Legal Data Hunter - warstwa katalogu zrodel polskiego prawa

Warstwa "katalog + harvest" projektu legal AI MateMatic. Mapuje, co z polskiego prawa jest juz dostepne gotowymi kolektorami, i wskazuje luki do uzupelnienia wlasnymi konektorami.

Czym to jest

worldwidelaw/legal-sources (Legal Data Hunter) - otwarte repo skryptow zbierania otwartych danych prawnych z 110+ krajow (960+ kolektorow). Kazdy kolektor pobiera i normalizuje dane z oficjalnego portalu/API rzadowego do wspolnego schematu.

• Repo: https://github.com/worldwidelaw/legal-sources
• Dashboard + hostowane Search API (16 mln dokumentow): https://legaldatahunter.com
• Licencja repo: AGPL-3.0 (skrypty). Licencja DANYCH jest per-zrodlo - patrz blok license: w config.yaml danego zrodla (np. SAOS = public domain).

Lokalna kopia

Sparse-clone polskiej czesci jest w ~/legal-data-hunter/ (17 MB; sources/PL/ + framework common/ + runner.py). Aktualizacja:

cd ~/legal-data-hunter && git pull

Pelne repo to 388 MB - NIE klonuj calosci, sparse-checkout wystarcza:

git clone --filter=blob:none --no-checkout --depth 1 \
  https://github.com/worldwidelaw/legal-sources.git legal-data-hunter
cd legal-data-hunter
git config index.sparse true
git sparse-checkout init --cone --sparse-index
git sparse-checkout set sources/PL common docs
git checkout

⚠️ --sparse-index jest KONIECZNY na Windows - bez niego git checkout wywala sie na sciezkach z : w nazwie (US/Louisiana) mimo cone-mode.

Pokrycie polskiego prawa (16 zrodel, stan 2026-05-19)

Pelna tabela ze statusem, API i licencja: references/coverage-pl.md.

Dziala (13 zrodel) - legislacja, orzecznictwo, regulatorzy, podatki:

• Legislacja: DziennikUrzedowy, Sejm (ELI API, 96K aktow - oznaczony untested)
• Orzecznictwo: ConstitutionalCourt (TK), SupremeCourt (SN), NSA, KIO, SAOS (hurtowe archiwum wszystkich sadow)
• Regulatorzy: KNF, UODO, UOKIK, UKE, URE
• Podatki: KIS-EUREKA, NSA-Tax

Zablokowane / luki (3 zrodla):

• SN - sn.pl w konserwacji, alternatywa SAOS zawiesila sie (osobne zrodlo SupremeCourt dziala - ta pozycja to redundantny, zepsuty wariant)
• MF - interpretacje podatkowe sip.mf.gov.pl, API EUREKA geo-blokowane/WAF (czesciowo zastepuje je dzialajacy KIS-EUREKA)

To pokrywa wieksza czesc opublikowanego polskiego prawa - stad teza "~80%".

Czego TU NIE MA - luki do uzupelnienia przez MateMatic

Luka	Dlaczego	Plan MateMatic
Biezace orzeczenia sadow powszechnych	LDH ma je tylko przez SAOS, a SAOS to archiwum konczace sie ~2018	wlasny konektor do portali orzeczen orzeczenia.ms.gov.pl
Interpretacje podatkowe MF	zrodlo MF zablokowane (WAF/geo)	wlasny konektor lub oprzec sie na KIS-EUREKA
KRS - rejestr przedsiebiorcow	brak w sources/PL w ogole	skille gaius-lex (KRS) juz w MateMatic; ew. wlasny konektor MCP
Monitor Polski	jawnie nieindeksowany	do rozwazenia
Wyszukiwanie interaktywne (live query)	kolektory LDH to HARVESTERY (hurt), nie API zapytan	wlasne konektory zapytan: skill saos-orzecznictwo, przyszle ISAP/KRS

Jak to sie laczy z reszta architektury

Trzy warstwy dostepu do polskiego prawa - nie konkuruja, uzupelniaja sie:

1. Harvest / katalog (ta warstwa) - Legal Data Hunter. Hurtowy zaciag ~13 dzialajacych zrodel do lokalnego korpusu RODO-safe. Off-line, batch.
2. Live query - wlasne konektory MateMatic. Skill saos-orzecznictwo (interaktywne wyszukiwanie orzeczen), przyszle ISAP/KRS. To jest moat.
3. Prawo UE - skill eu-sparql-search (EUR-Lex/CJEU).

Kolektor SAOS w LDH (sources/PL/SAOS) uzywa tylko Dump API (hurtowe archiwum, append-only). Skill saos-orzecznictwo uzywa Search/Browse API (zapytania na zywo). To NIE jest dublowanie - jedno zasila lokalny indeks, drugie odpowiada na pytanie tu i teraz.

⚠️ Hostowane Search API legaldatahunter.com to zaleznosc chmurowa - sprzeczna z teza zero-cloud MateMatic (RODO-safe self-hosted stack). Do produktu dla kancelarii uruchamiaj kolektory lokalnie i trzymaj korpus u siebie. Hostowane API jest OK tylko do szybkiego rozpoznania/dev.

Uruchamianie kolektorow

Framework: Python. Zaleznosci w requirements.txt (core: requests, pyyaml, beautifulsoup4, lxml; ciezsze opcjonalne: playwright, psycopg2-binary, opendataloader-pdf). Core jest juz zainstalowany na tej maszynie.

cd ~/legal-data-hunter
python runner.py status              # przeglad stanu projektu
python runner.py sample PL/SAOS      # tryb probny - 10+ rekordow do walidacji
python runner.py test PL/UODO        # test kolektora
python runner.py fast PL/KIO         # bootstrap_fast

Struktura kazdego zrodla sources/PL/<Nazwa>/:

• bootstrap.py - kolektor: fetch_all(), fetch_updates(), normalize()
• config.yaml - metadane, API, rate-limit, schema, licencja danych
• status.yaml - historia uruchomien (jesli byl uruchamiany)
• sample/ - 10+ rekordow do walidacji
• retrieve.py - resolver referencji ("art. 415 kc" -> dokument), o ile istnieje

⚠️ common/pdf_extract.py ma preload_existing_ids() odpytujace hostowana baze Neon Postgres (idempotencja pipeline'u LDH). Przy harveScie dla MateMatic uruchamiaj w trybie bez tego checku - nie wystawiaj danych kancelarii do Neon.

Workflow

1. Pytanie "czy mamy zrodlo X?" - sprawdz references/coverage-pl.md. Jest -> uzyj kolektora. Nie ma / zablokowane -> luka, patrz tabela luk wyzej.
2. Hurtowy zaciag - runner.py sample na probe, potem pelny fetch_all(); zapis do lokalnego korpusu (SQLite + vector store, patrz wewnetrzne KGLF MateMatic).
3. Synchronizacja - kolektory legislacyjne robia upsert (akty sie zmieniaja), case-law append-only z dedup. Cyklicznie fetch_updates().
4. Zapytanie na zywo - NIE przez LDH; uzyj saos-orzecznictwo lub innego konektora zapytan.
5. Luka - jesli zrodla brak albo jest zablokowane, to kandydat na wlasny konektor MateMatic. Najpierw skill (wzorem saos-orzecznictwo), potem MCP.

Reguly

• Repo AGPL-3.0 - skrypty kolektorow sa copyleft. Dane wyjsciowe maja wlasne licencje (per config.yaml). Uruchamianie kolektorow jako osobnych procesow i uzywanie zebranych danych nie czyni powloki MCP MateMatic dzielem zaleznym - spojne z insightem licencyjnym o MCP w otwartym ekosystemie MateMatic.
• Do produktu dla kancelarii: kolektory lokalnie, korpus lokalnie. Bez Neon, bez hostowanego Search API.
• README polskiej sekcji w repo bywa nieaktualny (widziano date 2026-02-21 i spis 4 zrodel przy realnych 16) - ufaj drzewu sources/PL/ i status.yaml, nie tekstowi README.
• Statusy w references/coverage-pl.md to migawka 2026-05-19 - przy waznych decyzjach odswiez (git pull + runner.py status).

Wspólne reguły wtyczki orzecznictwo-zrodla (Orzecznictwo i źródła)

Te reguły obowiązują w każdym skillu tej wtyczki, także gdy sam skill milczy. Są skopiowane do każdego skilla, więc działają zarówno po instalacji całej wtyczki, jak i pojedynczego skilla. Pełniejszy standard: https://github.com/matematicsolutions/awesome-matematic-skills-pl/tree/main/references

Źródła, nie pamięć

Ten plugin pobiera przepisy i orzecznictwo z baz przez konektory MCP (read-only, publiczne API). Każda teza prawna należy do jednej z klas:

• Zweryfikowane - potwierdzone w bazie, z sygnaturą i źródłem: (wyrok NSA II FSK NNNN/RR, SAOS).
• Do sprawdzenia - prawdopodobne, jeszcze niepotwierdzone: [zweryfikuj w EUR-Lex].
• Nie używać - sygnatura lub przepis bez pokrycia w bazie. Pomiń, nie zmyślaj numeru.

Samo istnienie sygnatury nie wystarcza - sprawdź treść orzeczenia, czy rozstrzyga to, co mu przypisujesz. Linia orzecznicza bywa zmienna; aktualność ocenia człowiek.

Konektory w tym pluginie

Plik .mcp.json deklaruje konektory polskich i unijnych źródeł (SAOS, KRS, EUR-Lex). Działają read-only na publicznych danych. Wymagają node/npx w środowisku. Dane sprawy objęte tajemnicą lub wrażliwe - oceń osobno, czy w ogóle wnosić je do narzędzia; przy wątpliwości nie przekazuj.

Bramka człowieka

Wynik to projekt do weryfikacji. Nic nie zostaje wysłane ani złożone, zanim sprawdzi to uprawniony człowiek, który bierze odpowiedzialność zawodową.

Pobieranie spoza MCP

Oprócz konektorów plugin zawiera skill webwright-legal-pl - pobiera orzeczenia z serwisów niedostępnych przez MCP (orzeczenia.ms.gov.pl, sn.pl, trybunal.gov.pl, EUR-Lex PL) przez przeglądarkę (Playwright). Te same reguły: dane wrażliwe oceniaj osobno, wynik to projekt do weryfikacji.

Zakres pluginu

Plugin dostarcza wyszukiwanie i pobieranie źródeł prawa PL/UE. Nie zastępuje analizy prawnej ani weryfikacji cytatu - tę warstwę daje plugin "fundament weryfikacyjny" (zalecany razem).