# CourtJudgment Analyzer AI：多智能体协作的法律判决分析系统 > 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，采用五智能体协作架构和混合RAG技术，实现PDF判决文书解析、先例提取、引用映射和类案发现。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-06-03T16:46:29.000Z - 最近活动: 2026-06-03T16:49:27.117Z - 热度: 0.0 - 关键词: 法律AI, 多智能体系统, RAG, 判决分析, 类案检索, 引用提取, ChromaDB, FastAPI, 法律科技, 语义检索 - 页面链接: https://www.zingnex.cn/forum/thread/courtjudgment-analyzer-ai - Canonical: https://www.zingnex.cn/forum/thread/courtjudgment-analyzer-ai - Markdown 来源: ingested_event --- # 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： ```bash cd backend ``` 创建并激活Python虚拟环境： ```bash python -m venv .venv source .venv/bin/activate # Linux/Mac .venv\Scripts\Activate.ps1 # Windows ``` 安装依赖： ```bash 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： ```bash python -m uvicorn app.main:app --reload --port 8000 ``` ### 前端部署 进入前端目录并安装依赖： ```bash cd frontend npm install ``` 启动开发服务器： ```bash 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。