💬 NLP

LegalGraphRAG: Multi-Agent Graph Retrieval-Augmented Generation for Reliable Legal Reasoning

LegalGraphRAG ist ein Multi-Agenten-Framework, das zuverlässige juristische Schlussfolgerungen verbessert, indem es einen hierarchischen Rechtsgraphen zur Verwaltung heterogener Wissensbestände und ein kollaboratives Agentensystem (Researcher, Auditor, Adjudicator) zur Sicherstellung transparenter, evidenzbasierter Urteile einsetzt und damit einen State-of-the-Art-Performance-Vorteil gegenüber bestehenden GraphRAG-Baselines erzielt.

Ursprüngliche Autoren: Zerui Chen, Qinggang Zhang, Zhishang Xiang, Zhimin Wei, Linfeng Gao, Xiao Huang, Zhihong Zhang, Jinsong Su

Veröffentlicht 2026-05-28

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Zerui Chen, Qinggang Zhang, Zhishang Xiang, Zhimin Wei, Linfeng Gao, Xiao Huang, Zhihong Zhang, Jinsong Su

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Warum aktuelle KI im Recht den Überblick verliert

Stellen Sie sich vor, Sie versuchen, ein komplexes Puzzle zu lösen, doch die Teile liegen in einem riesigen, chaotischen Haufen verstreut. Manche Teile sind winzige Details (wie die Farbe eines Autos), manche sind die Spielregeln (wie „nicht mit den Händen den Ball berühren") und manche sind die großen strategischen Linien (wie „die Meisterschaft gewinnen").

Aktuelle KI-Tools (sogenannte RAG oder Retrieval-Augmented Generation) versuchen, Rechtsfälle zu lösen, indem sie durch diesen chaotischen Haufen graben. Sie suchen nach Teilen, die der Frage ähnlich sehen.

Die Falle: Wenn Sie nach einer bestimmten Straftat fragen, könnte die KI ein Teil greifen, das zwar die gleichen Wörter erwähnt, aber tatsächlich eine völlig andere Regel betrifft. Es ist, als würde man ein Puzzleteil finden, auf dem „Apfel" steht, und es ergreifen, weil Ihre Frage „Apfelkuchen" betraf, obwohl dieses Teil eigentlich zu einem Bild von Obstsalat gehört.
Das Risiko: Die KI trifft dann eine Vermutung basierend auf diesem chaotischen Mix. Sie könnte durch Zufall die richtige Antwort finden, kann aber nicht erklären, warum, oder sie liegt mit großer Zuversicht falsch. Vor Gericht ist „zuversichtlich falsch" gefährlich.

Die Lösung: LegalGraphRAG

Die Autoren haben ein neues System namens LegalGraphRAG entwickelt. Stellen Sie sich dieses System als eine superorganisierte Bibliothek kombiniert mit einem Team spezialisierter Detektive vor, die zusammenarbeiten, um einen Fall zu lösen.

1. Die Bibliothek: Eine „hierarchische" Karte

Anstatt eines chaotischen Haufens organisiert das System das gesamte juristische Wissen in einer strukturierten, dreischichtigen Karte (ein „Hierarchischer Graph"):

Schicht 1: Die Fakten (Das „Was passiert ist"): Diese Schicht speichert spezifische vergangene Fälle. Es ist wie ein Aktenschrank mit realen Lebensgeschichten.
Schicht 2: Die Regeln (Das „Das Gesetz"): Diese Schicht speichert die eigentlichen Gesetze und Artikel. Sie trennt die abstrakten Regeln von den chaotischen Details des realen Lebens.
Schicht 3: Die Bedeutung (Das „Wesen"): Diese Schicht gruppiert ähnliche Fälle basierend auf ihrem Geist, nicht nur auf ihren Wörtern. Es ist wie eine Bibliothekarin, die weiß, dass ein Fall über „Autodiebstahl" konzeptionell ähnlich ist wie „Fahrraddiebstahl", selbst wenn die Wörter unterschiedlich sind.

Warum das wichtig ist: Wenn Sie eine Frage stellen, greift das System nicht einfach das erste Ding, das ähnlich aussieht. Es weiß genau, in welche Schicht es schauen muss. Wenn Sie eine Regel benötigen, geht es zur Regelschicht. Wenn Sie einen ähnlichen vergangenen Fall benötigen, geht es zur Faktenschicht. Dies verhindert, dass die KI durch irrelevante Informationen verwirrt wird.

2. Das Team: Drei spezialisierte Detektive

Sobald das System potenzielle Beweise findet, lässt es die KI nicht einfach raten. Stattdessen nutzt es ein Multi-Agent-System – ein Team aus drei KI-„Agenten", die wie ein menschliches Rechtsteam agieren:

Agent 1: Der Forscher (Der Sammler)
- Aufgabe: Dieser Agent läuft durch die Bibliothek und sucht nach allem, was relevant sein könnte. Er wirft ein weites Netz, sammelt Fakten, Regeln und ähnliche vergangene Fälle.
- Analogie: Stellen Sie sich einen Detektiv vor, der jeden möglichen Hinweis sammelt, sogar die, die ein wenig seltsam erscheinen, nur um auf der sicheren Seite zu sein.
Agent 2: Der Prüfer (Der Skeptiker)
- Aufgabe: Dieser Agent ist der strenge Kritiker. Er nimmt jeden Hinweis, den der Forscher gefunden hat, und prüft ihn gegen das ursprüngliche Gesetz. Er fragt: „Gilt diese Regel wirklich auf diese spezifische Situation?"
- Analogie: Stellen Sie sich einen Faktenchecker vor, der jeden Hinweis verwirft, der nicht perfekt passt. Wenn ein Gesetz „Staatsbedienstete" sagt und die Person ein „privater Koch" ist, sagt der Prüfer: „Nein, dieses Gesetz gilt nicht", und wirft diesen Hinweis in den Müll. Dies verhindert, dass die KI die falschen Regeln verwendet.
Agent 3: Der Richter (Der Entscheider)
- Aufgabe: Dieser Agent nimmt die verifizierten Hinweise (die vom Prüfer genehmigten) und schreibt das endgültige Urteil.
- Analogie: Dies ist der Richter, der die endgültige Stellungnahme schreibt. Da er nur die vom Prüfer genehmigten Hinweise verwendet hat, ist seine Entscheidung solide, transparent und durch Beweise untermauert.

Wie es in der Praxis funktioniert

Nehmen wir an, ein Mann namens Zhang wird beschuldigt, Geld aus dem Kassenfonds der Kantine seines Arbeitgebers gestohlen zu haben.

Der Forscher findet ein Gesetz über „Korruption" und ein Gesetz über „Dienstvergehen" (Job-Related Embezzlement), sowie einen ähnlichen Fall, in dem ein Staatsbeamter Geld gestohlen hat.
Der Prüfer schaut genau hin. Er sieht, dass das Gesetz über „Korruption" nur auf Staatsbeamte zutrifft. Da Zhang ein privater Koch ist, sagt der Prüfer: „Verwerfen Sie dieses Gesetz." Er prüft auch das Gesetz über „Dienstvergehen" und bestätigt, dass es passt.
Der Richter verwendet nur das Gesetz über „Dienstvergehen" und die verifizierten Fakten, um Zhang des Dienstvergehens für schuldig zu erklären.

Die Ergebnisse

Das Papier testete dieses System an realen juristischen Datensätzen (tausende chinesische Gerichtsfälle).

Bessere Genauigkeit: Es erhielt öfter die richtige Antwort als andere KI-Systeme.
Vertrauenswürdig: Im Gegensatz zu anderen Systemen, die aus den falschen Gründen die richtige Antwort finden könnten (ein „glücklicher Treffer"), liefert LegalGraphRAG immer eine klare Beweiskette, die genau zeigt, welches Gesetz und welcher vergangene Fall zur Entscheidung geführt haben.
Robustheit: Selbst wenn das System mit „Ablenkungs"-Dokumenten gefüttert wurde (gefälschte oder irrelevante Gesetze, die ähnlich aussahen), filterte der Prüfer-Agent diese erfolgreich heraus, wohingegen andere Systeme verwirrt wurden.

Zusammenfassung

LegalGraphRAG ist wie ein Upgrade von einem Schüler, der ein Lehrbuch auswendig lernt und bei einer Prüfung rät, zu einer Rechtsanwaltskanzlei mit einem perfekten Archivsystem und einem Team von Anwälten, die jeden einzelnen Fakt überprüfen, bevor sie eine Entscheidung treffen. Es stellt sicher, dass die juristische Argumentation nicht nur eine „Black-Box"-Vermutung ist, sondern ein transparenter, evidenzbasierter Prozess.

Technische Zusammenfassung: LegalGraphRAG

1. Problemstellung

Die Anwendung von Retrieval-Augmented Generation (RAG) und GraphRAG im Rechtsbereich steht vor zwei kritischen Herausforderungen, die eine zuverlässige juristische Argumentation behindern:

Heterogenität und Multi-Granularität von Rechtswissen: Rechtskorpora bestehen aus diversen Quellen, darunter historische Fälle, abstrakte Gesetzesartikel und gerichtliche Auslegungen. Diese Quellen operieren auf unterschiedlichen Abstraktionsebenen (faktische Details vs. angewandte Regeln vs. abstrakte Prinzipien). Traditionelle flache Graphstrukturen oder Standard-RAG-Systeme unterscheiden diese Granularitäten nicht, wodurch oft irrelevante faktische Details abgerufen werden, wenn abstrakte Prinzipien benötigt werden, oder umgekehrt. Dies führt zu einer „semantischen Ähnlichkeitsfalle", bei der oberflächliche Keyword-Übereinstimmungen die logische Relevanz verdrängen.
Mangel an überprüfbarer, evidenzbasierter Argumentation: Standard-RAG-Pipelines leiten abgerufenen Kontext ohne Verifizierung direkt an ein Large Language Model (LLM) zur Generierung weiter. In hochriskanten Bereichen wie dem Recht führt dieser „retrieve-then-generate"-Ansatz zu intransparenter Argumentation und „unbelegter Korrektheit", bei der ein Modell zwar die richtige Anklage vorhersagen, aber die spezifischen Rechtsartikel oder Beweise, die zur Begründung erforderlich sind, nicht abrufen kann. Dieser Mangel an Transparenz und Verifizierung macht das System anfällig für Halluzinationen und für gerichtliche Entscheidungsfindung unzuverlässig.

2. Methodik: LegalGraphRAG

Die Autoren schlagen LegalGraphRAG vor, ein Framework, das diese Herausforderungen durch zwei Kernkomponenten adressiert: einen Hierarchischen Rechtsgraphen (HierarGraph) und ein Multi-Agenten-Evidenzbasiertes Argumentationssystem.

2.1 Hierarchischer Rechtsgraph (HierarGraph)

Anstelle eines flachen Wissensgraphen organisiert LegalGraphRAG das Rechtswissen in drei verschiedene semantische Schichten, um heterogene Informationen zu entkoppeln:

Faktengraph ( $G_{fac}$ ): Eine strukturierte Sammlung verifizierter Rechtspräzedenzfälle. Er verknüpft explizit Fälle ( $C$ ), Artikel ( $A$ ) und Straftaten ( $O$ ). Kanten repräsentieren Zitierbeziehungen ( $C \to A$ ) und Verurteilungsergebnisse ( $C \to O$ ) und bieten die für die Beweissammlung notwendige faktische Granularität.
Ontologiegraph ( $G_{ont}$ ): Überbrückt die semantische Lücke durch Abstraktion von Fallmerkmalen. Er bildet unstrukturierte Narrative in einen bereinigten semantischen Raum ab, basierend auf vier Dimensionen: Eigenschaften des Angeklagten, Straftaten, Merkmale des Opfers und Subjektive Geisteszustände. Mittels $k$ -Nearest Neighbors ( $k$ -NN) und des Leiden-Algorithmus werden verwandte Fälle zu Community-Knoten ( $K$ ) gruppiert, was eine hierarchische Suche von breiten Kontexten zu spezifischen Details ermöglicht.
Regelgraph ( $G_{rul}$ ): Löst Gesetzesmehrdeutigkeiten auf, indem er Artikel ( $A$ ) mit Gerichtlichen Auslegungen ( $J$ ) verknüpft. Entscheidend ist, dass jeder Artikelknoten mit einer Diagnose-Checkliste ( $D$ ) ausgestattet ist, die komplexe Rechtsregeln in spezifische Verifizierungsschritte zerlegt (z. B. Prüfung, ob ein Angeklagter eine „staatliche Funktionärsperson" ist). Dies ermöglicht eine präzise logische Verifizierung statt einfacher semantischer Übereinstimmung.

2.2 Multi-Agenten-Evidenzbasierte Argumentation

Das Framework nutzt eine transparente Pipeline, an der drei spezialisierte Agenten beteiligt sind, die den HierarGraph sequenziell durchlaufen:

Researcher (Evidenzabruf): Verankert die rohe Fallanfrage in relevanten rechtlichen Beweisen durch die Durchführung dreier paralleler Abrufstrategien:
- Semantischer Übereinstimmungsabruf: Findet direkte Beweise über ontologieausgerichtete Embeddings.
- Community-Erweiterungsabruf: Ruft Fälle innerhalb thematischer Communities ab, die durch die Anfrage identifiziert wurden.
- Anklage-verankerter Abruf: Verankert die Rechtsgrundlage, indem Fälle gesammelt werden, die mit abgeleiteten Anklagen verknüpft sind.
Auditor (Evidenzvalidierung): Überprüft rigoros die Anwendbarkeit abgerufener Artikel. Er nutzt die Diagnose-Checklisten und Gerichtlichen Auslegungen aus dem Regelgraph, um zu bewerten, ob die Fallfakten spezifische rechtliche Bedingungen erfüllen. Nicht anwendbare Artikel und ihre zugehörigen Knoten werden beschneiden, sodass nur gültige Beweise weiterverarbeitet werden.
Adjudicator (Evidenzsynthese): Synthetisiert den verifizierten Subgraph (bestätigte Artikel, Fälle und Straftaten), um ein endgültiges Urteil zu fällen. Die Ausgabe enthält explizite Zitierungen der verwendeten Gesetzesartikel und gerichtlichen Auslegungen, wodurch sichergestellt wird, dass jede Schlussfolgerung auf verifizierten Beweisen zurückführbar ist.

3. Hauptbeiträge

Framework-Vorschlag: Die Einführung von LegalGraphRAG, eines evidenzbasierten rechtlichen Argumentationsframeworks, das einen hierarchischen Wissensgraphen mit einem Multi-Agenten-System integriert, um Rechtsheterogenität zu bewältigen und die Zuverlässigkeit der Argumentation sicherzustellen.
Hierarchischer Graph-Entwurf: Der Entwurf eines dreischichtigen Rechtswissensgraphen (Ontologie-, Fakt- und Regelschicht), der multi-granulares Rechtswissen modelliert, historische Fälle, Gesetze und Auslegungen effektiv entkoppelt und eine präzise Suche unterstützt.
Multi-Agenten-Verifizierungspipeline: Die Etablierung einer transparenten Argumentationspipeline (Researcher-Auditor-Adjudicator), die eine schrittweise Verifizierung erzwingt und Urteile auf überprüfbare Beweis Ketten statt auf intransparente Generierung gründet.
Empirische Validierung: Umfassende Experimente zeigen, dass LegalGraphRAG auf juristischen Urteilsbenchmarks State-of-the-Art-Leistung erzielt und bestehende GraphRAG-Baselines sowie spezialisierte rechtliche LLMs sowohl in der Genauigkeit als auch in der Vertrauenswürdigkeit übertrifft.

4. Experimentelle Ergebnisse

Das Framework wurde an zwei großen chinesischen Rechtsbenchmarks evaluiert: CAIL2018 und CMDL.

Generierungsgenauigkeit: LegalGraphRAG übertraf Baselines konsistent, darunter Open-Source-Modelle (Qwen, InternLM, GLM), fortschrittliche Modelle (GPT-4o-mini, DeepSeek-V3.1) und spezialisierte rechtliche Methoden (DISC-LawLLM, ADAPT). Es wurden signifikante Verbesserungen erzielt (z. B. bis zu 19,1 % gegenüber starken Baselines) bei der Genauigkeit der Anklagevorhersage.
Abrufwirksamkeit: Die hierarchische Struktur verbesserte die Abrufleistung erheblich (um 25,3 % in Vorstudien) im Vergleich zu flachen Strategien und reduzierte effektiv den Abruf irrelevanter faktischer Details.
Zuverlässigkeit und Nachverfolgbarkeit: Ein entscheidendes Ergebnis war die Reduzierung von „nicht nachverfolgbaren korrekten" Vorhersagen. Während Baselines oft die richtige Anklage vorhersagten, ohne die notwendigen unterstützenden Artikel abzurufen, erhöhte LegalGraphRAG den Anteil der „nachverfolgbaren korrekten" Proben signifikant und stellte sicher, dass jedes Urteil durch abgerufene Beweise gestützt wird.
Ablationsstudien: Das Entfernen des hierarchischen Graphen führte zum stärksten Leistungsabfall (7,2 %) und bestätigte dessen Notwendigkeit. Ebenso verschlechterte das Entfernen des Auditor-Agenten die Genauigkeit um 3,4 %, was die Bedeutung des Verifizierungsschritts validiert.
Effizienz-Abwägung: Während die Online-Inferenzphase aufgrund der mehrstufigen Verifizierung im Vergleich zu einfacheren RAG-Methoden höhere Latenz und Token-Kosten verursacht, waren die Offline-Indexierungszeit und der Token-Verbrauch niedriger als bei einigen komplexen GraphRAG-Baselines (z. B. RAPTOR, HippoRAG2).

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass LegalGraphRAG einen neuen State-of-the-Art für zuverlässige und vertrauenswürdige KI in der Rechtsanalyse etabliert. Ihre primäre Bedeutung liegt in der Transformation des juristischen Argumentationsprozesses von einer „Black-Box"-Generierungsaufgabe in eine transparente, evidenzbasierte Pipeline. Durch die Erzwingung rigoroser Verifizierung und die Strukturierung heterogenen Wissens adressiert das Framework das kritische Bedürfnis nach Erklärbarkeit und Zuverlässigkeit in hochriskanten Bereichen.

Die Autoren positionieren die Arbeit nicht als Ersatz für menschliche Richter, sondern als unterstützendes Werkzeug, das die logischen Argumentations- und Abruffähigkeiten von Rechtsexperten verbessert. Sie erkennen aktuelle Grenzen an, insbesondere die Beschränkung auf unimodale textuelle Eingaben, und identifizieren die Erweiterung auf multimodale Knoten (z. B. visuelle Beweise) als vielversprechende Richtung für zukünftige Forschung, um ein ganzheitliches „Smart Court"-System zu erreichen.