Legal Decision RAG

Sistema de Retrieval-Augmented Generation (RAG) para consulta e análise de decisões administrativas relacionadas a recursos de multas.

O sistema permite realizar perguntas em linguagem natural e obter respostas baseadas em documentos jurídicos indexados, utilizando recuperação semântica e geração por LLM.

Arquitetura

O projeto utiliza uma arquitetura de RAG híbrido, combinando busca vetorial e busca lexical.

Pipeline:

PDFs
↓
Loader
↓
Chunking
↓
Embeddings
↓
FAISS Vector Store
↓
Retriever
↓
Reranker
↓
LLM
↓
Resposta

Tecnologias utilizadas

• Python
• LangChain
• FAISS
• Sentence Transformers
• BM25 Retriever
• CrossEncoder Reranker
• Ollama (LLM local)
• UV (gerenciador de dependências)

Principais bibliotecas:

• langchain
• langchain-community
• faiss-cpu
• sentence-transformers
• pymupdf

Estrutura do projeto

legal-decision-rag/
│
├── data/
│   └── raw/
│       └── pdfs
│
├── vector_store/
│
├── notebooks/
│
├── src/
│
│   ├── ingestion/
│   │   ├── pdf_loader.py
│   │   └── chunking.py
│   │
│   ├── embeddings/
│   │   └── embedding_model.py
│   │
│   ├── vector_store/
│   │   └── faiss_store.py
│   │
│   ├── retrievers/
│   │   └── hybrid_retriever.py
│   │
│   ├── reranker/
│   │   └── cross_encoder.py
│   │
│   ├── prompts/
│   │   └── legal_prompt.py
│   │
│   └── rag/
│       └── rag_chain.py
│
├── scripts/
│   ├── build_index.py
│
└── main.py

Instalação

Este projeto utiliza uv para gerenciamento de dependências.

Instalar dependências:

uv sync

Alternativamente:

pip install -r requirements.txt

Preparação dos dados

Coloque os PDFs na pasta:

data/raw/

Exemplo:

data/raw/recurso_001.pdf
data/raw/recurso_002.pdf

Construção do índice vetorial

Para criar o índice FAISS:

uv run python scripts/build_index.py

Esse processo executa:

PDF → chunking → embeddings → FAISS

Os arquivos gerados serão salvos em:

vector_store/

Executar o sistema

Execute o programa principal:

uv run python main.py

Exemplo de uso:

Pergunta:
Quando um recurso pode ser deferido?

Resposta:
O recurso pode ser deferido quando houver comprovação de erro na autuação ou irregularidade no processo administrativo.

Busca híbrida

O sistema suporta Hybrid Retrieval, combinando:

• BM25 → busca lexical
• FAISS → busca semântica

Essa abordagem melhora significativamente a recuperação de contexto em documentos legais.

Reranking

Após a recuperação inicial, os documentos são reordenados utilizando CrossEncoder Reranker, aumentando a relevância do contexto enviado à LLM.

Pipeline:

Retriever → Top 10 documentos
↓
Reranker
↓
Top 5 documentos
↓
LLM

Exemplo de pergunta

Quando um recurso administrativo pode ser indeferido?

A resposta será gerada com base nos documentos indexados.

Melhorias futuras

• API com FastAPI
• Interface web
• Avaliação automática de RAG
• Query rewriting
• Multi-query retrieval
• Context compression
• Suporte a bancos vetoriais (Qdrant, Weaviate)

Objetivo

Este projeto tem como objetivo explorar técnicas de RAG aplicadas ao domínio jurídico, permitindo consultas inteligentes em grandes volumes de decisões administrativas.