Alpha 0.2.1-hotfix | 基于语义嵌入的刑事案件定性与量刑分析系统
Legal Assist 是一款创新的法律科技工具，采用语义嵌入（Semantic Embedding）+ 本地确定性推理的混合架构，实现对刑事案件的智能化分析。
| 特性 | 说明 |
|---|---|
| 🔒 确定性 | Phase 3 完全离线运行，100% 可解释 |
| 🚀 高效 | 向量相似度计算毫秒级响应 |
| 📦 数据驱动 | 修改 YAML 即可扩展法律覆盖范围 |
| 🔄 动态更新 | 重建 Embedding 包即可更新语义匹配 |
由于浏览器安全策略（CORS）限制，直接在 Web 端调用 LLM API 时会出现 ClientException: Failed to fetch 错误。调试时请使用以下命令禁用 Chrome Web 安全策略：
flutter run -d chrome --web-browser-flag "--disable-web-security"注意：此模式仅用于开发调试，切勿在浏览其它网页时保持开启。
graph TB
subgraph "Program A: Embedding Builder"
A1[YAML 法律基座] --> A2[LLM API]
A2 --> A3[Embedding 向量]
A3 --> A4[".pak 向量包"]
end
subgraph "Program B: Legal Assist"
B1[用户案情] --> B2[Phase 2: LLM 事实提取]
B2 --> B3[案情向量化]
B3 --> B4[Phase 3: 本地分析引擎]
A4 -.-> B4
B4 --> B5[分层分析结果]
end
style A4 fill:#f9f,stroke:#333
style B4 fill:#bbf,stroke:#333
法律要素和案情事实被映射到同一高维向量空间（1024 维），通过余弦相似度判断语义匹配程度。
其中：
-
$\vec{A}$ ：法律标准 Slot 的 Embedding 向量（来自.pak文件） -
$\vec{B}$ ：案情提取事实的 Embedding 向量（实时计算） - 输出范围：$[-1, 1]$，通常在
$[0, 1]$
相似度 ≥ threshold + margin → 命中 (Hit)
相似度 ≤ threshold - margin → 缺失 (Missing)
其他情况 → 不确定 (Uncertain)
默认参数：threshold = 0.45, margin = 0.05
系统采用递进式深钻策略，自动执行 L1→L2→L3 全量分析：
graph TD
A[案情事实] --> L1{L1: 核心构成要件}
L1 -->|全部命中| L2{L2: 阻却事由}
L1 -->|存在缺失| X1[❌ 不构成<br/>缺失要件]
L1 -->|存在不确定| X2[⚠️ 待定<br/>信息不足]
L2 -->|无排除事由| L3{L3: 量刑情节}
L2 -->|存在排除| X3[✅ 不构成<br/>正当防卫等]
L3 -->|加重情节| Y1[🔴 构成<br/>情节严重]
L3 -->|无特殊情节| Y2[🟠 构成<br/>一般情节]
L3 -->|减轻情节| Y3[🟢 构成<br/>情节轻微]
| 层级 | 名称 | 法律术语 | 职责 |
|---|---|---|---|
| L1 | 核心构成要件 | 定性 | 判断是否满足犯罪构成四要件 |
| L2 | 阻却事由 | 过滤 | 检查正当防卫、紧急避险等排除情形 |
| L3 | 量刑情节 | 定量 | 识别加重/减轻情节，确定量刑等级 |
TieredAnalysisResult
├── crimeAnalyses: List<TieredCrimeAnalysis>
│ ├── coreElements: CoreElementsResult // L1 结果
│ │ ├── hitSlots: [...]
│ │ ├── missingSlots: [...]
│ │ └── uncertainSlots: [...]
│ ├── exclusionAnalysis?: ExclusionResult // L2 结果
│ │ └── hitExclusions: [...]
│ ├── sentencingAnalysis?: SentencingResult // L3 结果
│ │ ├── aggravatingFactors: [...]
│ │ └── mitigatingFactors: [...]
│ └── finalConclusion: CrimeConclusion
└── metadata: {版本, 阈值, 时间戳}| 枚举值 | 含义 | 触发条件 |
|---|---|---|
notConstitutedMissingElements |
不构成（缺失） | L1 缺失必要要件 |
notConstitutedExcluded |
不构成（排除） | L2 命中阻却事由 |
constitutedMinor |
构成（轻微） | L3 仅有减轻情节 |
constitutedNormal |
构成（一般） | L3 无特殊情节 |
constitutedSerious |
构成（严重） | L3 命中"情节严重" |
constitutedVerySevere |
构成（特别严重） | L3 命中"情节特别严重" |
uncertain |
待定 | L1 存在不确定要件 |
Phase 2 的事实提取后，系统需要为每个提取到的要素计算 Embedding 向量。
优化前: N 次串行请求 (N = 提取事实数)
Request₁ → Response₁ → Request₂ → Response₂ → ...
优化后: 1 次批量请求
[Text₁, Text₂, ..., Textₙ] → [Vec₁, Vec₂, ..., Vecₙ]
| 阶段 | API 类型 | 调用次数 |
|---|---|---|
| Phase 2 事实提取 | Chat Completion | 1 次 |
| Phase 2 向量计算 | Embedding Batch | 1 次 |
| Phase 3 本地分析 | 无 | 0 次 |
法律知识以 YAML 格式存储，支持动态扩展：
slots:
- slot_id: "S001"
slot_name: "行为主体"
analysis_level: 1 # 参与 L1 分析
role: "qualification" # 定性要件
required: true
semantic_scope: "具有刑事责任能力的自然人或单位..."
- slot_id: "S201"
slot_name: "情节严重"
analysis_level: 3 # 参与 L3 分析
role: "sentencing" # 量刑情节
sentencing_type: "aggravating" # 加重因素
crimes:
- crime_id: "C341_1"
crime_name: "危害珍贵、濒危野生动物罪"
required_slots: ["S001", "S002", "S003"] # L1 必需
exclusion_slots: ["S101", "S102"] # L2 排除
optional_slots: ["S201", "S202", "S203"] # L3 量刑Embedding_Legal_Engine/
├── shared/ # 共享数据模型库
│ └── lib/models/
│ ├── slot_model.dart
│ ├── crime_model.dart
│ ├── tiered_analysis_model.dart # ★ 分层结果模型
│ └── ...
│
├── embedding_builder_tool/ # Program A: Embedding 构建工具
│ └── lib/
│ ├── services/llm_service.dart
│ └── screens/...
│
├── legal_assist/ # Program B: 案件分析主程序
│ └── lib/
│ ├── engines/
│ │ └── local_analysis_engine.dart # ★ 分层分析引擎
│ ├── services/
│ │ └── llm_extraction_service.dart # ★ Batch Embedding
│ ├── widgets/
│ │ └── mind_map_view.dart # ★ 思维导图组件
│ └── screens/...
│
└── assets/
├── legal_base.yaml # 法律基座
└── *.pak # Embedding 向量包
| 版本 | 日期 | 主要更新 |
|---|---|---|
| Alpha 0.2.0 | 2026-01-11 | 自适应分层分析、思维导图可视化、Batch Embedding |
| Alpha 0.1.0 | 2026-01-09 | 初版发布 |
本项目采用 Apache License 2.0 协议开源。详情请参阅 LICENSE 文件。
Copyright 2026 Legal Assist Authors