LlamaIndex har udgivet legal-kb som en offentlig referenceapplikation på GitHub. Ifølge MarkTechPost er pointen at vise et agentisk retrieval-mønster, hvor værktøjer, der ligner filsystemets handlinger, hjælper en agent med at arbejde systematisk i en stor og levende dokumentbase. Det adskiller sig fra én enkelt embeddings-forespørgsel pr. spørgsmål. Her arbejder agenten i flere trin og kan gennemgå korpuset mere målrettet.
MarkTechPost beskriver legal-kb som en fungerende TanStack Start webapp. Brugere logger ind, opretter et projekt, uploader filer og chatter med en agent. Hvert projekt spejles som et managed LlamaCloud Index v2, hvor uploadede filer parses og indekseres automatisk i baggrunden. Ved hver chat-tur spørger agenten live mod det indeks.
Retrieval Harness i praksis
Ifølge MarkTechPost demonstrerer legal-kb et mønster kaldet Retrieval Harness. I stedet for kun at køre én søgning får agenten et sæt værktøjer, der bevidst ligger tæt på almindelige filoperationer. Det gør det muligt at indsnævre søgningen, lokalisere relevante filer og derefter læse eller mønstermatche tekst for at finde den præcise passage.
Kilden angiver også, at systemprompten i legal-kb håndhæver en bestemt rækkefølge, hvor agenten skal kalde findFiles først. Den arbejdsform skaber overblik i filinventaret, før der søges og læses dybere.
Fire værktøjer der spejler filsystemet
MarkTechPost oplister fire konkrete værktøjer, som agenten i src/lib/agent.ts får stillet til rådighed, og som mappes til Index v2s retrieval-API’er. Artiklen angiver følgende:
- retrieve: hybrid semantisk søgning; understøtter blandt andet query, top_k, score_threshold og rerank_top_n samt metadatafiltre som file_name og file_version. Returnerer tekststykker og citationer.
- findFiles: søg efter filer via eksakt navn eller delstreng, med automatisk pagination.
- readFile: læs rå filindhold ved hjælp af offset og max_length for et afgrænset tekstvindue.
- grepFile: match et mønster i en fil med parametre som pattern, context_chars og limit; returnerer tegnpositioner.
MarkTechPost præsenterer de ovenstående værktøjer som en bevidst parallellisering af kendte filhandlinger. Kombinationen gør det muligt først at finde de rigtige filer og derefter verificere indholdet mere præcist.
Flow fra upload til søgbar viden
Ifølge MarkTechPost er appen en kørende webapplikation, ikke et bibliotek. Flowet er simpelt for brugeren: log ind, opret projekt, upload dokumenter, chat. Under motorhjelmen sørger den administrerede LlamaCloud Index v2 for parsing og indeksering af de uploadede filer i baggrunden, mens chatagenten ved hver tur slår op i det samme indeks.
Et centralt detalje i MarkTechPost er, at retrieve understøtter metadatafiltre som file_name og file_version. Det giver en mulighed for at gøre søgninger mere afgrænsede i forhold til navngivne filer og versioner, når agenten har brug for at målrette sine opslag i korpuset.
Hvorfor det adskiller sig fra single-shot retrieval
MarkTechPost rammesætter forskellen tydeligt: frem for én embeddings-forespørgsel per spørgsmål får agenten et sæt værktøjer, der kan bruges i sekvens. Først et filoverblik via findFiles. Derefter retrieval og eventuelt læsning af specifikke udsnit eller mønstermatch i en konkret fil. Det er den agentiske del af tilgangen, som kilden fremhæver.
Praktisk betyder det, at søgearbejdet bliver mere trinvis og potentielt mere sporbar, fordi værktøjskald og parametre ligger åbent i forløbet. Det er også sådan MarkTechPost beskriver værditilførslen ved at mappe agentens handlinger til tydelige API’er.
Kildepejlinger i koden
MarkTechPost henviser eksplicit til src/lib/agent.ts for værktøjsdefinitionerne og til mappingen mod Index v2 retrieval-API’erne. Artiklen peger også på parametrene for retrieve, findFiles, readFile og grepFile, herunder at systemprompten håndhæver kaldet til findFiles først. I den sammenhæng fungerer legal-kb som reference på, hvordan værktøjerne kan bindes til en agent.
Desuden beskriver MarkTechPost, at legal-kb arbejder med et administreret indeks pr. projekt i LlamaCloud, og at indeksering sker automatisk i baggrunden efter upload. Det danner den pipeline, agenten spørger ved hver chat-tur.
Hvad VentureBeat tilføjer i sammenligning
Som bagtæppe nævner VentureBeat, at Trunk Tools rapporterer markante gevinster ved en specialiseret trelagsarkitektur med domænetilpassede modeller og pipelines. Ifølge VentureBeat siger Trunk Tools, at deres stack har reduceret gennemgangscyklusser “fra måneder til dage”, og artiklens titel refererer “fra 60 dage til 10”. VentureBeat gengiver her leverandørens egne resultater, og tallene er kontekstafhængige.
Pointen i sammenhængen er ikke at sammenligne direkte med legal-kb, men at illustrere, at domænetilpassede retrieval- og agentmønstre bredt rapporteres som en vej til hurtigere dokumentarbejde, når værktøjskæden er skåret til opgaven. Det er VentureBeats dækning af Trunk Tools’ egen rapportering.
Hvad man kan tage med sig fra referenceappen
Set ud fra MarkTechPosts gennemgang står tre elementer tilbage. For det første, at legal-kb er en kørende webapp bygget i TanStack Start, så mønstret kan afprøves end-to-end. For det andet, at hvert projekt spejles til et administreret Index v2 i LlamaCloud, som automatisk holder dokumenterne søgbare efter upload. For det tredje, at agenten arbejder med fire værktøjer, som er tæt koblet til Index v2s retrieval-API’er, og at rækkefølgen styres af systemprompten.
Det giver en konkret skabelon for agentisk retrieval, hvor filoverblik, målrettet søgning og verificerende læsning kan kombineres. MarkTechPost præsenterer legal-kb som en offentlig referenceapp, der netop viser det mønster.
Konklusion
Ifølge MarkTechPost er legal-kb et tydeligt eksempel på agentisk retrieval bygget oven på LlamaIndex Index v2. Agenten får filsystem-lignende værktøjer – retrieve, findFiles, readFile og grepFile – og arbejder i en styret sekvens, hvor findFiles kommer først. Projekter spejles som administrerede indekser i LlamaCloud, og filer gøres søgbare i baggrunden. VentureBeats dækning af Trunk Tools viser samtidig, at domænetilpassede stacks kan rykke dokumentgennemgang markant ifølge leverandørens egne tal. Samlet set giver kilderne et konsistent billede af, hvordan værktøjsdrevne retrieval-kæder kan løfte arbejde i store dokumentbaser.
