Lawme 如何利用 Qdrant 扩展 AI 法律助理并显著降低成本

Lawme 如何利用 Qdrant 扩展 AI 法律助理并将成本降低 75%

法律科技（LegalTech）正处于传统保守法律行业数字化转型的前沿。Lawme.ai 这家雄心勃勃的初创公司，正通过 AI 助理自动化日常法律工作流程，引领这场转型。通过利用先进的 AI 驱动流程，Lawme 帮助律师事务所大幅加快法律文件准备，从初步研究分析到全面的起草。然而，扩展其解决方案面临严峻挑战，尤其是在数据管理、合规性和运营成本方面。

平衡快速增长与合规性和成本控制

Lawme 开发的 AI 助理可自动化耗时的法律任务，例如为澳大利亚劳动法起草不公平解雇索赔。这些任务通常涉及复杂、相互关联的流程，包括文件录入、提取关键信息、进行详细的法律研究，以及将结果综合成文件草稿。

最初，Lawme 使用 PGVector（一种基于 PostgreSQL 的向量解决方案）来管理其 AI 的嵌入数据。随着数据集因来自美国和澳大利亚司法管辖区的数据输入而迅速扩展，性能显著下降。查询变得迟缓，基础设施成本不可持续地飙升。随着对其自动化法律服务的需求激增，这带来了巨大的运营挑战。

此外，严格的合规要求使情况进一步复杂化。Lawme 的法律客户坚持严格的数据驻留和隐私标准，限制了他们对基于云的解决方案的选择。需要离岸数据处理或存储的供应商根本不在考虑之列。Lawme 需要一个既高性能又能遵守严格安全法规的向量数据库。

正如 Lawme 联合创始人 Jordan Parker 所解释的：

“安全性和合规性阻止您使用许多云提供商，尤其是那些设在海外的提供商。我们需要灵活性，以便在客户需要的任何地方进行部署，同时不牺牲速度或可靠性。”

解决方案：使用 Qdrant 实现灵活、高性能的向量搜索

Lawme 转向 Qdrant 的向量搜索引擎，因为它在性能、安全性®和部署灵活性方面具有卓越的组合。此次转型是由几个关键特性驱动的：

• 二进制量化：Qdrant 易于实现的二进制量化显著加速了检索过程，有效地将数千万个法律向量的大搜索空间缩小。此功能确保了快速查询处理，同时不损害搜索质量。通过将 Qdrant 的快速检索与使用 Cohere 等模型进行的二次重新排序步骤相结合，Lawme 保持了搜索精度。这种方法平衡了可扩展性与法律环境中所需的准确性。

• 元数据过滤：Qdrant 先进的可过滤分层可导航小世界 (HNSW) 索引使 Lawme 能够根据特定的法律元数据（例如管辖区或案件类型）快速过滤查询，从而快速可靠地提供高度相关的搜索结果。

• 部署灵活性：Qdrant 简单的 Kubernetes 部署促进了在私有云中快速、安全的安装，完全符合客户的监管要求。这使 Lawme 能够自信地接触那些要求严格数据驻留的保守法律客户。

结果：更低的成本、更高的性能、更强的合规性

迁移到 Qdrant 立刻带来了显著的优势：

• 成本效率：与之前的 PGVector 设置相比，基础设施成本大幅降低了 75%。这种成本降低使 Lawme 能够在高度敏感的市场中保持竞争力和价格效率。

• 可扩展性和性能：查询延迟显著降低，使 Lawme 能够处理数千万个向量而不会出现性能下降。这种可扩展的基础设施支持了其 AI 助理部署的快速增长。

• 增强信任和合规性：Lawme 能够完全控制数据位置并遵守当地数据隐私法，从而赢得了法律客户的极大信任。系统的透明度和可靠的治理机制进一步增强了客户信心。

• 操作简便性：Qdrant 开发人员友好的部署工具、可视化功能和清晰的文档简化了操作复杂性，实现了快速开发周期和轻松维护。

Jordan Parker 简洁地总结了其影响：

“你给代理喂入的数据越多，它就会变得越好。但要真正实现扩展，你需要一个能够保持低延迟、高准确性并控制成本的向量数据库。Qdrant 使这成为可能。”

展望未来：通过强大的基础设施实现全球扩展

Qdrant 的成功采用使 Lawme 实现了显著增长；它对其技术堆栈处理复杂、大容量法律工作负载的能力充满信心。

在以其苛刻的合规性、安全性和准确性标准而闻名的行业中，Lawme 的经验凸显了 Qdrant 作为基础架构的潜力。本案例强调了受监管行业中尖端 AI 应用如何通过灵活、经济高效且高性能的平台蓬勃发展。

Lawme.ai 现已具备理想条件，可以继续在法律自动化领域进行创新，并由能够匹配其雄心、增长轨迹和客户期望的基础设施提供支持。此外，Lawme 正在探索后期交互模型（例如 ColPali），以进一步简化其数据摄取和处理管道，从而加强其对持续改进和创新的承诺。