面向法律规范的本体驱动图结构RAG：一种结构、时空与确定性方法

法律领域的检索增强生成（RAG）系统面临一个关键挑战:标准的平面文本检索对法律的层次结构、历时性和因果结构视而不见,导致生成答案时产生时代错觉且不可靠。本文引入了结构感知时空图RAG（SAT-Graph RAG）,一种本体驱动的框架,旨�通过显式建模法律规范的正式结构和历时本质来克服这些限制。我们在本体模型中构建知识图,该模型受LRMoo启发,区分抽象法律作品与其版本化表达式。我们将时间状态建模为高效聚合,以重用未变组件的版本化表达式（CTVs），并将立法事件重新实体化为一级Action节点,以使因果关系显式且可查询。这种结构化的背bone使能够实施统一、由规划器引导的查询策略,以对复杂请求（i）进行准时点检索、（ii）进行层次影响分析、（iii）进行可审计的源头追溯 reconstruction。通过对巴西宪法的案例研究,我们展示了这一方法如何为LLMs提供一个可验证、时空正确的基础,从而实现更高阶的分析能力,并大幅降低事实错误的风险。这一结果为构建更可信、可解释的法律AI系统提供了实用框架。