把法律文件变成“可推理的图”：诉讼AI为何离不开知识图谱

这场演讲中，WhyHow 的 Tom Smoker 讲述了他们如何在诉讼与法律发现中使用知识图谱与多智能体系统。核心不在于更大的模型，而在于把零散、混乱的法律文本转化为可被 AI 推理、裁剪和决策的结构化图，从而真正影响律师的判断。

为什么在法律行业谈 Graph RAG，而不是更大的模型

这一演讲一开始就点出了一个法律科技里常被忽视的问题：法律文件不是“缺少智能”，而是“缺少结构”。Tom Smoker 解释，他们之所以不断被问“为什么要用图（graph）”，正是因为在法律行业，单纯把文档丢进大模型并不能解决核心痛点。合同、起诉书、证词、证据之间存在大量隐含关系，如果这些关系不能被显式表达，AI 只能做表层生成。

他给出的判断很直接：“Broadly to me， graphs are relations.” 在他看来，图的价值不在于可视化，而在于把事实、主体、时间、行为之间的关系固定下来。这些关系一旦被建模，就可以在检索增强生成（RAG）中反复使用，而不是每次都让模型从头‘猜’。

这也是他们将 Graph RAG 引入法律场景的原因：图并不是为了炫技，而是为了让系统在面对成千上万份文件时，仍然能回答‘这些文件之间到底发生了什么’。这种结构化数据，对领域专家尤其重要，因为它保留了法律推理所依赖的上下文与因果链。

多智能体不是噱头，而是白领工作流的拆解工具

在演讲的中段，Tom 把话题从“图是什么”推进到“图如何驱动多智能体系统”。他明确区分了单一大模型和多智能体的角色：“multi-agent systems，这正是我想定义的第二个关键点。”

在 WhyHow 的实践中，多智能体并不是同时胡乱对话，而是被严格地编排在一个由图约束的流程中。复杂的白领工作流——尤其是白领犯罪或大型诉讼——被拆解成多个子任务：理解事实、定位证据、比对案例、形成判断。每一个子任务由一个 agent 负责，而 agent 之间的输入输出关系，本身就由知识图谱来约束。

他形容这是“break down a complicated white collar workflow by a graph”。图既是任务分解的蓝图，也是防止 agent 走偏的护栏。没有图，多智能体只会放大不确定性；有了图，系统才能在复杂决策中保持一致性和可解释性。

从法律发现到案件判断：图如何改变诉讼节奏

真正打动人的部分，来自他们在诉讼（litigation）和法律发现（discovery）中的具体应用。Tom 用大量时间解释：诉讼本质上是一个不断缩小不确定性的过程，而传统方式极度依赖人工筛选和经验判断。

在现实中，海量文件需要人工审查，律师往往只能在很晚的阶段，才‘感觉到’某一类投诉或事实正在聚集。而通过图，他们可以更早地看到模式：哪些主体反复出现、哪些行为在不同案件中形成密度、哪些证据之间存在交叉引用。

他提到一个关键转折点：如果“you can take all of that information”并把它们连接成图，系统就能支持“data driven decision”。这意味着，律师不是在最后阶段被动反应，而是能在更早的时候，基于图中的结构性信号采取行动。这种提前量，本身就是诉讼中的竞争优势。

这不是一个纯 GenAI 问题，而是一个持续构建图的过程

在结尾，Tom 特别强调了一点反直觉的经验教训：“this is not just a genai problem”。生成式 AI 只是其中一层，更困难、也更重要的是持续构建和修正知识图谱。

图不是一次性产物，而是需要不断“capturing， expanding， pruning”。新的文件进来，关系会变；旧的假设被推翻，边就要被删掉。多智能体系统的价值，也正是在这种迭代中逐渐显现，而不是一开始就完美。

他总结他们的方法是“iteratively build that graph”。这句话背后隐含的态度是：法律智能不是靠一次模型升级完成的，而是靠长期、谨慎地把现实世界映射成可推理结构。对法律行业来说，这种慢工，反而是最快的路。

总结

这场演讲提供的最大启发在于：在高风险、强逻辑的行业里，AI 的价值不取决于生成得多像人，而取决于是否理解并尊重结构。知识图谱让法律事实变得可计算，多智能体让复杂工作流可拆解，而真正的竞争力，来自持续维护这张“事实之网”的能力。

关键词： 知识图谱， Graph RAG， 多智能体系统， 法律科技， 诉讼AI

事实核查备注： 演讲者：Tom Smoker；公司：WhyHow；核心技术概念：Graph RAG、知识图谱（graphs are relations）、多智能体系统（multi-agent systems）、法律发现（legal discovery）、生成式AI；引用原话均来自公开视频中的定义性表述，无具体数字或产品名称。