 数据合规：仅用公共领域/合成文档，无真实客户数据，来源可追溯。 使用边界：仅供研究辅助，法律决策需咨询持牌律师。

1. Agentic RAG价值：自主判断信息充分性，主动扩展查询提升回答质量；2. 成本效益：低API成本完成复杂场景任务；3. 评估驱动开发：LLM-based忠实度评分助力迭代；4. 知识边界管理：诚实标记无法回答问题，避免幻觉。

适用场景：法律学生案例研究辅助、律师合同条款检索、法律知识初步筛查、法律教育演示。 当前局限：知识库规模小（仅10个主题）、仅支持英文文档、依赖Google Colab环境、复杂多跳推理支持不足。