一起资讯网

通过将律所全局知识图谱与智能体（Agent）结合，并在保持同等准确度的前提下，该方案在回答五个全所范围问题时展现出显著效能：

• 响应时间缩短 73%
• 输入 Token 消耗减少 92%
• 模型调用次数减少 66%

构建该知识图谱几乎不消耗模型 Token。系统依据通用起草规则按原文读取事项记录，仅在需要大语言模型进行映射时才进行增强处理。

如何实际构建图谱？

律所的大部分知识隐含在员工脑海、往来邮件及文档链接中。构建过程分为四个层级思考：知识是否隐含在现有数据结构中？能否通过规则提取？哪些连接需语言模型补充？哪种图谱结构最有效且成本最低？这些答案均依赖具体领域并通过实验确定。

大部分图谱要素已现成存在

律所系统已包含图谱的大部分要素：案件管理系统掌握委托人、对方当事人及团队信息；公司登记册提供母公司信息；工时记录表追踪工作内容及计费状态。将这些数据整合至统一平台，可使关联变得显式且可解析。例如，网络搜索可揭示 Meridian Grid Services 隶属于 Halcyon Group，而文档则为这些标记提供底层细节支持。

策略：先规则，后模型填补空白

规则成本低、速度快且可预测，但无法覆盖未编写规则的场景；模型虽能阅读任何内容，但成本高且可能产生幻觉。因此，优先使用规则。仅当出现规则无法读取的事实迹象（如无法解析的日期或缺失数值的责任上限）时，才将相关句子发送至小型模型。模型仅输出图谱所需字段并保存结果，重建时仅需为新文本付费。

测试显示，在重写全部 245 份文档及 5 封归档邮件后，仅将 141 个被标记的句子（不到总句数的 2%）发送给模型，成本低于 5 美分，并将判决和责任上限问题的识别率提升至 100%。若让模型阅读每一句话，成本将是前者的 27 倍，且整体效果并未更优：它虽找到所有截止日期，却误读服务抵扣额为责任上限，并漏掉 4 个规则成功找到的截止日期。

混合模式的遗漏原因明确：部分截止日期因 PDF 换行符导致上下文丢失，规则将其视为标题，致使孤立日期未被识别为缺失项。

构建成本与数据源

图谱可从两类源数据构建：一是纯 JSON 文件（客户、事项、计费人员登记册及文档文本），具有平台无关性；二是基于事项的中心化平台（如 Lexifina），在工作的同时捕获事项记录、文档、邮件及财务账本，无需导出数据但需在上传时进行部分读取。

效能对比：有无图谱的差异

通过让同一模型在有和无图谱两种情况下回答相同问题，验证图谱价值。借助知识图谱，智能体可调用搜索、节点检查、冲突检测等七个工具。对比数据如下：

按公开标价计算，无图谱时平均每次运行成本约 17 美分，有图谱时约 2 美分。模型填补空白的 5 美分成本在第一个问题上即可收回；若计入上传读取成本，约 26 个问题后可收回成本。

无图谱时，智能体虽能给出大部分正确答案，但耗时约为四倍，Token 读取量约为十三倍。唯一的准确率差距出现在计费问题上：无图谱智能体在手动汇总工时记录时，漏掉了一个未计费时间略高于阈值的客户。

局限性与未展示内容

测试主要关注起草风格，文档为干净文本，未包含 OCR 错误、表格或修订痕迹。真实记录中的对抗性混乱文本可能导致无图谱智能体出现更多遗漏，实际准确率差距可能更大。

是否值得投入？

知识图谱并非一次性成本。新增或变更文档需重新读取，Token 成本长期存在。此外，还需承担软件适配、规则维护、重建缓存及存储等物流成本。因此，核心问题在于：如何让智能体充分利用律所已有的结构化数据？哪些结构既足够便宜又足够有用？

条款元数据的价值评估

条款元数据占基于事项平台模型支出的大部分，但单独作为图谱来源质量较低：它缺乏责任上限字段，未能找到十个上限中的任何一个；仅找到 13 个截止日期中的 7 个。其成本为 3.15 美元，远高于空白填补法的 5 美分。因此，不建议专门为图谱计算条款元数据。若其为审查和搜索预先计算，合并进去不会增加额外成本，并可补获个别遗漏的截止日期，但更好的修复方法是扩大标记规则。

衍生应用：依赖关系追踪

图谱在内容变化时最具价值。例如，当上诉法院推翻先前判决时，律所需要知道哪些活跃文档依赖于该判决。依赖关系往往间接：条款可能引用案例、后续案例或律所先例。通过标记边缘依赖关系并从案例向后遍历，可定位至相关条款、文档、事项及负责合伙人。由于缺乏引证检索工具，若无此类链接，新判决相关问题只能在有限事项中找到部分结果。