LGAgent: A Structured and Rule-Guided Multi-Agent Framework for Interpretable Legal Reasoning
LGAgent एक संरचित, नियम-निर्देशित मल्टी-एजेंट फ्रेमवर्क है जो पेशेवर कानूनी वर्कफ़्लो की नकल करने के लिए विभिन्न पैमानों के LLMs के बीच सहयोगात्मक अंतःक्रियाओं का लाभ उठाता है, जिससे मानक सिंगल-मॉडल दृष्टिकोणों की तुलना में व्याख्या योग्य, सत्यापन योग्य और श्रेष्ठ न्यायिक तर्क प्रदान किया जा सके।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बहुत ही पेचीदा कानूनी पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि लॉ स्कूल की परीक्षा का कोई बहुविकल्पीय प्रश्न। यदि आप एक मानक, अत्यंत बुद्धिमान AI (एक "लार्ज लैंग्वेज मॉडल") से इसे हल करने के लिए कहते हैं, तो यह केवल शब्दों के उच्चारण के आधार पर उत्तर का अनुमान लगा सकता है, या यह एक विश्वसनीय कहानी बना सकता है जो संयोग से गलत हो। यह एक शानदार लेकिन जल्दबाज जासूस से अपराध सुलझाने के लिए बिना सबूत जांचे पूछने जैसा है; वे भाग्यशाली हो सकते हैं, लेकिन वे अक्सर विवरणों को चूक जाते हैं।
यह पेपर LGAgent को पेश करता है, जो उस एकल जासूस को एक संरचित कानूनी टीम में अपग्रेड करने जैसा है। एक व्यक्ति द्वारा सब कुछ करने के बजाय, LGAgent इस काम को तीन विशिष्ट भूमिकाओं में विभाजित करता है, जो एक सुव्यवस्थित मशीन की तरह मिलकर काम करती हैं ताकि यह सुनिश्चित किया जा सके कि उत्तर सही, तार्किक और तथ्यों पर आधारित है।
यह टीम कैसे काम करती है, यहाँ एक सरल उपमा दी गई है:
LGAgent टीम की तीन भूमिकाएँ
1. केस एनालिस्ट (वकील A): "डीकंस्ट्रक्टर" (विखंडन करने वाला)
इस एजेंट को एक सूक्ष्म लाइब्रेरियन के रूप में सोचें जिसे अभी उत्तर की परवाह नहीं है। उनका एकमात्र काम जटिल कानूनी प्रश्न को लेकर उसे व्यवस्थित टुकड़ों में तोड़ना है। वे मुख्य तथ्यों की पहचान करते हैं, विकल्पों में छिपे "ट्रैप" (जाल) वाले शब्दों को पकड़ते हैं, और समस्या का एक स्पष्ट मानचित्र तैयार करते हैं। वे अनुमान नहीं लगाते; वे बस पहेली के टुकड़ों को व्यवस्थित करते हैं ताकि बाकी सभी को पता चल सके कि वे वास्तव में क्या देख रहे हैं।
2. जज: "ट्रैफिक पुलिस"
यह एजेंट प्रक्रिया का बॉस है। एक बार जब केस एनालिस्ट द्वारा तैयार किया गया व्यवस्थित मानचित्र मिल जाता है, तो जज तय करता है: "क्या हमें और नियम देखने की आवश्यकता है?" या "क्या हमें स्पष्टीकरण की आवश्यकता है?"
- यदि टीम आश्वस्त है, तो जज कहता है, "आगे बढ़ें, एक उत्तर चुनें।"
- यदि टीम अनिश्चित है या साक्ष्य कमजोर हैं, तो जज कहता, "रुकिए! हमें कानून की किताबों को फिर से देखने की आवश्यकता है" या "आइए भ्रम को दूर करने के लिए एक विशिष्ट प्रश्न पूछें।"
जोध यह सुनिश्चित करता है कि टीम निष्कर्ष पर पहुँचने में जल्दबाजी न करे और नियमों के एक सख्त सेट का पालन करे, ठीक वैसे ही जैसे अदालत में एक वास्तविक जज करता है।
3. निर्णय निर्माता (वकील B): "दो-चरणीय समाधानकर्ता"
यह वह एजेंट है जो वास्तव में अंतिम उत्तर चुनता है, लेकिन वे इसे दो अलग-अलग चरणों में करते हैं:
- चरण 1 (गट चेक/अंतर्ज्ञान की जाँच): किसी भी अतिरिक्त नियमों या साक्ष्यों को देखने से पहले, वे जो पहले से जानते हैं उसके आधार पर एक त्वरित, "अंधा" अनुमान लगाते हैं। वे यह भी स्वीकार करते हैं कि वे कितने आश्वस्त हैं (जैसे, "मैं 60% निश्चित हूँ")।
- चरण 2 (साक्ष्य की जाँच): अब, वे एनालिस्ट के व्यवस्थित मानचित्र और जज के निर्देशों को देखते हैं। वे प्रत्येक विकल्प की तथ्यों के साथ जाँच करते हैं। वे पूछते हैं: "क्या इस विकल्प का प्रमाण है? क्या यह गलत है? या हमारे पास पर्याप्त जानकारी नहीं है?"
- लूप (चक्र): यदि उन्हें पता चलता है कि उनके पास कुछ विकल्पों के लिए पर्याप्त जानकारी नहीं है (या उनका प्रारंभिक आत्मविश्वास कम था), तो जज एक "स्पष्टीकरण लूप" को सक्रिय करता है। टीम जज से अधिक विशिष्ट मार्गदर्शन मांगती है, फिर से जाँच करती है, और केवल तभी रुकती है जब वे आश्वस्त होते हैं।
यह दृष्टिकोण क्यों विशेष है
पेपर का दावा है कि यह "टीमवर्क" वाला दृष्टिकोण उन तीन बड़ी समस्याओं को हल करता है जिनका सामना एकल AI आमतौर पर करते हैं:
- "ब्लैक बॉक्स" अनुमान का अंत: AI द्वारा केवल एक उत्तर देने के बजाय, LGAgent अपना काम दिखाता है। आप देख सकते हैं कि एनालिस्ट ने इसे कैसे तोड़ा, जज ने प्रक्रिया को कैसे नियंत्रित किया, और निर्णय निर्माता ने साक्ष्य को कैसे सत्यापित किया। यह केवल अंतिम स्कोर देखने के बजाय खेल का रीप्ले देखने जैसा है।
- "हैलुसिनेशन" (भ्रम) को रोकना: मानक AI कभी-कभी स्मार्ट दिखने के लिए चीजें बना लेते हैं (हैलुसिनेट करते हैं)। LGAgent सिस्टम को यह स्वीकार करने के लिए मजबूर करता है कि वह कुछ नहीं जानता (जिसे "पर्याप्त जानकारी नहीं है" के रूप में लेबल किया गया है), बजाय इसके कि वह एक फर्जी तथ्य बना ले।
- सस्ता और स्मार्ट: पेपर दिखाता है कि आपको बेहतरीन परिणाम प्राप्त करने के लिए सबसे महंगे, विशाल सुपर-कंप्यूटर AI की आवश्यकता नहीं है। इस संरचित टीम दृष्टिकोण का उपयोग करके, छोटे, सस्ते AI मॉडल भी बड़े, अधिक महंगे मॉडलों से बेहतर प्रदर्शन कर सकते हैं। यह विशेषज्ञों की एक छोटी टीम के होने जैसा है जो आपस में पूरी तरह से संवाद करती है, बजाय एक विशाल, महंगे जनरल के जो अकेले सब कुछ करने की कोशिश करता है।
परिणाम
शोधकर्ताओं ने वास्तविक चीनी कानूनी परीक्षा प्रश्नों पर इस प्रणाली का परीक्षण किया और पाया कि:
- यह बेहतर काम करता है: टीम ने लगातार एकल AI मॉडलों की तुलना में अधिक प्रश्न सही किए, यहाँ तक कि बहुत स्मार्ट मॉडलों ने भी।
- यह हर जगह काम करता है: यह केवल एक प्रकार के कानून में बेहतर नहीं हुआ; इसने परीक्षण किए गए सभी कानूनी विषयों में सुधार किया।
- यह पैसे बचाता है: क्योंकि वे इस टीम संरचना के भीतर छोटे, सस्ते AI मॉडलों का उपयोग कर सकते थे, उन्होंने विशाल, महंगे मॉडलों के एक अंश की लागत पर उच्च सटीकता प्राप्त की।
संक्षेप में, LGAgent साबित करता है कि कानून की जटिल दुनिया में, संरचना और टीमवर्क केवल कच्ची बुद्धिमत्ता से बेहतर होते हैं। AI को एक सख्त, नियम-आधारित वर्कफ़्लो का पालन करने के लिए मजबूर करके—समस्या को विखंडित करना, प्रक्रिया को नियंत्रित करना और साक्ष्य को सत्यापित करना—यह एक ऐसी प्रणाली बनाता है जो न केवल स्मार्ट है बल्कि अधिक विश्वसनीय और भरोसेमंद भी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।