分解和细化：通过参数检索进行结构化法律问答

大语言模型（LLM）在法律领域表现强劲，在法律问答（LQA）方面展现出巨大的潜力。然而，与一般的 QA 不同，LQA 要求答案不仅准确，而且严格基于明确的法律权威。在法定 LQA 中，许多问题需要跨多个法律问题进行多跳推理，这大大增加了产生幻觉的风险，从而使准确检索支持法定条款​​成为关键先决条件。尽管最近在多跳 QA 方面取得了进展，但现有方法通常依赖于自然语言推理或检索，而没有明确的查询重新表述，从而导致用户问题和法定文本之间的词汇差距在很大程度上没有得到解决。为了应对这一挑战，我们提出了 Decompose-and-Refine (DaR)，这是一种基于法规的 LQA 框架，它将逐步问题分解与基于参数知识的查询细化紧密集成。 DaR 逐步将复杂的法律问题分解为原子子问题，并为每个子问题生成符合法规的参数查询，从而能够选择与每个法律问题相对应的单个最核心的法规条款。我们使用 Qwen3-32B 和 Gemma3-27B 在 KoBLEX（基于成文法的韩国多跳 LQA 基准）上评估 DaR。实验结果表明，与现有方法相比，DaR 持续提高了检索准确性和最终答案质量。此外，通过明确区分子问题及其相应的法律规定，DaR 有助于对复杂的法律推理过程进行透明的问题级验证。