一、找类案，找的不是「文字像」

律师要的「类案」，指的是「法律问题相同、裁判思路可比」。 而文本相似度量的只是「用词重合」。这两个东西经常不是一回事。 举个最典型的例子： 「违约金过高要求酌减」这个争议焦点，在买卖合同里有，在房屋租赁合同里也有，在借款合同里还有。 三者的用词高度重合——违约金、过高、酌减、实际损失——但裁判规则完全不同： 买卖合同看实际损失，租赁看剩余租金，借款受利率上限约束。 所以「字面最像的那个案子」，经常是「法律上最不该参考的那个」。 这是法律检索与通用检索最本质的差别。 这一节的 Demo 就造这个局面：100 份判决摘要， 5 个案由 × 5 类焦点，同一个焦点词在不同案由下反复出现。 查询是律师按事实写的（不含案由名），所以纯文本检索只能靠焦点词匹配。

二、纯文本检索撞上同词异案

三、结构化过滤是最便宜的先验

加过滤之后，top5 平均 5.0 个同案由，精确率从 27% 抬到 80%。 注意 80% 是上限——因为每个查询的相关案子只有 4 个， top5 最多只能装 4 个相关的，5 分之 4 就是 80%。 这里的关键不是相似度算得更准了，是先砍掉了一大片根本不可能的区域。 候选集从 100 份缩到 20 份，剩下的排序自然干净。 法律领域有现成的强结构：案由、法条、审级、地域、时间。 这些字段在法院系统里本来就是结构化的——立案时就填了案由，判决书上就写了援引的法条。 把案由当硬过滤条件，等于免费拿到一个极准的先验。 这件事的通用版本叫「混合检索」：先用结构化条件缩小范围，再用语义排序。 电商、招聘、专利检索都在用同一招。 凡是领域里有可靠的结构化字段，先过滤总是比纯语义更划算——因为过滤的成本几乎为零， 而语义排序的不确定性很高。

四、相似度那个绝对值不可信

top1 相似度落在 0.598 到 0.657。 这个区间很窄，而且相关和不相关在这条线上是混着的。 用同一个绝对值阈值去卡，靠前的能过、靠后的过不了——但过与不过跟「相不相关」没有稳定关系。 原因是字二元组余弦只反映「共用了多少个两字片段」，它不知道哪个片段是法律上有意义的。 「本院认为」「依法」「证据」这些高频词在所有文书里都有，它们贡献了大量相似度， 却不携带任何区分信息。 所以字面相似度的绝对值不可比，只能比排序——这一点和第 38 课的检索 Demo 是同一个坑。 同一套向量，换一批语料，绝对值的量纲就变了。 推论很直接：类案检索的正确用法是「排前几名给人看」，不是「超过阈值自动推送」。 因为自动推送需要绝对判据，而这里根本没有绝对判据。 凡是看到「相似度 0.85 以上自动关联」这类设计，第一个要问的就是「这个 0.85 是怎么定的、 换了语料还成立吗」。 一个更稳的替代做法是「相对判据」： 看第一名和第二名差多少。 如果第一名的分数远高于第二名，这个结果更可信；如果前五名挤在一起，就说明这一批都不靠谱。 这个信号比绝对阈值可靠得多，而且不需要标定。

五、落地：三步，从便宜到贵

① 先建结构化索引。 案由、法条、审级、年份、地域、文书类型——这些字段有就一定要用。 它们几乎零成本，而且效果比任何 embedding 都稳。 ② 再做语义排序，但只在候选集里做。 先过滤到几百份，再排序，既省算力又提准确率。 反过来在全库上做向量检索，既慢又不准。 ③ 输出要给「为什么」。 律师不会因为「相似度 0.62」就采信一个判例。 要给的是「同案由、同焦点、援引同一条司法解释」。 可解释性在这里不是加分项，是能不能用的前提。 最后一句：法律检索的核心竞争力，不在向量模型，在结构化字段的质量。 谁能把案由、法条、争点标得又全又准，谁的检索就好用。

六、动手 Demo：类案检索：加上案由过滤，top5 精确率从 27% 到 80%

造 100 份合成判决摘要（5 个案由 × 5 类争议焦点，每组合 4 份），正文由案由名加焦点词拼成。 查询按「律师写的事实」构造：只含焦点词和几个通用词，不含案由名。 比较两种检索的 top5 精确率：纯文本字二元组余弦，以及先按案由过滤再排序。

def bg(s):                             # 字二元组集合
    s = re.sub(u"[^\\u4e00-\\u9fff]", u"", s)
    return set(s[k:k + 2] for k in range(len(s) - 1))

def cos(a, b):
    return float(len(a & b)) / (len(a) * len(b)) ** 0.5

r1 = top5(qv, docs)                            # 全库排
r2 = top5(qv, [d for d in docs if d[u"c"] == c])   # 先按案由过滤
p = sum(1 for _, d in r if d[u"i"] in truth) / 5.0

实跑输出：

--------------------------------------------------------------------
类案检索：加上案由过滤，top5 精确率从 27% 到 80%
--------------------------------------------------------------------
  案件库                   100 份合成判决摘要，5 个案由 × 5 类焦点
  检索方式                 字二元组集合余弦，无模型、无向量库
  查询                     6 个，真值＝同案由且同焦点
  top1 相似度区间          0.598 ~ 0.657

  查询                   相关案数   纯文本 top5   加过滤 top5
  ----------------------------------------------------------
  买卖合同／违约金过高          4           20%           80%
  买卖合同／责任划分            4           20%           80%
  借款合同／违约金过高          4            0%           80%
  借款合同／责任划分            4           60%           80%
  劳动争议／违约金过高          4           20%           80%
  劳动争议／责任划分            4           40%           80%

  **先看两列的平均值：27% 对 80%。**
  **纯文本方案里，top5 平均只有 1.3 个和查询同案由——另外 3.7 个是别的案子的。**
  为什么？**因为查询是律师按事实写的，里面根本不提案由名。**
  **它只带着「违约金」「酌减」「实际损失」这几个词——而这些词，买卖合同和房屋租赁里都用。**
  **加过滤之后，top5 平均 5.0 个同案由**，精确率跟着抬起来。
  **这里的关键不是相似度算得更准了，是先砍掉了一大片根本不可能的区域。**
  **法律领域有现成的强结构：案由、法条、审级、地域、时间。**
  **把案由当硬过滤条件，等于免费拿到一个极准的先验。**
  还有一个数字要看：**top1 相似度落在 0.598 到 0.657。**
  **用同一个绝对值阈值去卡，靠前的能过、靠后的过不了——****但相关和不相关在这条线上是混着的。**
  **字面相似度的绝对值不可比，只能比排序**——这一点和第 38 课的检索 Demo 是同一个坑。
  **所以类案检索的正确用法是「排前几名给人看」，不是「超过阈值自动推送」。**
  要说明：案件文本是我**按焦点词合成的**，真实判决书几万字、说理会绕，**相似度分布会更平**。
  **但「结构化字段过滤优于纯文本」这个结论，在真实检索系统里反复被验证。**

27% 到 80% 这个跨度，来源不是「模型变强了」，是「候选集变对了」。 过滤这一步几乎没有计算成本，却拿走了大部分收益。 这是检索系统里性价比最高的一个改动。 注意 80% 已经是上限——每个查询只有 4 个相关案子，top5 最多装 4 个。 所以别把 80% 当成「还有 20% 的提升空间」，要提升得先扩大相关案子的数量，那是另一件事。 「纯文本平均 1.3 个同案由」这个数比精确率更直观： 一份判决书里，5 个参考案例只有 1.3 个是同一类案子。 这个结果给律师看，他不会用第二次。 要说明：案件文本是我按焦点词合成的， 真实判决书几万字、说理会绕、焦点词会散落在不同段落，相似度分布会比这里更平。 但「结构化字段过滤优于纯文本」这个结论，在真实的检索系统里反复被验证。 另外这里假设案由是现成的结构化字段—— 现实中法院系统确实如此，但如果要自己从文本里判案由，那又是一层误差。

30 秒实验

1. 把查询里加上案由名，重跑纯文本那一列。 精确率会明显上升——但它上升的原因恰恰是「案由信息进去了」，反过来证明了过滤的价值。
2. 把通用词（「本院认为」「依法」等）从文本里去掉，重跑。 纯文本的精确率会好一些——那些词只贡献相似度、不贡献区分度。
3. 把每个组合的案子从 4 份加到 10 份，看重跑的上限。 top5 最多装 5 个相关案子，理论上限变成 100%。

常见误区

1. 「文本相似的案子就是类案」。同词异案大量存在，违约金争议在三种合同里都用同一批词。
2. 「相似度 0.8 以上就可以自动关联」。 本 Demo 的 top1 只有 0.598 到 0.657，相关与不相关混在一条线上。
3. 「上向量模型就能解决」。 不加结构化过滤，语义再强也分不清「买卖合同里的违约金」和「租赁合同里的违约金」。

检索解决的是「找到参考」。 最后一节换成企业内部的场景： 合同签之前的合规检查。这件事看起来最简单——对着清单打勾——但它两种错都很难缠。

• ☐ （本节完，下一节 11.3.3 企业管理合规）

相关笔记

• 法律文本智能处理
• 企业管理合规
• 智慧出行服务
• 🧠 AI训练师手册2 · 索引