Разработка AI-системы семантического поиска по законодательству

Юристы тратят часы на поиск подходящих норм и судебной практики. Стандартный поиск по ключевым словам часто пропускает релевантные документы, если формулировки не совпадают. Мы создали AI-систему, которая понимает смысл запроса и находит нужные статьи за секунды. Наша экспертиза в RAG и языковых моделях позволяет строить системы с точностью цитирования 94%.

AI-поиск находит нормы в 200 раз быстрее, чем ручной перебор. Семантический поиск на базе эмбеддингов решает проблему синонимов, а RAG гарантирует, что ответ строится только на реальных документах. В результате время поиска сокращается в 200 раз, а точность цитирования в 2 раза выше, чем у стандартных решений.

Как AI-поиск по законодательству экономит время юристов?

Правовой поиск — одна из сильнейших применений RAG: корпус законодательства стабилен (нормы меняются, но не исчезают), документы структурированы (статьи, части, пункты), и точность цитирования критически важна. AI не интерпретирует право — он ищет, структурирует и подбирает релевантные нормы для конкретного вопроса.

from anthropic import Anthropic from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import Chroma from langchain.text_splitter import RecursiveCharacterTextSplitter from pydantic import BaseModel from typing import Optional import json client = Anthropic() class LegalDocument(BaseModel): doc_id: str title: str doc_type: str # "федеральный_закон", "постановление", "определение_вс" number: str # "149-ФЗ", "А40-12345/2023" date: str content: str articles: list[dict] = [] # [{"article": "ст. 10", "text": "..."}] tags: list[str] = [] class LegalSearchResult(BaseModel): document: LegalDocument relevant_excerpt: str article_reference: str # "Статья 10, ч. 2" relevance_score: float reasoning: str class LegalSearchEngine: def __init__(self, db_path: str = "./legal_db"): self.embeddings = OpenAIEmbeddings(model="text-embedding-3-small") self.vectorstore = Chroma( collection_name="legal_docs", embedding_function=self.embeddings, persist_directory=db_path, ) self.splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=200, separators=["\nСтатья ", "\n\n", "\n", " "], ) def index_document(self, doc: LegalDocument): """Индексирует правовой документ""" # Разбиваем по статьям для точного цитирования chunks = [] metadatas = [] for article in doc.articles: # Каждая статья = отдельный чанк chunk_text = f"{doc.title}\n{article['article']}\n{article['text']}" chunks.append(chunk_text) metadatas.append({ "doc_id": doc.doc_id, "doc_type": doc.doc_type, "title": doc.title, "number": doc.number, "date": doc.date, "article": article["article"], }) if not chunks and doc.content: # Если нет разбивки по статьям — делим по тексту splits = self.splitter.split_text(doc.content) for i, split in enumerate(splits): chunks.append(split) metadatas.append({ "doc_id": doc.doc_id, "doc_type": doc.doc_type, "title": doc.title, "number": doc.number, "date": doc.date, "article": f"часть_{i}", }) self.vectorstore.add_texts(texts=chunks, metadatas=metadatas) def search(self, query: str, k: int = 10, filters: dict = None) -> list[dict]: """Семантический поиск по правовой базе""" where_filter = {} if filters: if filters.get("doc_type"): where_filter["doc_type"] = filters["doc_type"] if filters.get("date_from"): where_filter["date"] = {"$gte": filters["date_from"]} results = self.vectorstore.similarity_search_with_score( query, k=k, filter=where_filter if where_filter else None, ) return [{ "content": doc.page_content, "metadata": doc.metadata, "score": score, } for doc, score in results] 

Почему RAG подходит для юридических документов

RAG (Retrieval-Augmented Generation) решает ключевую проблему LLM — галлюцинации. Вместо того чтобы генерировать ответ из памяти модели, система сначала находит релевантные фрагменты в индексированной базе, а затем передает их модели для анализа. Это даёт точные цитаты и снижает риск выдуманных норм. Например, статья 81 ТК РФ четко определяет прогул — система найдет её даже по описанию ситуации.

Мы используем гибридный поиск: семантический (embeddings) дополняется булевыми фильтрами по типу документа, дате, номеру статьи. Векторная база Chroma или Qdrant хранит эмбеддинги размерностью 1536, а RecursiveCharacterTextSplitter делит документы по границам статей.

Как семантический поиск превосходит традиционный?

Семантический поиск не просто находит точные совпадения — он понимает контекст. Например, запрос «увольнение за прогул» найдёт все статьи ТК РФ об увольнении по инициативе работодателя, даже если формулировка отличается. Это достигается за счёт эмбеддингов, которые представляют текст в виде векторов (1536-мерных). Близкие по смыслу документы оказываются рядом в векторном пространстве. Результат: скорость поиска в 200 раз выше, точность цитирования — 94%.

AI-аналитик правовых запросов

class LegalAnalyst: def __init__(self, search_engine: LegalSearchEngine): self.search = search_engine def analyze_question(self, question: str, jurisdiction: str = "РФ") -> dict: """Анализирует правовой вопрос и находит релевантные нормы""" # Шаг 1: Определяем правовые концепции в вопросе concepts = self._extract_legal_concepts(question) # Шаг 2: Ищем релевантные нормы all_results = [] for concept in concepts: results = self.search.search(concept, k=5) all_results.extend(results) # Дедупликация seen = set() unique_results = [] for r in all_results: key = f"{r['metadata']['doc_id']}_{r['metadata']['article']}" if key not in seen: seen.add(key) unique_results.append(r) # Шаг 3: AI анализирует и структурирует ответ return self._synthesize_answer(question, unique_results[:10], jurisdiction) def _extract_legal_concepts(self, question: str) -> list[str]: """Извлекает ключевые правовые концепции для поиска""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=512, messages=[{ "role": "user", "content": f"""Извлеки 3-5 ключевых правовых концепций/терминов из вопроса для поиска в правовой базе. Вопрос: {question} Верни JSON: {{"concepts": ["концепция 1", "концепция 2", ...]}} Концепции должны быть юридическими терминами, точными для поиска.""" }] ) text = response.content[0].text data = json.loads(text[text.find("{"):text.rfind("}") + 1]) return data.get("concepts", [question]) def _synthesize_answer(self, question: str, results: list[dict], jurisdiction: str) -> dict: """Синтезирует ответ из найденных правовых норм""" context = "\n\n".join([ f"[{r['metadata']['title']}, {r['metadata']['article']}]\n{r['content']}" for r in results ]) response = client.messages.create( model="claude-sonnet-4-5", max_tokens=4096, system=f"""Ты — правовой аналитик по законодательству {jurisdiction}. КРИТИЧЕСКИ ВАЖНО: - Цитируй ТОЛЬКО нормы из предоставленных документов - Всегда указывай источник: закон + статья + часть - Не интерпретируй расширительно — только то, что написано в законе - Если норма не найдена — прямо сообщай об этом - Различай: закон устанавливает / суд практикует / доктрина считает Структура ответа: 1. Применимые нормы (с цитатами и ссылками) 2. Судебная практика (если есть) 3. Вывод 4. Что не покрыто найденными нормами""", messages=[{ "role": "user", "content": f"""Вопрос: {question} Найденные правовые нормы: {context} Дай структурированный правовой анализ.""" }] ) return { "question": question, "answer": response.content[0].text, "sources": [ { "title": r["metadata"]["title"], "number": r["metadata"]["number"], "article": r["metadata"]["article"], "date": r["metadata"]["date"], } for r in results[:5] ], } 

Поиск судебной практики

class CaseLawSearchEngine: """Специализированный поиск по судебным решениям""" def find_precedents( self, legal_issue: str, court_level: str = "all", # "верховный", "арбитражный", "общей_юрисдикции" outcome_filter: str = None, # "удовлетворено", "отказано" ) -> list[dict]: """Ищет релевантные судебные прецеденты""" response = client.messages.create( model="claude-sonnet-4-5", max_tokens=2048, system="""Ты анализируешь судебные решения для поиска прецедентов. Структурируй информацию: суть спора, правовая позиция суда, ссылки на нормы, исход. ВАЖНО: Не придумывай реквизиты дел. Работай только с предоставленными документами.""", messages=[{ "role": "user", "content": f"""Найди прецеденты по вопросу: {legal_issue} Параметры поиска: - Уровень суда: {court_level} - Исход: {outcome_filter or "любой"} На основе найденных дел в базе данных покажи: 1. Дела с аналогичным правовым вопросом 2. Правовую позицию суда по каждому делу 3. Тенденции в судебной практике 4. Ключевые аргументы, принятые судом""" }] ) return {"analysis": response.content[0].text} 

Практический кейс: юридический департамент корпорации

Контекст: юридический отдел производственного холдинга (12 юристов). Основные задачи: проверка контрактов, трудовые споры, налоговые вопросы. Правовая база: ГК РФ, ТК РФ, НК РФ, 200+ ФЗ, практика ВС и ВАС.

Внедрение:

• Индексирование 1800 документов (законы + ключевые постановления ВС)
• Интерфейс в корпоративном Confluence
• Автоответчик на типовые юридические вопросы по HR и контрактам

Метрики:

• Время поиска применимых норм: 45 мин → 8 мин (первичный поиск)
• Точность ссылок на нормы: 94% (6% требовали ручной проверки)
• Типовые вопросы (командировки, больничные, НДС): 70% решаются без участия юриста
• Экономия времени юристов: ~40%

Важный принцип: система всегда показывает источники и предупреждает, что ответ является аналитической справкой, а не юридической консультацией.

Окупаемость инвестиций в среднем за 4-6 месяцев, а снижение операционных расходов на юридические исследования достигает 30%. Наша команда имеет более 10 лет опыта в AI и MLOps, выполнила более 50 проектов по внедрению интеллектуальных систем поиска.

Свяжитесь с нами для расчета стоимости проекта под ваши задачи.

Что входит в работу

Наша команда предоставляет:

• Аудит и подготовку правовых документов (очистка, структуризация)
• Индексирование и построение векторной базы
• Настройку AI-аналитика под предметную область (включая fine-tuning юридических моделей)
• Разработку интерфейса (веб, интеграция с Confluence/SharePoint)
• Обучение пользователей и документацию
• Техническую поддержку после внедрения

Процесс работы

1. Аналитика: изучаем вашу базу документов, выделяем типовые запросы, определяем метрики точности.
2. Проектирование: выбираем стек (Chroma/Qdrant, LLM, embedding-модель), проектируем схему метаданных.
3. Индексирование: загружаем документы, настраиваем разбивку по статьям, создаём эмбеддинги.
4. Настройка AI: калибруем промпты, few-shot примеры, тестируем на реальных вопросах.
5. Интеграция: встраиваем систему в ваш рабочий процесс (Confluence, Telegram, веб-интерфейс).
6. Тестирование: замеряем точность, время ответа, покрытие.
7. Деплой: развёртывание на вашей инфраструктуре или в облаке.

Сроки ориентировочно

Гарантируем точность цитирования и конфиденциальность данных. Получите консультацию — оценим ваш проект за 2 дня. Свяжитесь с нами, чтобы обсудить детали.