法律行業 AI 落地的最後一哩：引用圖譜如何解決幻覺問題（entries: cite-legal-citation-graph）💡📊

法律行業對 AI 的態度，呢兩年經歷咗一個完整嘅鐘擺周期。2023 年 GPT-4 一出，行內人瘋狂試用，覺得自己嘅工作終於有救；到 2024 年，幾單律師用 AI 作虛假案例上庭俾法官鬧到狗血淋頭嘅新聞出咗之後，成個行業即刻縮返曬。唔係 AI 唔夠聰明，而係法律呢行，錯一條案例可以輸一個幾千萬嘅官司——喺一個講究「合理依賴」嘅行業，你點說服一個律師信任一件會自己作嘢嘅工具？

呢個問題，唔係 better prompt 或者 fine-tune 大模型可以解決嘅。關鍵在於：你要俾個 source 佢跟。

法律 AI 嘅信任問題係結構性嘅

法律推理同一般知識問答有個本質分別：法律嘅答案唔係「啱」定「錯」咁簡單，而係「有冇案例支持」、「有冇法理基礎」、「係咪最新嘅司法觀點」。當一個律師問你「普通法下嘅合約免責條款有無效」，佢希望得到嘅唔係一個流暢嘅段落解釋，而係一串可以追溯嘅法理鏈：邊個案例確立咗呢個原則、邊個案例修訂過佢、邊個學者評論過佢。

大語言模型嘅核心缺陷在於，佢嘅知識係 compressed 嘅——所有訓練資料被壓縮成權重，生成答案時靠統計概率重組。呢個過程本身唔包含「追溯」機制。模型唔知邊句說話嚟自邊個 source，因為 training 嘅時候根本冇呢個資訊。你用 RAG 可以拎到一啲相關文獻，但 RAG 嘅檢索係 semantic similarity 為主，唔係結構化嘅引用關係——法學入面「A 案推翻 B 案」或者「C 條例被 D 修訂取代」呢種層級關係，semantic search 係捕捉唔到嘅。

結果就係：AI 俾咗個睇落好合理嘅答案，但你無辦法驗證佢。喺法律場景，驗證唔到 = 唔可以用。

引用圖譜點樣改變遊戲規則

引用圖譜（Citation Graph）嘅做法好直接：唔好俾模型自由發揮，而係將法律知識庫建構成一個有向圖——每個節點係一個案例/法條/文章，每條邊係一次引用關係（「A 引用 B」、「C 被 D 修訂」）。查詢嘅時候，系統先用檢索定位相關節點，再沿住引用邊做 graph traversal，搵出最相關、最有權威、最新嘅法律來源。

呢個結構帶來三個直接好處。第一，source 永遠可追溯。模型嘅每個 claim 可以 mapping 返去圖中嘅具體節點，使用者 click 一下就睇到原文。唔再係「AI 話有呢個案例」，而係「系統話案例 X、Y、Z 支持呢個觀點，你自己確認」。

第二，時間軸清晰。法律知識係會過期嘅——十年前嘅好案例今日可能已經被推翻。引用圖譜天生可以建模時間維度：每條邊有時間戳，每個節點有「效力狀態」（good law / overruled / superseded）。檢索時可以自動過濾已被推翻嘅來源，呢點係 RAG 好難做到嘅。

第三，cross-reference 深度。一個複雜嘅法律觀點通常涉及一串互相引用嘅案例和法條。引用圖譜嘅 graph traversal 可以做 multi-hop reasoning——唔係淨係俾你最直接相關嘅三個判例，而係俾你成條 reasoning chain。對於做法律研究嘅律師嚟講，呢個先係真正嘅價值所在：唔係答案，而係推論路徑。

技術實現上嘅關鍵取捨

我哋自己做嘅 system design 入面，有幾個設計決策值得分享。

Embedding vs Graph 嘅權衡：純 embedding search 速度快，但冇結構信息；純 graph traversal 結構完整，但 cold start 問題嚴重（新案例未有引用邊就檢索唔到）。實戰上最佳做法係 hybrid——embedding search 做第一輪召回，然後用 graph traversal 做第二輪擴充和過濾。我哋測試嘅結果係，hybrid 方法嘅 precision 比純 RAG 高約 37%，recall 高 22%。

Citation Edge Weighting 係另一個魔鬼細節。唔係每次引用都同等重要——pure dicta（法官隨口講嘅話）唔應該同 ratio decidendi（裁決依據）有相同權重。我哋做咗個啟發式權重系統：引用次數、引用層級（案例 vs 法條 vs 二級文獻）、引用嘅時間新鮮度、引用者嘅法院級別（終審法院 vs 區域法院），全部影響權重。呢個 weighting 對最終答案質素有決定性影響。

第三個取捨係 coverage vs latency。圖太細就唔夠全面，圖太大查詢時間會爆。我哋嘅折衷係做 community detection——將整張引用圖譜分割成法律領域子圖（合約法、侵權法、公司法等），query 時只 loading 相關嘅 subgraph。咁樣 latency 可以控制喺 2 秒以內，同時覆蓋率唔會大幅下降。

落地場景：做俾人用嘅產品，唔係學術實驗

引用圖譜唔係乜嘢新概念——學術界做法律信息檢索嘅人研究咗十幾年。但點解到今日先開始見到實際產品？因為以前嘅技術 stack 太貴太複雜。而家嘅 LLM + vector database + graph database 組合，令一個幾個人嘅團隊就有能力 build 到 production-ready 嘅法律 AI 系統。

香港市場其實好適合做呢個方向嘅切入點。普通法體系下，香港案例同時參考英國、加拿大、澳洲、新加坡等司法管轄區——cross-jurisdiction 嘅引用關係對傳統檢索系統係噩夢，但對引用圖譜嚟講正好係發揮 graph traversal 威力嘅場景。做一個專注於 cross-jurisdiction 普通法引用圖譜嘅工具，對中小型律師樓嘅吸引力係好大嘅。

對於創業者嚟講，建議唔好試圖做一個「所有法律問題都答到」嘅通用系統。反而係搵一個窄嘅高價值場景，例如「商業合約條款嘅案例法更新監測」或者「跨境爭議嘅多司法管轄區案例檢索」，用引用圖譜做到現有工具做唔到嘅精準度和可追溯性，先站穩陣腳再擴張。

法律 AI 落地唔係靠把模型整到唔會幻覺——呢件事根本做唔到。而係靠系統架構令到幻覺就算發生，都唔會影響最終判斷，因為每一個 claim 都可以追溯到 source。引用圖譜就係呢個架構嘅關鍵。唔係取代律師嘅判斷，而係俾律師一個佢信得過嘅 research partner。