为什么单轮 RAG 不够用
据公开研究,L-MARS(Legal Multi-Agent Workflow with Orchestrated Reasoning and Agentic Search)在法律时效问答 LegalSearchQA 上达到 96.0% 准确率,较零样本提升 38 个百分点,而链式思维反而降到 30%。这说明当法律问题依赖训练后新发生的法规与判例时,带核验的多智能体检索才是可靠落地的关键,单纯靠模型记忆或固定语料检索都会失准。
四角色工作流:规划—检索—核验—合成
把法律问答拆成四个职责单一的智能体:规划体把复杂问题分解为结构化子问题;检索体用在线检索与本地语料获取证据;核验体逐条验证引用是否真实、条款是否现行有效;合成体基于通过核验的证据生成带出处的答案。下面是一段可运行的 LangGraph 骨架(其中检索与核验的底层函数需结合企业私有法规库自行实现):
import os
from langgraph.graph import StateGraph, END
def plan_node(state):
sub = split_question(state['question']) # 把复杂法律问题拆为结构化子问题
return {'sub_questions': sub}
def retrieve_node(state):
evidences = []
for q in state['sub_questions']:
hits = search_corpus(q, top_k=5) # 离线 BM25 或向量检索
evidences.extend(hits)
return {'evidences': evidences}
def judge_node(state):
kept = []
for e in state['evidences']:
if verify_citation(e): # 核验引用真实、条款现行有效
kept.append(e)
return {'verified': kept}
def synthesize_node(state):
answer = draft_with_citations(state['verified'], state['question'])
return {'answer': answer}
sg = StateGraph(dict)
sg.add_node('plan', plan_node)
sg.add_node('retrieve', retrieve_node)
sg.add_node('judge', judge_node)
sg.add_node('synthesize', synthesize_node)
sg.set_entry_point('plan')
sg.add_edge('plan', 'retrieve')
sg.add_edge('retrieve', 'judge')
sg.add_edge('judge', 'synthesize')
sg.add_edge('synthesize', END)
app = sg.compile()
企业私有化落地要点
要点一:证据可溯源。每条回答都应回链到具体法条或判例编号,禁止模型凭空生成条文。
要点二:版本与时效。法规持续修订,检索语料须定期更新并标注生效日期,核验体优先采信现行版本。
要点三:数据不出域。律所与企业法务的私有法规库含敏感信息,建议在本地或专有云部署,避免调用公网大模型 API。
提醒:法律智能体定位为辅助,最终法律意见须由具备资质的人员复核把关;涉及具体案件的策略,不应完全交由模型决策。
参考来源
L-MARS: Legal Multi-Agent Workflow with Orchestrated Reasoning and Agentic Search - arXiv(arXiv:2509.00761);ChatLaw:面向中文法律场景的开源大语言模型助手 - 相关开源项目介绍;LangGraph Documentation: Building stateful multi-agent systems - LangChain 官方文档。