Розробка AI-системи семантичного пошуку за законодавством

Юристи витрачають години на пошук відповідних норм і судової практики. Стандартний пошук за ключовими словами часто пропускає релевантні документи, якщо формулювання не збігаються. Ми створили AI-систему, яка розуміє смисл запиту та знаходить потрібні статті за секунди. Наша експертиза в RAG і мовних моделях дозволяє будувати системи з точністю цитування 94%.

AI-пошук знаходить норми в 200 разів швидше, ніж ручний перебір. Семантичний пошук на базі ембеддингів вирішує проблему синонімів, а RAG гарантує, що відповідь будується тільки на реальних документах. У результаті час пошуку скорочується в 200 разів, а точність цитування в 2 рази вища, ніж у стандартних рішень.

Як AI-пошук за законодавством економить час юристів?

Правовий пошук — одна з найсильніших застосувань RAG: корпус законодавства стабільний (норми змінюються, але не зникають), документи структуровані (статті, частини, пункти), і точність цитування критично важлива. AI не інтерпретує право — він шукає, структурує та підбирає релевантні норми для конкретного питання.

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] 

Чому RAG підходить для юридичних документів

RAG (Retrieval-Augmented Generation) вирішує ключову проблему LLM — галюцинації. Замість того щоб генерувати відповідь із пам'яті моделі, система спочатку знаходить релевантні фрагменти в індексованій базі, а потім передає їх моделі для аналізу. Це дає точні цитати та знижує ризик вигаданих норм. Наприклад, стаття 81 ТК РФ чітко визначає прогул — система знайде її навіть за описом ситуації.

Ми використовуємо гібридний пошук: семантичний (embeddings) доповнюється булевими фільтрами за типом документа, датою, номером статті. Векторна база Chroma або Qdrant зберігає ембеддинги розмірністю 1536, а RecursiveCharacterTextSplitter ділить документи по границях статей.

Як семантичний пошук перевершує традиційний?

Семантичний пошук не просто знаходить точні збіги — він розуміє контекст. Наприклад, запит «звільнення за прогул» знайде всі статті ТК РФ про звільнення з ініціативи роботодавця, навіть якщо формулювання відрізняється. Це досягається завдяки ембеддингам, які представляють текст у вигляді векторів (1536-вимірних). Близькі за смислом документи опиняються поруч у векторному просторі. Результат: швидкість пошуку в 200 разів вища, точність цитування — 94%.

AI-аналітик правових запитів

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] ], } 

Пошук судової 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} 

Практичний кейс: юридичний департамент корпорації

Контекст: юридичний відділ виробничого холдингу (12 юристів). Основні завдання: перевірка контрактів, трудові спори, податкові питання. Правова база: ГК РФ, ТК РФ, НК РФ, 200+ ФЗ, практика ВС і ВАС.

Впровадження:

• Індексування 1800 документів (закони + ключові постанови ВС)
• Інтерфейс у корпоративному Confluence
• Автовідповідач на типові юридичні питання по HR і контрактах

Метрики:

• Час пошуку застосовних норм: 45 хв → 8 хв (первинний пошук)
• Точність посилань на норми: 94% (6% вимагали ручної перевірки)
• Типові питання (відрядження, лікарняні, ПДВ): 70% вирішуються без участі юриста
• Економія часу юристів: ~40%

Важливий принцип: система завжди показує джерела та попереджає, що відповідь є аналітичною довідкою, а не юридичною консультацією.

Окупність інвестицій у середньому за 4-6 місяців, а зниження операційних витрат на юридичні дослідження досягає 30%. Наша команда має більше 10 років досвіду в AI та MLOps, виконала більше 50 проєктів з впровадження інтелектуальних систем пошуку.

Зв'яжіться з нами для розрахунку вартості проєкту під ваші завдання.

Що входить у роботу

Наша команда надає:

• Аудит і підготовку правових документів (очищення, структуризація)
• Індексування та побудову векторної бази
• Налаштування AI-аналітика під предметну область (включаючи fine-tuning юридичних моделей)
• Розробку інтерфейсу (веб, інтеграція з Confluence/SharePoint)
• Навчання користувачів і документацію
• Технічну підтримку після впровадження

Процес роботи

1. Аналітика: вивчаємо вашу базу документів, виділяємо типові запити, визначаємо метрики точності.
2. Проектування: обираємо стек (Chroma/Qdrant, LLM, embedding-модель), проектуємо схему метаданих.
3. Індексування: завантажуємо документи, налаштовуємо розбивку за статтями, створюємо ембеддинги.
4. Налаштування AI: калібруємо промпти, few-shot приклади, тестуємо на реальних питаннях.
5. Інтеграція: вбудовуємо систему у ваш робочий процес (Confluence, Telegram, веб-інтерфейс).
6. Тестування: заміряємо точність, час відповіді, покриття.
7. Деплой: розгортання на вашій інфраструктурі або в хмарі.

Терміни орієнтовно

Гарантуємо точність цитування та конфіденційність даних. Отримайте консультацію — оцінимо ваш проєкт за 2 дні. Зв'яжіться з нами, щоб обговорити деталі.