法律知识库问答产品系统Vibe Coding

某行业需要对法律知识进行入库问答，同时编写法律条文时参考对已入库数据知识库防止法律条款冲突

这个项目是一个面向法律知识检索与智能问答的 AI 应用系统，主要目标是让用户通过自然语言提问，快速获取相关法律条文、案例依据和解释说明，降低普通用户查询法律资料的门槛。

系统整体采用 RAG 检索增强生成架构，先将法律法规、司法解释、案例文书等资料进行清洗、切分和向量化处理，存入知识库；用户提问后，系统会先从知识库中检索出相关内容，再结合大语言模型生成回答，避免模型凭空编造，提高回答的准确性和可追溯性。

我主要负责的内容包括：

法律知识库数据整理与入库
文档切分、向量化和检索流程设计
问答接口开发
后端业务逻辑实现
MySQL / Elasticsearch 数据存储与检索
大模型接口接入
Docker 部署与环境配置

项目中重点解决了几个问题：
一是法律文本内容长、结构复杂，需要合理切分；
二是用户提问表达不固定，需要通过语义检索提高召回率；
三是法律问答不能乱答，所以回答需要结合检索到的依据进行生成；
四是系统需要支持后续知识库持续更新和扩展。

法律知识库构建
对法律法规、司法解释、典型案例等非结构化文本进行清洗、切分、标签化处理，构建结构化法律知识库；结合 Elasticsearch 建立全文索引，提高法条检索效率。
语义检索能力建设
引入 Embedding 向量化技术，将法律文本和用户问题映射到统一语义空间，实现关键词检索 + 向量召回的混合检索机制，提升复杂法律问题召回准确率。
RAG 问答链路设计
构建「Query Rewrite → Recall → Rerank → Prompt Assemble → LLM Generate」完整问答流程：
Query Rewrite：优化用户口语化提问；
Recall：多路召回法律条文、案例及解释；
Rerank：相关性排序筛选 TopK；
Prompt Assemble：拼接上下文与约束模板；
LLM Generate：生成带依据的回答。