MAP-Law：面向多轮法律咨询的覆盖驱动检索控制

摘要

法律咨询是一项高风险、知识密集型的任务，需要代理人识别相关的法律问题，获取权威支持，并确定何时证据足以提出建议。尽管检索增强生成提高了法律问答的基础，但许多多回合法律代理仍然依赖于固定检索深度或粗略启发式控制。这通常会导致对关键法律要素的支持不足或过度检索，从而增加上下文负担并削弱答案焦点。我们提出了 MAP-Law，这是一种覆盖范围驱动的多轮法律咨询检索控制框架。 MAP-Law 将咨询建模为由问题节点、法律要素节点和证据节点组成的联合结构化状态上的受控检索过程。每轮检索后，代理都会计算元素覆盖率、证据覆盖率和边际增益，并使用这些信号来决定是否继续检索、重定向搜索或生成最终响应。通过这种方式，MAP-Law 将停止从固定的超参数转变为与法律论证结构一致的可解释和可审计的决策。对涵盖 8 个劳动法场景的 50 个案例的自建数据集进行的实验表明，以 DeepSeek 作为操作选择器的 MAP-Law 平均仅使用 2.9 轮检索和 5.8 个证据片段即可实现 0.860 的元素覆盖率。与固定的七轮基线相比，它减少了 80% 以上的证据量和 58% 的检索轮次。消融结果进一步证实了覆盖驱动的停止、联合图表示和基于 LLM 的动作选择的独立贡献。

MAP-Law：面向多轮法律咨询的覆盖驱动检索控制 — 图 1：MAP-Law 在先前研究中的定位。现有的法律 RAG 和扎根咨询研究提高了检索质量和工作流程组织，而面向规划的语言代理方法提供了推理-动作循环、结构化记忆和工具使用机制。然而，这些工作很少对多轮法律咨询中检索何时应停止以及停止决定是否通过法律要素证据充分性进行合理化进行建模。 MAP-Law 通过将检索停止制定为基于联合计划证据图、覆盖率度量和基于 LLM 的动作选择的可解释控制问题来填补这一空白。