Harvey报告：上下文图谱提升法律Agent表现
热点事件持续更新
Harvey报告：上下文图谱提升法律Agent表现
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月，Harvey发布报告，展示上下文图谱（context graphs）在法律知识任务中对LLM智能体的作用。据Elvis Saravia（DAIR.AI）10月16日在X上引用Harvey数据，实验从Legal Agent Bench的11类任务（如并购尽职调查、合同谈判）入手，让智能体在无法访问评测任务和评分标准的情况下为底层文档构建上下文图谱。结果显示：Firm Knowledge任务从65%提升到80%，Precedent lists从67%到80%，Matter counting从53%到83%，同时成本降低48%。Saravia认为，该报告说明上下文图谱的应用范围不止于复杂代码库，LLM智能体偏好结构化数据；DAIR.AI正将这一思路用于研究类任务。上述数字与条件均出自该来源的表述。
AI 根据报道生成 · 1 小时前更新
最新进展10月16日 05:06
Elvis Saravia：context graphs 对 LLM 智能体的作用不止于代码库报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- Elvis SaraviaElvis Saravia：context graphs 对 LLM 智能体的作用不止于代码库
Elvis Saravia 认为 LLM 智能体偏好结构化数据，context graphs 在复杂代码库中效果明显，Harvey 的法律知识任务报告显示其应用范围更广。他引用的 Harvey 数据称，智能体在无评测任务和评分标准的情况下为文档构建 context graphs 后，Firm Knowledge 任务从 65% 提升到 80%，Precedent lists 从 67% 到 80%，Matter counting 从 53% 到 83%，同时成本降低 48%。他表示 DAIR.AI 正将这一思路用于研究类任务。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。