legal-ai/docs/voyage-upgrades-plan.md

שדרוגי Voyage — תכנית מפורטת

תכנית 3-שלבית לשדרוג שכבת ה-retrieval של עוזר משפטי. שלב A מבוצע בתאריך התכנית; שלבים B ו-C ממתינים לשיחה החדשה.

הקשר: Voyage = חיפוש (find), Claude = הבנה+כתיבה (read+write). שני המנועים מנותקים ארכיטקטונית — שינוי שכבת ה-retrieval לא משפיע על קלוד עצמו, רק על איזה chunks מגיעים אליו לקריאה.

---

שלב A — מעבר ל-voyage-3 (✅ מבוצע)

למה voyage-3 ולא voyage-law-2?

Benchmark על 3 שאילתות עברית-משפטית עם passages אמיתיים מהקורפוס:

מודל	Perfect orderings	Total Separation
voyage-3	3/3	+0.483
voyage-3.5	3/3	+0.278
voyage-law-2 (היה)	3/3	+0.238
voyage-4	2/3	+0.423
voyage-4-large	2/3	+0.353

voyage-3 מנצח כפול — דירוג מושלם + מרווחים גדולים פי-2 מ-voyage-law-2. מימד נשאר 1024 → אין שינוי schema.

מה בוצע

1. Coolify env: VOYAGE_MODEL=voyage-3 בקונטיינר
2. Local env (~/.env): VOYAGE_MODEL=voyage-3
3. Re-embed של 5 טבלאות באמצעות scripts/reembed_voyage.py:
   • document_chunks — מסמכי תיקים (~6K rows)
   • paragraph_embeddings — קורפוס סגנון (כעת ריק)
   • case_law_embeddings — stubs מצוטטים אוטו'
   • precedent_chunks — פסיקה שהועלתה (~385)
   • halachot.embedding — 400 הלכות (rule_statement + reasoning)
4. MCP server restart — טעינה מחדש של embeddings.py עם המודל החדש

Verification

• search_precedent_library על "תכנית רחביה" → 403/17 holding ראשון
• search_decisions על "השבחה" → תוצאות עקביות
• ה-counts בטבלאות לא ירדו (כל row עודכן, לא נמחק)

Rollback אם משהו נשבר

• VOYAGE_MODEL=voyage-law-2 ב-Coolify + ~/.env
• הרצה מחדש של scripts/reembed_voyage.py (חוזרים לקודם)
• 10 דקות סך-הכל

---

שלב B — voyage-rerank-2 (Cross-encoder reranking)

שינוי מהותי מהתכנית המקורית. המקור היה ל-context-3. POC רחב (4 בנצ'מרקים) הראה ש-context-3 לא משפר עקבית, ובחלק מהמקרים מציג רגרסיה. במקום זאת, rerank-2 (cross-encoder) הצליח לתת שיפור של +4.5% mean@3 על קורפוס מלא של 785 docs, +11.6% על שאילתות מעשיות (P-category — בדיוק התרחיש של legal-writer/legal-researcher), בלי שינוי schema, בלי re-embed, ובלי double storage.

למה rerank-2 ולא context-3?

POC #4 (אהרון ברק, 18 שאילתות, claude-haiku-4-5 כ-judge):

Retriever	mean@3	mean@5	MRR
voyage-3 (baseline)	3.278	3.300	0.741
voyage-3 + rerank-2	3.574	3.467	0.769
voyage-context-3 (windowed)	3.481	3.378	0.685

POC #5 (קורפוס מלא 785 docs, 12 שאילתות):

Retriever	mean@3	קטגוריה P (practical)
voyage-3	4.306	3.78
voyage-3 + rerank-2	4.500 (+4.5%)	4.22 (+11.6%)

context-3 גם נכשל בקטגוריות keyword שהן 60%+ מהשאילתות בפועל אצל דפנה.

איך rerank-2 עובד

Two-stage retrieval:

1. שלב bi-encoder (כמו היום): voyage-3 מטמיע את ה-query, מחזיר top-50 chunks דרך cosine similarity על pgvector (מהיר, ~390ms).
2. שלב cross-encoder (חדש): rerank-2 מקבל (query, document) עבור כל אחד מ-50 הdocuments, ומחזיר ציון רלוונטיות מדויק יותר. הreranker רואה את ה-query ואת ה-doc ביחד דרך attention מלא, לעומת bi-encoder שרק מחשב cosine בין שני embeddings בלתי-תלויים.
3. החזרה: top-K (10) המדורגים מחדש.

עלות: +702ms latency (bi-encoder=393ms → +rerank=1095ms). עלות tokens: zero לאחסון (רק חישוב per-query).

תכנית יישום

B.1 — voyage_rerank() ב-embeddings.py

async def voyage_rerank(
    query: str, documents: list[str], top_k: int = 10,
) -> list[tuple[int, float]]:
    """Cross-encoder rerank via Voyage. Returns [(orig_index, score), ...]."""
    if not documents:
        return []
    client = _get_client()
    result = client.rerank(
        query=query, documents=documents,
        model=config.VOYAGE_RERANK_MODEL,  # "rerank-2"
        top_k=top_k,
    )
    return [(r.index, r.relevance_score) for r in result.results]

B.2 — Feature flag ב-config.py

VOYAGE_RERANK_MODEL = os.environ.get("VOYAGE_RERANK_MODEL", "rerank-2")
VOYAGE_RERANK_ENABLED = (
    os.environ.get("VOYAGE_RERANK_ENABLED", "false").lower() == "true"
)
VOYAGE_RERANK_FETCH_K = int(os.environ.get("VOYAGE_RERANK_FETCH_K", "50"))

הdefault הוא false — הקוד יישמר אך לא יורץ עד שיופעל ידנית.

B.3 — אינטגרציה ב-3 search functions

ב-db.py:

• search_similar (document_chunks) — נוסיף פרמטר rerank: bool = False. אם True: שולפים top-VOYAGE_RERANK_FETCH_K במקום limit, מעבירים דרך rerank, מחזירים top-limit.
• search_precedent_library_semantic — אותו דבר. הuance: היום יש boost של +0.05 ל-halachot. כש-rerank פעיל, ה-boost מתבטל ו-rerank מוחל על המאוחד (chunks + halachot ביחד) — cross-encoder יבחר נכון בלי boost מלאכותי.
• search_similar_paragraphs / search_similar_case_law (ב-style corpus) — אותו דבר.

ב-tools/search.py — כל הtools (search_decisions, search_case_documents, find_similar_cases, precedent_search_library) יעבירו rerank=config.VOYAGE_RERANK_ENABLED לקריאות ה-DB.

B.4 — Schema

אין שינוי. אותם vectors, אותו pgvector.

B.5 — Rollout

1. שינוי קוד + push + deploy עם feature flag = false
2. אימות ש-baseline ממשיך לעבוד (לא רגרסיה)
3. הפעלה ידנית: VOYAGE_RERANK_ENABLED=true ב-Coolify env
4. שאילתות אמיתיות מדפנה / סוכנים — observation
5. אם רגרסיה — kill switch בשניות (false בחזרה)
6. אם כל מתעקפם — להגדיר true כdefault (in-code) אחרי שבוע יציב

B.6 — Tier check

Voyage Tier 1: 2M TPM, 2000 RPM ל-rerank-2. עומס שלנו (~עשרות queries בשעה במקרה רגיל) — מתחת ל-1% מהמכסה.

---

שלב C — voyage-multimodal-3.5 (לביצוע בשיחה החדשה)

הבעיה שהוא פותר

תיקים סרוקים ודוחות שמאי מאבדים מידע ב-OCR:

• ✗ פריסת טבלאות (שורות נתונים מתבלגנות)
• ✗ חתימות וחותמות
• ✗ דיאגרמות, מפות, תרשימים אדריכליים
• ✗ נוסחאות מתמטיות

OCR קיים (Google Cloud Vision) ממיר תמונות לטקסט אבל מטפל בעמוד כשורה- אחר-שורה. תוצאה: בדוח שמאי "שווי לפני | שווי אחרי | ≈ 1.5M ש"ח" הופך ל-"שווי לפני שווי אחרי 1.5M ש"ח" — חיפוש "שומה ל-1.5M" לא תמיד מוצא.

מה voyage-multimodal-3.5 עושה

API: client.multimodal_embed(inputs=[[image, text?], ...]). מקבל תמונה (PIL Image או URL) ומחזיר embedding שכולל:

• את הטקסט שעל העמוד
• את המבנה הוויזואלי (טבלה, חתימה, מיקומי גוש)
• תרשימים ודיאגרמות

Searchable יחד עם text embeddings — query טקסטואלית רגילה מוצאת גם פסקאות עם טבלה רלוונטית.

תכנית יישום

C.1 — Schema חדש

CREATE TABLE document_image_embeddings (
    id UUID PRIMARY KEY DEFAULT uuid_generate_v4(),
    document_id UUID REFERENCES documents(id) ON DELETE CASCADE,
    page_number INTEGER NOT NULL,
    image_thumbnail_path TEXT,  -- לסרגל תוצאות חיפוש
    embedding vector(1024),
    created_at TIMESTAMPTZ DEFAULT now()
);
CREATE INDEX idx_doc_img_emb_vec
    ON document_image_embeddings USING ivfflat (embedding vector_cosine_ops);

CREATE TABLE precedent_image_embeddings (
    id UUID PRIMARY KEY DEFAULT uuid_generate_v4(),
    case_law_id UUID REFERENCES case_law(id) ON DELETE CASCADE,
    page_number INTEGER NOT NULL,
    image_thumbnail_path TEXT,
    embedding vector(1024),
    created_at TIMESTAMPTZ DEFAULT now()
);
CREATE INDEX idx_prec_img_emb_vec
    ON precedent_image_embeddings USING ivfflat (embedding vector_cosine_ops);

C.2 — Pipeline שינוי

חדש ב-extractor.py:

async def render_pages_as_images(pdf_path: str) -> list[bytes]:
    """PyMuPDF render of each page → PNG bytes for multimodal embedding."""
    import fitz
    doc = fitz.open(pdf_path)
    images = []
    for page in doc:
        pix = page.get_pixmap(dpi=144)  # decent resolution for embeddings
        images.append(pix.tobytes("png"))
    return images

חדש ב-embeddings.py:

async def embed_images(images: list[bytes], input_type: str = "document") -> list[list[float]]:
    """Embed page images via voyage-multimodal-3.5."""
    from PIL import Image
    import io
    pil_images = [Image.open(io.BytesIO(img)) for img in images]
    response = _get_client().multimodal_embed(
        inputs=[[img] for img in pil_images],
        model="voyage-multimodal-3.5",
        input_type=input_type,
    )
    return response.embeddings

C.3 — Integration ב-ingest pipelines

processor.py:process_document (תיק):

# אחרי extract+chunk+embed הטקסטואלי:
images = await extractor.render_pages_as_images(file_path)
img_embs = await embeddings.embed_images(images)
await db.store_document_image_embeddings(document_id, img_embs, thumbnails)

precedent_library.py:ingest_precedent: אותו pattern, על precedent_image_embeddings.

C.4 — Hybrid search

חדש ב-db.py:search_precedent_library_hybrid:

async def search_precedent_library_hybrid(query, limit=10):
    query_emb = await embeddings.embed_query(query)
    query_img_emb = await embeddings.embed_query_for_multimodal(query)

    text_results = ... # cosine on precedent_chunks (top 30)
    image_results = ... # cosine on precedent_image_embeddings (top 30)
    
    # Merge: weighted score (text 0.6, image 0.4 — tunable)
    merged = {}
    for r in text_results: merged[r.case_law_id] = r.score * 0.6
    for r in image_results:
        merged[r.case_law_id] = merged.get(r.case_law_id, 0) + r.score * 0.4
    
    return sorted(merged.items(), key=lambda x: -x[1])[:limit]

C.5 — UI: thumbnails בתוצאות חיפוש

ב-/precedents חיפוש סמנטי, התוצאות עם רכיב image יציגו thumbnail קטן של העמוד. לחיצה תפתח את ה-PDF במקום הרלוונטי.

C.6 — סדר עדיפויות לדיגום

1. דוחות שמאי — הזכייה הגדולה (טבלאות = ערכים מספריים שכרגע הולכים לאיבוד ב-OCR)
2. תיקים סרוקים ישנים — שיפור ה-recall של חיפוש
3. פסיקה עם דיאגרמות (תרשימי גוש/חלקה) — minor

C.7 — עלות + tier

voyage-multimodal-3.5 הוא מוצר נפרד. בdoc'ים פר-עמוד:

• תיק ממוצע: 50-200 עמודים
• 100 תיקים = 5,000-20,000 עמודים
• Free tier: 200M tokens/month — אבל multimodal נמדד ב-tokens שונה (התמונה צורכת ~1000-2000 tokens לעמוד)

הערכה: 100 תיקים × 100 עמודים × 1500 tokens = 15M tokens. בthe free tier בקלות. צריך לבדוק תקרת שימוש בפועל בdocs של voyage.

C.8 — שלבים מומלצים

1. POC — תיק אחד עם דו"ח שמאי. embed → search → השוואה לתוצאות טקסט-בלבד.
2. A/B test — חצי מהתיקים החדשים עם multimodal, חצי בלי. 4 שבועות בדיקה — האם דפנה מוצאת תוצאות מדויקות יותר?
3. Rollout — אם המבחן חיובי, לעבד את הקורפוס הקיים ברקע

החלטות שנשארו פתוחות

• ✋ DPI לרינדור: 144 (סביר), 200 (איכות), 96 (מהיר)?
• ✋ נשמור thumbnails ב-disk או רק את ה-embeddings?
• ✋ משקלות hybrid search: 0.6/0.4 או יותר נטוי לטקסט?

---

רצף עבודה בשיחה החדשה

1. פתחי docs/voyage-upgrades-plan.md (זה המסמך)
2. אם A הצליח (verify ב-Coolify env), נמשיך ל-B (context-3)
3. B.5 קודם — benchmark לפני re-embed גדול
4. אם B מצליח, רץ ל-C — אבל ב-2 צעדים זהירים (POC → A/B → rollout)

---

נספח: רשימה של קבצים שנגעו ב-Voyage היום

קוד שנכתב/שונה:

• scripts/reembed_voyage.py — חדש, סקריפט re-embed
• ~/.env — VOYAGE_MODEL=voyage-3
• Coolify env (legal-ai app) — VOYAGE_MODEL=voyage-3

קבצים שלא צריכים שינוי (CONFIRM):

• mcp-server/src/legal_mcp/services/embeddings.py — קורא ל-config.VOYAGE_MODEL
• mcp-server/src/legal_mcp/config.py — default ל-voyage-law-2 אבל env בקוולפיי + מקומית מנצח
• כל הסוכנים (legal-writer, etc.) — לא קוראים ל-Voyage ישירות

עבור B + C: השינויים במסמך הזה (לא מבוצעים עדיין).