Правовая информатика ♦ Legal Informatics
выпуск № 2 за 2026 г., статья № 42 ♦ issue #2 of 2026, article #42
Рус: ИЗОЛИРОВАННАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СРЕДА ПОДДЕРЖКИ НОРМОТВОРЧЕСКОЙ ДЕЯТЕЛЬНОСТИ НА ОСНОВЕ ЛОКАЛЬНЫХ RAG-СИСТЕМ
Eng: AN ISOLATED INTELLIGENT ENVIRONMENT FOR RULEMAKING SUPPORT BASED ON LOCAL RAG SYSTEMS
DOI: 10.24412/1994-1404-2026-2-415-424
Гиперссылка на полнотекстовую версию статьи (.pdf)
РУС: Абрамец А. С.
ENG: Abramets A. S.
Ключевые слова ♦ Keywords ↑ (наверх) ↑
РУС: правовая информатика, системный анализ, трехконвейерный поиск, мультипоисковая архитектура, большие языковые модели, локальное развертывание, векторные базы данных, семантический поиск, правовая экспертиза, антикоррупционная экспертиза, изолированный контур
ENG: legal informatics, systems analysis, three-pipeline retrieval architecture, large language models, temporal graph RAG, on-premises deployment, vector databases, semantic search, legal review, anti-corruption review, isolated environment
РУС:
Цель работы: теоретически обосновать и разработать архитектуру изолированной интеллектуальной среды поддержки нормотворческой деятельности на основе локально развертываемых RAG-систем (генерация ответов с дополнением поиском по корпусу документов, retrieval-augmented generation). Исследование направлено на разрешение противоречия между потребностью в интеллектуальной поддержке подготовки и экспертизы проектов нормативных правовых актов и необходимостью обработки значительного массива непубличных рабочих материалов во внутреннем контуре ограниченного распространения.
Методы исследования: использованы методы системного анализа, структурного моделирования и сравнительного правового и технологического анализа. Формальная постановка задачи позволила описать функциональные и ресурсные ограничения системы, а сопоставление архитектур fine-tuning и RAG — выявить их применимость к задачам правовой и антикоррупционной экспертизы, межведомственного согласования, оценки регулирующего воздействия (ОРВ) и оценки фактического воздействия (ОФВ). Эмпирическая база исследования включает опубликованные данные о производительности компонентов открытого программного стека и результаты внешних бенчмарков качества RAG-систем; численные ориентиры, предлагаемые в статье, рассматриваются как проектные показатели, требующие самостоятельной последующей валидации на корпусе российских нормативных правовых актов (НПА).
Результаты исследования: предложена формализованная модель изолированной среды интеллектуальной поддержки нормотворческой деятельности, описывающая отображение запросов пользователя и корпуса нормативных правовых актов в верифицируемые ответы с обязательной привязкой к документам-источникам. Показаны структурные ограничения использования внешних облачных языковых моделей в задачах, связанных с обработкой непубличных материалов, и обоснована сравнительная предпочтительность локальной RAG-архитектуры в рассматриваемом контуре. Разработан технологический стек из локально развертываемых компонентов, описана трехконвейерная архитектура поиска и сформулированы требования к прослеживаемости источников, возможности обновления корпуса, контролю риска галлюцинаций и операционной независимости предлагаемой среды; предложено темпоральное расширение графового конвейера на основе битемпоральной модели данных корпуса НПА (bi-temporal model), учитывающей период действия нормы права и период существования записи о ней в системе, обеспечивающее выявление временных коллизий норм, ретроспективный анализ и проверку проектируемых норм на плановую дату принятия.
ENG:
Purpose of the study: to develop and justify the architecture of an isolated intelligent environment for rulemaking support based on locally deployable retrieval-augmented generation (RAG) systems. The paper addresses the conflict between the growing need to automate legal text analysis and the requirement to process non-public drafting materials within a restricted internal environment; it further proposes a temporal extension of the graph-based retrieval pipeline to support time-sensitive legal analysis tasks.
Methods: systems analysis, structural modelling, and comparative legal-technical analysis. A formal problem statement is used to specify the system’s functional and resource constraints; a comparison of fine-tuning and RAG architectures identifies their suitability for legal and anti-corruption review, inter-agency coordination, regulatory impact assessment (RIA), and ex post evaluation (EPE) workflows. The empirical basis consists of published benchmark data for the selected open-source stack; all numerical thresholds are design targets pending validation on a labelled corpus of Russian normative legal acts.
Results: A formalized model of an isolated environment for intelligent support of normative-legal activity is proposed. It describes the mapping of user queries and a corpus of regulatory legal acts into verifiable responses with mandatory linking to source documents. The structural limitations of using external cloud language models in tasks related to the processing of non-public materials are demonstrated, and the comparative advantage of a local RAG architecture in the considered environment is substantiated. A technology stack of locally deployed components is developed, a three-pipeline search architecture is described, and requirements for source traceability, corpus updateability, hallucination risk control, and operational independence of the proposed environment are formulated. A temporal extension of the graph pipeline is proposed based on a bi-temporal data model of the corpus of regulatory legal acts (bi-temporal model), taking into account the period of validity of the legal norm and the period of existence of a record of it in the system, ensuring the identification of temporal conflicts of norms, retrospective analysis, and verification of draft norms as of the planned date of adoption.
Сведения об авторах ♦ Information on the authors ↑ (наверх) ↑
Ф. И. О.
РУС: Абрамец Алексей Сергеевич
ENG: Alexey S. Abramets
Место работы
РУС: НЦПИ при Минюсте России
ENG: Scientific Center of Legal Information under the Ministry of Justice of the Russian Federation
Город, страна
РУС: Москва, Российская Федерация
ENG: Moscow, Russian Federation
- Дудихин В.В., Кондрашов П.Е. Методология использования больших языковых моделей для решения задач государственного и муниципального управления по интеллектуальному реферированию и автоматическому формированию текстового контента // Государственное управление. Электронный вестник. 2024. № 105. DOI: 10.55959/MSU2070-1381-105-2024-169-179.
- Magesh V., Surani F., Dahl M., Suzgun M., Manning C.D., Ho D.E. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools // Journal of Empirical Legal Studies. 2025. Vol. 22. No. 2. P. 216-242. DOI: 10.1111/jels.12413.
- Carlini N., Tramèr F., Wallace E. et al. Extracting Training Data from Large Language Models // 30th USENIX Security Symposium. 2021. P. 2633-2650.
- Герасименко Д.В., Намиот Д.Е. Извлечение тренировочных данных: риски и решения в контексте безопасности LLM // International Journal of Open Information Technologies. 2024. Т. 12. № 11. С. 9-19. eLIBRARY ID: 74533311. EDN: ENVDBA.
- Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems (NeurIPS 2020). 2020. eLIBRARY ID: 46840828. EDN: JPMMQE.
- Жаров В.В., Сараев П.В. Создание графовой RAG-системы по цифровому праву Российской Федерации // Вестник Науки. 2025. № 6 (87). Т. 1. С. 1395-1414. eLIBRARY ID: 82387957. EDN: VLUMNO.
- Намиот Д.Е., Ильюшин Е.А. О кибер-рисках генеративного искусственного интеллекта // International Journal of Open Information Technologies. ISSN: 2307-8162 vol.12. № 10. 2024. С. 109-119.
- Мударова Р.М., Намиот Д.Е. Противодействие атакам типа инъекция подсказок на большие языковые модели // International Journal of Open Information Technologies. 2024. Т. 12. № 5. С. 39-48. eLIBRARY ID: 67207768. EDN: LVERMB.
- Nasr M., Carlini N., Hayase J. et al. Scalable Extraction of Training Data from (Production) Language Models // Proceedings of the 13th International Conference on Learning Representations (ICLR 2025). arXiv: 2311.17035. DOI: 10.48550/arXiv.2311.17035.
- Мельников А.В., Николаев И.Е., Русанов М.А., Аббазов В.Р. Сравнительный анализ методов RAG для построения русскоязычных интеллектуальных сервисов // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2025. Т. 25. № 2. С. 5-18. DOI: 10.14529/ctcr250201.
- Magesh V. et al. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models // Journal of Legal Analysis. 2024. Vol. 16. No. 1. P. 64-93. DOI: 10.1093/jla/laae003.
- Свистунов А.В. Технологии преобразования экспертных знаний в SMART-методики судебных экспертиз // Правовая информатика. 2026. № 1. С. 110-118. DOI: 10.24412/1994-1404-2026-1-00-11.
- Sarthi P., Abdullah S., Tuli A., Khanna S., Goldie A., Manning C.D. RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval // International Conference on Learning Representations (ICLR 2024). arXiv: 2401.18059. DOI: 10.48550/arXiv.2401.18059.
- Edge D., Trinh H., Cheng N., Bradley J., Chao A., Mody A., Truitt S., Larson J. From Local to Global: A Graph RAG Approach to Query-Focused Summarization. 2024. arXiv: 2404.16130. DOI: 10.48550/arXiv.2404.16130.
Правообладатель и лицензия на использование ↑ (наверх) ↑
Использование статьи осуществляется на условиях простой (неисключительной) лицензии CC BY-NC, с обязательным указанием авторства и источника публикации, исключительно в некоммерческих целях.
Открытая лицензия на использование метаданных ↑ (наверх) ↑
Использование метаданных статьи осуществляется на условиях открытой лицензии CC0.