AgenticSimLaw：面向可解释高风险表格决策的少年法庭多智能体辩论模拟

我们提出AgenticSimLaw，一个角色结构化的多智能体辩论框架，为高风险表格决策任务提供透明、可控的测试时推理。与黑箱方法不同，我们的法庭式编排显式定义智能体角色（检察官、辩护、法官）、交互协议（7轮结构化辩论）和私有推理策略，形成完全可审计的决策过程。我们在NLSY97数据集上的年轻成年人再犯预测任务上对该框架进行基准测试，在近90种模型与策略组合上与传统思维链（CoT）提示比较。结果表明，结构化多智能体辩论相比单智能体推理提供更稳定、更可泛化的性能，准确率与F1分数指标之间具有更强相关性。除性能提升外，AgenticSimLaw支持对推理步骤的细粒度控制，生成完整交互记录以支撑可解释性，并能系统性地刻画智能体行为。虽然我们在刑事司法领域实例化该框架，以在伦理复杂性下压力测试推理，但该方法可泛化到任何需要透明度与人类监督的深思式高风险决策任务。这项工作回应了基于LLM的多智能体系统的关键挑战：通过结构化角色实现组织性，通过记录交互实现可观测性，通过对敏感领域显式的不部署约束实现责任性。数据、结果与代码将以MIT许可证发布在github.com上。