💻 computer science

LGAgent: A Structured and Rule-Guided Multi-Agent Framework for Interpretable Legal Reasoning

LGAgent est un cadre multi-agents structuré et guidé par des règles qui exploite les interactions collaboratives entre des LLM de différentes échelles pour imiter les flux de travail juridiques professionnels, délivrant ainsi un raisonnement adjudicatif interprétable, vérifiable et supérieur par rapport aux approches standards à modèle unique.

Auteurs originaux : Xin Feng, Feng Shu, Manjia Feng, Yi Feng, Haoming Liu

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xin Feng, Feng Shu, Manjia Feng, Yi Feng, Haoming Liu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de résoudre une énigme juridique très complexe, comme une question à choix multiples d'un examen de droit. Si vous demandez à une IA standard et très intelligente (un « Large Language Model ») de la résoudre, elle pourrait simplement deviner la réponse en se basant sur la sonorité des mots, ou elle pourrait inventer une histoire convaincante qui s'avère être fausse. C'est comme demander à un détective brillant mais impulsif de résoudre un crime sans vérifier les preuves d'abord ; il pourrait avoir de la chance, mais il passe souvent à côté des détails.

Le document présente LGAgent, qui revient à transformer ce détective solitaire en une équipe juridique structurée. Au lieu qu'une seule personne fasse tout, LGAgent divise le travail en trois rôles spécifiques, travaillant ensemble comme une machine bien huilée pour garantir que la réponse est correcte, logique et étayée par des faits.

Voici comment l'équipe fonctionne, en utilisant une analogie simple :

Les trois rôles de l'équipe LGAgent

1. L'Analyste de Cas (Avocat A) : Le « Déconstructeur »
Considérez cet agent comme un bibliothécaire méticuleux qui ne se soucie pas encore de la réponse. Son seul travail est de prendre la question juridique désordonnée et de la décomposer en morceaux nets et organisés. Il identifie les faits clés, repère les mots « pièges » dans les options et crée une carte claire du problème. Il ne devine pas ; il organise simplement les pièces du puzzle pour que tous les autres sachent exactement ce qu'ils regardent.

2. Le Juge : Le « Agent de circulation »
Cet agent est le chef du processus. Une fois que l'Analyste de Cas lui a transmis la carte organisée, le Juge décide : « Avons-nous besoin de chercher plus de règles ? » ou « Avons-nous besoin de demander des clarifications ? ».

Si l'équipe est confiante, le Juge dit : « Allez-y, choisissez une réponse. »
Si l'équipe est incertaine ou si les preuves sont faibles, le Juge dit : « Stop ! Nous devons consulter à nouveau les livres de droit » ou « Posons une question spécifique pour lever la confusion. »
Le Juge veille à ce que l'équipe ne se précipite pas vers une conclusion et suive un ensemble de règles strictes, tout comme un vrai juge dans une salle d'audience.

3. Le Preneur de Décision (Avocat B) : Le « Résolveur en deux étapes »
C'est l'agent qui choisit réellement la réponse finale, mais il le fait en deux phases distinctes :

Phase 1 (Le test d'instinct) : Avant de regarder des règles ou des preuves supplémentaires, il fait une supposition rapide et « aveugle » basée sur ce qu'il sait déjà. Il exprime également son degré de confiance (ex : « Je suis sûr à 60 % »).
Phase 2 (La vérification des preuves) : Maintenant, il examine la carte organisée par l'Analyste et les instructions du Juge. Il vérifie chaque option par rapport aux faits. Il se demande : « Cette option a-t-elle une preuve ? Est-elle fausse ? Ou n'avons-nous pas assez d'informations ? »
La boucle : Si l'agent constate qu'il n'a pas assez d'informations (ou si sa confiance initiale était trop basse), le Juge déclenche une « boucle de clarification ». L'équipe demande des orientations plus spécifiques au Juge, vérifie à nouveau, et ne s'arrête que lorsqu'elle est certaine.

Pourquoi cette approche est spéciale

Le document affirme que cette approche de « travail d'équipe » résout trois grands problèmes auxquels les IA individuelles sont généralement confrontées :

Plus de devinettes en « boîte noire » : Au lieu qu'une IA recrache simplement une réponse, LGAgent montre son raisonnement. Vous pouvez voir exactement comment l'Analyste a décomposé le problème, comment le Juge a contrôlé le processus et comment le Preneur de Décision a vérifié les preuves. C'est comme regarder le ralenti d'un match au lieu de simplement voir le score final.
L'arrêt des « hallucinations » : Les IA standards inventent parfois des choses (hallucinent) pour paraître intelligentes. LGAgent force le système à admettre quand il ne sait pas quelque chose (étiqueté comme « Informations insuffisantes ») plutôt que de fabriquer un faux fait.
Moins cher et plus intelligent : Le document montre que vous n'avez pas besoin de l'IA la plus coûteuse et la plus massive (super-ordinateur) pour obtenir d'excellents résultats. En utilisant cette approche d'équipe structurée, même des modèles d'IA plus petits et moins chers peuvent surpasser des modèles beaucoup plus vastes et coûteux. C'est comme avoir une petite équipe de spécialistes qui communiquent parfaitement, plutôt qu'un seul général géant et coûteux qui essaie de tout faire seul.

Les Résultats

Les chercheurs ont testé ce système sur de vraies questions d'examens juridiques chinois et ont constaté que :

Cela fonctionne mieux : L'équipe obtient systématiquement plus de bonnes réponses que les modèles d'IA individuels, même les plus intelligents.
Cela fonctionne partout : Cela n'a pas seulement été meilleur pour un type de droit ; cela s'est amélioré sur tous les sujets juridiques testés.
Cela permet d'économiser de l'argent : Parce qu'ils ont pu utiliser des modèles d'IA plus petits et moins chers au sein de cette structure d'équipe, ils ont obtenu une grande précision pour une fraction du coût de l'utilisation de modèles géants et coûteux.

En résumé, LGAgent prouve que dans le monde complexe du droit, la structure et le travail d'équipe l'emportent sur l'intelligence brute seule. En forçant l'IA à suivre un flux de travail strict et basé sur des règles — déconstruction du problème, contrôle du processus et vérification des preuves — on crée un système qui est non seulement plus intelligent, mais aussi plus fiable et plus facile à faire confiance.

Résumé Technique : LGAgent

Problématique

Bien que les modèles de langage de grande taille (LLM) fassent preuve de solides capacités de raisonnement général, ils peinent face aux exigences structurelles strictes de l'adjudication juridique. Les approches actuelles à modèle unique échouent souvent à découpler explicitement la décomposition des problèmes, le contrôle des processus et la vérification étape par étape, menant à un raisonnement de type « boîte noire » qui manque de l'interprétabilité requise pour les flux de travail juridiques. De plus, les LLM standards présentent fréquemment des hallucinations, des incohérences logiques et une incapacité à adhérer à des structures adjudicatives formelles. Les systèmes multi-agents existants reposent souvent sur des débats en forme libre ou des critères de convergence implicites, ce qui manque de la logique d'exécution déterministe nécessaire à un raisonnement juridique reproductible et auditable. En outre, il existe un manque de cadres d'évaluation systématiques pour évaluer les contributions spécifiques des différents sous-modules de ces systèmes.

Méthodologie

Les auteurs proposent LGAgent, un cadre multi-agent structuré et guidé par des règles, conçu pour imiter les flux de travail juridiques professionnels. Le système utilise un LLM de plus petite échelle comme noyau de raisonnement, collaborant avec des agents spécialisés pour effectuer un raisonnement juridique interprétable. Le cadre fonctionne via un orchestrateur déterministe qui gère trois rôles distincts :

Avocat A (Décomposition structurée des options) :
- Agit comme un « détecteur d'enjeux » (Issue Spotter) qui effectue une analyse axée sur la structure de la question juridique et des options d'entrée.
- Génère un échafaudage structuré et aligné sur les options (format JSON) contenant des revendications par option, des mots-clés juridiques et des signaux de pièges potentiels.
- Crucialement, cet agent n'encode pas de préférences de réponse, garantissant que la décomposition reste neutre et vérifiable.
Juge (Contrôleur de processus) :
- Agit comme le contrôleur central du processus, responsable du filtrage de la récupération et de la guidance décisionnelle.
- Évalue l'échafaudage de l'Avocat A pour générer des signaux de contrôle déterministes, incluant une porte de récupération stricte (need_retrieval) et des exigences de preuves spécifiques.
- Dans l'étude actuelle, la récupération externe est désactivée ; au lieu de cela, le Juge sollicite des dispositions juridiques explicites à partir de la connaissance paramétrique interne du modèle de base pour servir de « preuves ».
- Gère la boucle d'interaction, déterminant quand une clarification est nécessaire sur la base de règles explicites.
Avocat B (Décision et vérification en deux étapes) :
- Exécute un protocole rigoureux en deux étapes :
  - Étape B0 (Réponse aveugle) : Génère une réponse initiale et un score de confiance ( $c_0$ ) sans accès à l'échafaudage structuré ou aux preuves.
  - Étape B1 (Vérification sensible aux preuves) : Réévalue les options par rapport à l'échafaudage structuré, aux signaux de contrôle du Juge et aux preuves disponibles. Il assigne des statuts explicites à chaque option : SUPPORT (Soutien), REFUTE (Réfutation) ou NEI (Not Enough Information - Information insuffisante).
- Interaction multi-tours bornée : Une « Règle de déclenchement de dialogue » déterministe régit les interactions ultérieures. Si la proportion d'options NEI dépasse un seuil ( $\tau_1 = 0,5$ ) ou si la confiance initiale est faible ( $c_0 < \tau_2 = 0,6$ ), le système active une boucle de clarification bornée entre l'Avocat B et le Juge (jusqu'à deux tours) pour résoudre l'incertitude.

Le cadre est conçu pour être sans entraînement (training-free), reposant sur l'ingénierie de prompts et des instructions système spécifiques aux rôles plutôt que sur le réglage fin (fine-tuning). Il présente une conception plug-and-play avec un pipeline d'ablation automatisé pour évaluer les contributions des composants.

Contributions Clés

Nouveau Cadre : Un pipeline unifié et auditable intégrant la décomposition de cas structurée, le contrôle au niveau du processus et la validation sensible aux preuves pour le raisonnement juridique.
Mécanismes explicites basés sur des règles : L'introduction de signaux de contrôle déterministes et d'une boucle d'interaction multi-tours bornée déclenchée uniquement par une incertitude quantifiable, remplaçant le débat en forme libre par une vérification guidée par des règles.
Évaluation complète : Établissement d'un protocole d'évaluation avec des études d'ablation automatisées démontrant des améliorations constantes par rapport aux bases de référence à agent unique fort sur plusieurs benchmarks juridiques.
Performance rentable : Démonstration que l'imposition de frontières de rôles explicites et de signaux de contrôle interprétables améliore considérablement la robustesse et la fiabilité, atteignant une précision compétitive avec des coûts d'inférence nettement inférieurs par rapport aux modèles de pointe avancés.

Résultats Expérimentaux

Le cadre a été évalué sur trois benchmarks juridiques chinois : JEC-QA (Examen national de la magistrature), LexGenius (jeu de données de diagnostic fin) et CAIL2022 (piste d'examen judiciaire).

Gains de performance : LGAgent a nettement surpassé les bases de référence de réponse directe et les bases de référence de type Chaîne de Pensée (Chain-of-Thought - CoT) à travers diverses familles de modèles (allant de 4B à des modèles à grande échelle comme DeepSeek-R1 et GPT-4o). Par exemple, sur le jeu de données LexGenius, LGAgent avec DeepSeek-R1 a atteint 86,97 % d'EM, soit une amélioration de +17,39 par rapport à la base de référence CoT.
Robustesse : Le cadre a montré des gains positifs constants à travers les sept dimensions juridiques de LexGenius (ex: compréhension juridique, raisonnement, application, éthique), indiquant une généralisation plutôt qu'un surapprentissage spécifique au domaine.
Études d'ablation : La suppression de n'importe quel composant (Avocat A, Juge ou la boucle multi-tours) a entraîné une dégradation des performances, confirmant que le système repose sur une coordination complémentaire plutôt que sur un module dominant unique.
Analyse Coût-Bénéfice : Les configurations LGAgent utilisant des noyaux de coût moindre ou intermédiaire (ex: Qwen2.5-7B, GLM-4-Air) ont atteint une précision comparable ou supérieure aux modèles de pointe propriétaires (ex: Gemini-3.1-pro-preview, GPT-5.2) tout en réduisant les coûts d'inférence d'environ 85 % (ex: 0,29 $ contre 3,16 $ pour 1 000 questions).

Signification

L'article affirme que LGAgent comble l'écart critique entre le raisonnement implicite et non interprétable des LLM standards et les exigences rigoureuses et structurées de la pratique juridique. En intégrant la rigueur procédurale directement dans le protocole d'interaction, le cadre garantit que les étapes de raisonnement sont régies par des règles explicites et exploitables par machine. Cette approche offre une voie viable pour améliorer la robustesse, l'interprétabilité et la scalabilité du raisonnement juridique assisté par IA. De plus, elle démontre que la performance de haut niveau du raisonnement peut être découplée de la taille brute des paramètres, permettant un déploiement rentable dans des scénarios juridiques réels tels que la réponse aux questions d'examen judiciaire et l'analyse de cas complexes sans nécessiter d'entraînement supervisé supplémentaire.