AI-система пошуку законодавства та судової практики
Правовий пошук — одне з найсильніших застосувань RAG: корпус законодавства стабільний (норми змінюються, але не зникають), документи структуровані (статті, частини, пункти), а точність цитування критично важлива. AI не інтерпретує право — він шукає, структурує та підбирає релевантні норми для конкретного питання.
Архітектура системи правового пошуку
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 # "федеральний_закон", "постанова", "рішення_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 # "Стаття 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=["\nСтаття ", "\n\n", "\n", " "],
)
def index_document(self, doc: LegalDocument):
"""Індексує правовий документ"""
# Розділяємо за статтями для точного цитування
chunks = []
metadatas = []
for article in doc.articles:
# Кожна стаття = окремий 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:
# Якщо немає розбивки за статтями — ділимо за текстом
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"частина_{i}",
})
self.vectorstore.add_texts(texts=chunks, metadatas=metadatas)
def search(self, query: str, k: int = 10, filters: dict = None) -> list[dict]:
"""Семантичний пошук по правовій базі"""
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]
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:
"""Аналізує правове питання та знаходить релевантні норми"""
# Крок 1: Визначаємо правові концепції в питанні
concepts = self._extract_legal_concepts(question)
# Крок 2: Шукаємо релевантні норми
all_results = []
for concept in concepts:
results = self.search.search(concept, k=5)
all_results.extend(results)
# Дедублікація
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)
# Крок 3: AI аналізує та структурує відповідь
return self._synthesize_answer(question, unique_results[:10], jurisdiction)
def _extract_legal_concepts(self, question: str) -> list[str]:
"""Витягує ключові правові концепції для пошуку"""
response = client.messages.create(
model="claude-haiku-4-5",
max_tokens=512,
messages=[{
"role": "user",
"content": f"""Витягни 3-5 ключових правових концепцій/термінів з питання для пошуку в правовій базі.
Питання: {question}
Поверни JSON: {{"concepts": ["концепція 1", "концепція 2", ...]}}
Концепції повинні бути юридичними термінами, точними для пошуку."""
}]
)
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:
"""Синтезує відповідь з найдених правових 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"""Ти — правовий аналітик законодавства {jurisdiction}.
КРИТИЧНО ВАЖЛИВО:
- Цитуй ТІЛЬКИ норми з наданих документів
- Завжди вказуй джерело: закон + стаття + частина
- Не інтерпретуй розширювально — тільки те, що написано в законі
- Якщо норму не знайдено — прямо про це повідомлень
- Розрізняй: закон встановлює / суд практикує / доктрина вважає
Структура відповіді:
1. Застосовні норми (з цитатами та посиланнями)
2. Судова практика (якщо є)
3. Висновок
4. Що не охоплено знайденими нормами""",
messages=[{
"role": "user",
"content": f"""Питання: {question}
Знайдені правові норми:
{context}
Дай структурований правовий аналіз."""
}]
)
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:
"""Спеціалізований пошук по судовим рішенням"""
def find_precedents(
self,
legal_issue: str,
court_level: str = "all", # "верховний", "арбітражний", "загальної_юрисдикції"
outcome_filter: str = None, # "задоволено", "відмовлено"
) -> list[dict]:
"""Шукає релевантні судові прецеденти"""
response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=2048,
system="""Ти аналізуєш судові рішення для пошуку прецедентів.
Структуруй інформацію: суть спору, правова позиція суду, посилання на норми, результат.
ВАЖЛИВО: Не вигадуй реквізити справ. Працюй тільки з наданими документами.""",
messages=[{
"role": "user",
"content": f"""Знайди прецеденти за питанням: {legal_issue}
Параметри пошуку:
- Рівень суду: {court_level}
- Результат: {outcome_filter or "будь-який"}
На основі знайдених справ в базі даних покажи:
1. Справи з аналогічним правовим питанням
2. Правову позицію суду по кожній справі
3. Тенденції в судовій практиці
4. Ключові аргументи, прийняті судом"""
}]
)
return {"analysis": response.content[0].text}
Практичний кейс: юридичний відділ корпорації
Контекст: юридичний відділ виробничого холдингу (12 юристів). Основні завдання: перевірка контрактів, трудові спори, податкові питання. Правова база: ЦК РФ, ТК РФ, НК РФ, 200+ ФЗ, практика ВС та ВАС.
Впровадження:
- Індексування 1800 документів (закони + ключові постанови ВС)
- Інтерфейс в корпоративному Confluence
- Автовідповідач на типові юридичні питання по HR та контрактам
Метрики:
- Час пошуку застосовних норм: 45 хв → 8 хв (первинний пошук)
- Точність посилань на норми: 94% (6% потребували ручної перевірки)
- Типові питання (командування, лікарняні, ПДВ): 70% вирішуються без участі юриста
- Економія часу юристів: ~40%
Важливий принцип: система завжди показує джерела і попереджує, що відповідь є аналітичною справкою, а не юридичною консультацією.
Терміни
- Індексування правової бази + базовий пошук: 1 тиждень
- AI-аналітик з синтезом відповіді: 1 тиждень
- Пошук судової практики: 1–2 тижні
- Корпоративний інтерфейс + права доступу: 1–2 тижні