CoAL-RAG：一种复杂性感知的法律检索增强生成方法

法律咨询问题表现出多层次的复杂性。单一的检索策略往往会导致简单问题的过度推理和复杂问题的可解释性较差，难以满足高风险场景下答案质量和效率的要求。针对这一问题，本文提出了CoAL-RAG，一种复杂性感知的法律检索增强生成方法，该方法构建了基于“问题本质”和“检索一致性”的多维评估机制，以实现检索策略的自适应路由。首先，根据题目的逻辑结构量化推理需求。然后，利用语义检索和关键词检索之间的差异来间接反映问题的复杂性，从而选择最合适的检索策略并动态过滤上下文信息。实验结果表明，该方法不仅在中国法律基准（SocialLawQA、LawBench）上显着优于基线模型，而且在英语数据集（LexGLUE、CaseHold）上也表现出强大的跨司法管辖区泛化能力。具体来说，在中文数据集上，BLEU 得分提高了 42.5%，ROUGE-L 达到基于知识图谱方法的 3.6 倍。在英语基准上，CoAL-RAG 保持了极具竞争力的准确性，在不同法律体系的生成质量、深度逻辑推理和系统效率之间实现了最佳平衡。