新加坡 PDPA 法律合规 RAG Agent

背景

2026 年，我在揽岳智能参与了一个面向新加坡数据合规法律咨询场景的 RAG agent 项目。

问题很典型，也很真实：面对 PDPA 一类的法规咨询，律师需要在多份监管文件之间来回查找、交叉比对，再把结果组织成可解释的判断。人工流程慢、贵，而且稳定性依赖具体经手的人。

我负责的部分

我参与的重点不只是“把模型接上文档”，而是把整个问答过程变成一条可复用的系统链路：

• 协助设计和优化面向法规咨询的 RAG 架构
• 参与文档解析与检索流程设计，让法规条文能被稳定召回
• 调整多轮 prompt chain，让回答既保留法律语境，也尽量减少随意发挥
• 把系统表现和真实咨询场景对齐，而不是只追求 demo 演示效果

同时，我也在继续做 PDF 解析相关的行业产品调研和方案设计，因为这个能力会直接影响上游文档质量。

结果

合作律所的项目 benchmark 记录显示，模型评分基准值提升了 33%。该指标来自项目材料，本次 portfolio 整理没有独立复跑。

对我来说，这个数字有两个意义：

1. 它说明 RAG 在高精度、强约束场景里确实能创造价值。
2. 它也提醒我，真正重要的不是模型“说得像不像”，而是它能不能在具体专业流程里减少摩擦、提升一致性。

这个项目让我更确定的一件事

我越来越相信，AI 系统真正的门槛不在“大模型会不会回答”，而在于：

• 上游知识是否被清楚组织
• 中间链路是否可解释、可调试
• 下游用户是否能把结果纳入自己的专业判断

法律合规是一个很好的训练场，因为它不允许你把“差不多”当成完成。

我带走的经验

这段经历让我更明确自己想做的方向：

• 面向真实工作流的 agent system
• 对 precision 和 trust 有要求的 AI 产品
• 既关注工程实现，也关注 interface 和决策体验的系统设计

对一个想长期做 AI builder 的人来说，这比单纯做一个“很会聊天”的 demo 更重要。