本项目是一款面向法律科技领域的智能案例检索系统，主要服务于司法实务与法律研究场景。项目围绕海量法律文书数据，结合向量检索与大模型生成能力，帮助用户通过自然语言案情描述快速找到相似判例，并基于检索结果生成智能回答。在行业落地上，该系统适配法院、检察院、律师事务所、企业法务部门以及法律研究教育机构等主体，可用于类案推荐、裁判观点检索、争议焦点分析和法律知识问答等典型场景，解决传统关键词检索难以覆盖语义差异、类案查找效率低、法律知识整合难等实际问题，提升法律检索的智能化水平与工作效率。
本项目是一款法律文书案例智能检索系统，基于 RAG（检索增强生成）技术架构实现。核心功能包括：支持对 PDF、Word、TXT 及 JSON 格式的法律文书进行解析、分块、向量化和索引入库；提供混合检索能力，结合关键词匹配与向量语义检索，从 Milvus 向量数据库中快速召回相似案例；支持按案由、法院、裁判年份、案件类型、标的金额等多维度条件过滤；集成阿里云百炼大模型，可基于检索到的案例片段自动生成自然语言回答；具备完整的 Web 前端交互界面，支持检索结果展示、案例详情查看和文件上传索引；同时通过 Langfuse 实现模型调用链路的可观测性与 Token 用量追踪。
本项目后端采用 Python 3.9 + FastAPI 构建 RESTful API 服务，使用 PyMilvus ORM 风格 API 对接 Milvus 2.x 向量数据库存储案例向量与元数据；通过 langchain-openai 封装阿里云百炼 Embedding 与 Chat 模型，结合 langchain-core 的 LCEL 构建 RAG 检索生成链路；文档解析支持 pdfplumber、python-docx 处理 PDF/Word，按法律文本语义边界进行 RecursiveCharacterTextSplitter 分块；自定义实现 LangChain 兼容的 MilvusVectorStore 子类，解决 langchain-milvus 内置集成的连接冲突问题；前端采用原生 HTML/CSS/JavaScript 实现，通过静态文件挂载到 FastAPI 服务；本地部署使用 Docker Compose 同时拉起 PostgreSQL、Milvus Standalone（含 etcd、MinIO）以及 Langfuse 可观测平台，实现数据持久化与模型调用链路追踪。
评论