Harvey公布了一组实验数据：他们让AI agent在处理法律任务前，先构建一份“上下文图谱”（context graph），结果在Legal Agent Bench（LAB）的多项任务上，准确率提升了最多30个百分点，成本降低了近一半。

下面这个视频是官方发布的概述：

具体做法是：agent先阅读客户事项中的每一份文档，把相关实体和关系提取出来，比如当事方、日期、草稿/签署状态、哪些版本属于同一份合同。这相当于先画一张关系网，再开始干活。

实验覆盖LAB的11个类别，包括并购尽职调查、合同谈判等。agent在构建图谱时，看不到评估任务和评分标准。

结果很有说服力。Firm Knowledge任务：65%→80%；Precedent lists：67%→80%；Matter counting：53%→83%。成本方面，有图谱的agent平均节省48%。

一个典型的案例：任务是找到公司最近的一笔担保融资，并调出已签署的信贷和担保协议作为新融资的先例。没有图谱的agent从头到尾翻了好几个文件、看了好几个事项，最后选错了先例，得0分。有图谱的agent直接定位到了相关事项和已签署协议，拿到75%的评分标准。

实验结果引发了不少讨论。评论区有人问图谱是按单个事项构建还是跨整个客户语料库构建，是否包含构建成本，文档更新时图谱是增量更新还是重建。也有人指出，这本质上还是知识图谱，不是上下文图谱，因为它从静态文档中提取关系，没有捕捉文档在评审、修改、接受过程中的上下文。还有人建议把图谱和grep结合，效果可能更好。

Harvey表示，后续会分享更多关于如何将这一能力集成到产品中的细节。视频里展示了图谱的界面，可以看一下。