⚖️ Lawyer Knowledge Graph

律师知识图谱 — 让办过的每一个案子，都成为未来办案的资产

一套面向诉讼律师的 AI 个人知识管理系统 + 40个专业技能集。两个模块互补协作：

• 知识图谱系统：案件经验自动沉淀 → 向量检索 → 类案秒级匹配
• 技能集：覆盖办案全流程的 Hermes Agent 技能，对话即用

---

一个痛点

做了十五年民商事诉讼律师，手上有几百个办过的案子。

几年前遇到一个买卖合同纠纷，案件事实和五年前办过的另一个案子几乎一模一样——同样的争议焦点，同样的法律适用问题。但翻遍文件夹也没找到当时的详细记录，只记得"好像办过类似的"，最后从头研究，多花了三天。

律师的办案经验，正在被浪费。每办一个案子积累的理解——争议焦点怎么抓、证据链怎么组织、法院对同类问题持什么态度——这些经验要么散落在 Word 文档里，要么沉睡在记忆中。

这就是 Lawyer Knowledge Graph 的起点。

---

项目架构

lawyer-knowledge-graph/
├── backend/              # 模块一：知识图谱系统后端（FastAPI）
│   ├── main.py           # API 入口
│   ├── models.py         # 数据模型（SQLAlchemy + pgvector）
│   ├── services.py       # 核心逻辑：知识提取、向量化、检索
│   ├── database.py       # 数据库连接
│   ├── init.sql          # 数据库初始化脚本
│   ├── requirements.txt
│   └── Dockerfile
├── vector/               # 向量编码服务（text2vec HTTP API）
│   ├── server.py         # FastAPI 向量服务
│   ├── requirements.txt
│   └── Dockerfile
├── frontend/             # 模块一：知识图谱系统前端（Streamlit）
│   ├── app.py            # 交互界面
│   ├── requirements.txt
│   └── Dockerfile
├── scripts/              # 独立可运行脚本
│   ├── extract_cards.py  # 知识卡片提取
│   └── vector_search.py  # 向量检索
├── skills/legal/         # 模块二：40个律师专业技能
├── docs/                 # 项目文档
├── deploy.sh             # 一键部署脚本
├── DEPLOY.md             # 零基础部署指南
├── docker-compose.yml    # 一键启动
├── .env.example          # 环境变量模板
└── LICENSE               # Apache 2.0

---

模块一：知识图谱系统

核心逻辑

输入案件材料 → AI 自动提取知识卡片 → 存入向量数据库 → 新案发生时一键检索相似案例

三大核心功能

1. 案件知识自动沉淀

粘贴裁判文书或案卷摘要，AI 自动提取结构化知识卡片：

每张知识卡片自动生成向量索引，存入 pgvector 数据库。录入的案件越多，系统积累的知识越丰富。

2. 类案智能检索

接到新案件时，在搜索框输入案件描述，系统基于语义相似度（而非关键词匹配）检索历史案件中所有相关的知识卡片：

输入：买卖合同中卖方交付的货物质量不符合约定，买方拒付货款并要求赔偿损失

输出：
  相似度 0.89 → （2025）苏02民初456号 · 买卖合同纠纷
  相似度 0.82 → （2024）苏02民初789号 · 承揽合同纠纷
  相似度 0.76 → 民法典第615条 · 标的物质量不符合要求的处理
  相似度 0.71 → 民法典第582条 · 违约责任承担方式

3. 法规动态追踪（规划中）

设置关注领域（如"合同纠纷"“劳动争议”），自动检索新增的司法解释和指导性案例，生成更新摘要推送。

已预留接口：北大法宝（PKULAW）、华宇元典（YUANDIAN），配置 API Key 即可启用。

技术架构

快速开始

方式一：一键部署脚本（推荐）

# 1. 克隆项目
git clone https://github.com/wxlawyers/lawyer-knowledge-graph.git
cd lawyer-knowledge-graph

# 2. 运行部署脚本（自动引导配置 AI 模型和 API Key）
bash deploy.sh

# 3. 打开浏览器
# 前端：http://localhost:8501
# API 文档：http://localhost:8000/docs

零基础用户请阅读 部署指南，图文步骤从安装 Docker 开始。

方式二：手动启动

# 1. 克隆项目
git clone https://github.com/wxlawyers/lawyer-knowledge-graph.git
cd lawyer-knowledge-graph

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入你的 LLM API Key

# 3. 一键启动（需安装 Docker）
docker-compose up -d

# 4. 打开浏览器
# 前端：http://localhost:8501
# API 文档：http://localhost:8000/docs

系统启动后自动初始化数据库表结构，无需手动执行任何 SQL。向量服务首次启动需下载模型（约 1-2 分钟），请耐心等待。

最低硬件要求

独立脚本使用

不想启动完整服务？两个核心脚本可独立运行：

# 知识卡片提取（需配置 LLM_API_KEY）
python scripts/extract_cards.py --file 判决书.txt --output cards.json

# 向量检索（需启动 PostgreSQL + 向量模型）
python scripts/vector_search.py --query "买卖合同违约金过高" --top-k 5

---

模块二：律师专业技能集（40个）

需要 Hermes Agent 运行环境。

知识图谱系统解决的是"经验存储与检索"，技能集解决的是"日常办案效率"。两者互补：技能集在日常对话中调用法律检索、文书撰写等能力，知识图谱系统则把每次办案的经验自动沉淀下来。

技能分类

技能集安装

# 克隆仓库
git clone https://github.com/wxlawyers/lawyer-knowledge-graph.git

# 复制技能到 Hermes Agent（* 会一并复制 _shared/ 通用护栏，请不要漏掉）
cp -r lawyer-knowledge-graph/skills/legal/* ~/.hermes/skills/legal/

技能末尾的「事实核验原则」统一来自 skills/legal/_shared/guardrails.md，由 scripts/sync_guardrails.py 同步；要改护栏请改单一来源再跑同步脚本。

在 ~/.hermes/config.yaml 中配置 MCP 工具：

mcp:
  servers:
    pkulaw:        # 北大法宝
      command: "node"
      args: ["~/.hermes/mcp-servers/pkulaw/index.js"]
    yuandian:      # 元典智库
      command: "node"
      args: ["~/.hermes/mcp-servers/yuandian/index.js"]
    qcc:           # 企查查
      command: "node"
      args: ["~/.hermes/mcp-servers/qcc/index.js"]

集成工具

工具分工红线：法规案例类与经营数据类不得混用。完整清单与三端配置对照见 skills/legal/chinese-legal-practice/references/mcp-tool-inventory.md。

版本与变更

• 技能版本规则：VERSIONING.md（改一次升一版：主版本=结构性变化，次版本=内容变化，补丁=文字修正）
• 变更记录：CHANGELOG.md
• 提交前自检：python3 scripts/check_versions.py
• 通用护栏单一来源：skills/legal/_shared/guardrails.md，同步用 python3 scripts/sync_guardrails.py
• 命令参数提示：全部技能带 argument-hint（如 /contract-review 合同.docx --side=卖方），统一由 scripts/add_argument_hint.py 维护

---

适用场景

---

当前状态与路线图

知识图谱系统

• [x] 数据模型设计
• [x] 知识卡片提取脚本（独立可运行）
• [x] 向量检索脚本（独立可运行）
• [x] API 接口设计
• [x] Docker Compose 配置
• [x] FastAPI 后端（案件录入、检索、卡片管理）
• [x] Streamlit 前端界面
• [ ] 法规追踪模块
• [ ] 团队协作功能

技能集

• [x] 40个技能已发布
• [ ] 持续迭代优化

---

生态调研：GitHub 法律技能开源现状

2026-08 调研结论：本仓库与全球头部法律技能仓库的定位差异与互补点。

GitHub 法律/律师技能仓库 Top 10（按 Star 数）

差距分析与本次更新

对照头部仓库后，本次为技能集补充了 5 个中国民商事律师最高频、此前缺失的能力：

• contract-review：合同审查（借鉴 anthropics/commercial-legal、zh-xx/contract-review、awesome-legal-skills 的合同审查方法论）
• lawsuit-filing：立案与管辖分析（中国民事诉讼起步环节）
• preservation-execution：保全与强制执行（胜诉权益落地的关键环节）
• lawyer-letter：律师函起草（日常高频非诉文书）
• statute-limitation：诉讼时效与期间计算（起诉前必检项）

差异化定位

相比海外头部仓库（聚焦通用合同/合规/隐私，且以欧美法为主），本仓库的差异：

1. 中国法实务：全部技能基于中国法律体系，覆盖民商事诉讼全流程
2. 诉讼实战：庭审准备/庭审应对/证据组织等庭审能力是海外仓库普遍缺失的
3. 知识沉淀：案件经验 → 知识图谱 → 类案复用的闭环，非单纯提示词集合
4. 多平台可用：技能同时适配 Hermes / Codex / ChatGPT / Claude Code / WorkBuddy

---

常见问题

Q：知识图谱系统需要编程基础吗？ A：不需要。Docker 一键启动后，浏览器打开页面即可使用。

Q：技能集需要什么环境？ A：需要 Hermes Agent 运行环境。只要会发消息就能使用，无需编程。

Q：支持哪些大模型？ A：知识图谱系统支持 DeepSeek V4 Pro / Kimi K3 / GLM 5.2（通过 OpenAI 兼容 API）。技能集支持小米 MiMo、Claude、GPT-4 等主流模型。

Q：数据安全吗？ A：知识图谱系统数据完全私有，部署在自己服务器上。技能集数据存储在本地 Obsidian 知识库，不上传第三方。

Q：可以定制技能吗？ A：可以。每个技能都是一个 SKILL.md 文件，用自然语言描述工作流程，AI 按流程执行。

---

License

Apache License 2.0

---

仓库地址

• GitHub：https://github.com/wxlawyers/lawyer-knowledge-graph
• Gitee（国内镜像）：https://gitee.com/wxlawyers/lawyer-knowledge-graph

---

作者

余正洪律师 | 江苏三诚律师事务所

• 执业领域：民商事诉讼 · 刑事诉讼 · 知识产权 · 公司法/商事合规
• 网站：lawyer-yu.netlify.app

---

如果这个项目对你有帮助，请点个 Star 支持一下！欢迎提交 Issue 和 PR。一个人的力量有限，但如果有更多律师和开发者一起参与，这个工具会变得更好。