💻 computer science

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

LGAgent è un framework multi-agente strutturato e guidato da regole che sfrutta le interazioni collaborative tra LLM di diverse scale per imitare i flussi di lavoro professionali legali, fornendo così un ragionamento giudiziario interpretabile, verificabile e superiore rispetto agli approcci standard a modello singolo.

Autori originali: Xin Feng, Feng Shu, Manjia Feng, Yi Feng, Haoming Liu

Pubblicato 2026-07-08

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Xin Feng, Feng Shu, Manjia Feng, Yi Feng, Haoming Liu

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di risolvere un enigma legale molto complicato, come una domanda a scelta multipla di un esame di giurisprudenza. Se chiedi a un'IA standard, super intelligente (un "Large Language Model"), di risolvere il problema, potrebbe semplicemente indovinare la risposta basandosi su come suonano le parole, oppure potrebbe inventare una storia convincente che però risulta essere errata. È come chiedere a un detective brillante ma impulsivo di risolvere un crimine senza controllare prima le prove; potrebbero anche avere fortuna, ma spesso trascurano i dettagli.

Il documento presenta LGAgent, che è come potenziare quel singolo detective trasformandolo in un team legale strutturato. Inveve di una sola persona che fa tutto, LGAgent suddivide il lavoro in tre ruoli specifici, che lavorano insieme come una macchina ben oliata per garantire che la risposta sia corretta, logica e supportata dai fatti.

Ecco come funziona il team LGAgent, usando una semplice analogia:

I Tre Ruoli del Team LGAgent

1. L'Analista del Caso (Avvocato A): Il "Decostruttore"
Pensa a questo agente come a un bibliotecario meticoloso a cui non importa ancora della risposta. Il suo unico compito è prendere la domanda legale disordinata e scomporla in pezzi ordinati e organizzati. Identifica i fatti chiave, individua le parole "trappola" nelle opzioni e crea una mappa chiara del problema. Non indovina; si limita a organizzare i pezzi del puzzle in modo che tutti gli altri sappiano esattamente cosa stanno guardando.

2. Il Giudice: Il "Poliziotto del Traffico"
Questo agente è il capo del processo. Una volta che l'Analista del Caso ha consegnato la mappa organizzata, il Giudice decide: "Dobbiamo consultare altre regole?" oppure "Dobbiamo chiedere chiarimenti?".

Se il team è fiducioso, il Giudice dice: "Procedi, scegli una risposta".
Se il team è incerto o le prove sono deboli, il Giudice dice: "Fermati! Dobbiamo controllare di nuovo i libri di legge" oppure "Chiediamo una specifica chiarificazione per risolvere la confusione".
Il Giudice assicura che il team non affretti una conclusione e che segua un insieme rigoroso di regole, proprio come un vero giudice in un'aula di tribunale.

3. Il Decisore (Avvocato B): Il "Risolutore in due fasi"
Questo è l'agente che sceglie effettivamente la risposta finale, ma lo fa in due fasi distinte:

Fase 1 (Il controllo istintivo): Prima di guardare eventuali regole o prove extra, fa un tentativo veloce e "cieco" basato su ciò che già sa. Inoltre, ammette quanto sia fiducioso (ad esempio, "Sono sicuro al 60%").
Fase 2 (Il controllo delle prove): Ora, guarda la mappa organizzata dall'Analista e le istruzioni del Giudice. Verifica ogni singola opzione rispetto ai fatti. Si chiede: "Questa opzione ha una prova? È falsa? O non abbiamo abbastanza informazioni?".
Il Ciclo: Se scopre di non avere abbastanza informazioni per alcune opzioni (o se la sua fiducia iniziale era troppo bassa), il Giudice attiva un "ciclo di chiarificazione". Il team chiede al Giudice una guida più specifica, controlla di nuovo e si ferma solo quando ne è sicuro.

Perché questo approccio è speciale

Il documento afferma che questo approccio basato sul "lavoro di squadra" risolve tre grandi problemi che le singole IA solitamente affrontano:

Niente più tentativi a "scatola nera": Invece di far sputare all'IA semplicemente una risposta, LGAgent mostra il proprio lavoro. Puoi vedere esattamente come l'Analista ha scomposto il problema, come il Giudice ha controllato il processo e come il Decisore ha verificato le prove. È come guardare il replay di una partita invece di vedere solo il punteggio finale.
Fermare le "allucinazioni": Le IA standard a volte inventano cose (allucinano) per sembrare intelligenti. LGAgent costringe il sistema ad ammettere quando non sa qualcosa (etichettato come "Informazioni insufficienti") invece di inventare un fatto falso.
Più economico e intelligente: Il documento dimostra che non è necessario l'IA più costosa e massiccia di un supercomputer per ottenere ottimi risultati. Usando questo approccio strutturato a team, anche modelli di IA più piccoli e meno costosi possono superare modelli molto più grandi e costosi. È come avere un piccolo team di specialisti che comunica perfettamente, invece di un unico, enorme ed costoso generale che cerca di fare tutto da solo.

I Risultati

I ricercatori hanno testato questo sistema su veri quesiti di esami giuridici cinesi e hanno scoperto che:

Funziona meglio: Il team ottiene costantemente più risposte corrette rispetto ai singoli modelli di IA, anche quelli molto intelligenti.
Funziona ovunque: Non è migliorato solo su un tipo di legge; è migliorato in tutti i temi legali testati.
Risparmia denaro: Poiché potevano utilizzare modelli di IA più piccoli e meno costosi all'interno di questa struttura di team, hanno raggiunto un'elevata precisione per una frazione del costo di utilizzo di modelli giganti ed estremamente costosi.

In breve, LGAgent dimostra che nel complesso mondo del diritto, la struttura e il lavoro di squadra vincono sulla sola intelligenza pura. Costringendo l'IA a seguire un flusso di lavoro rigoroso e basato su regole — decostruzione del problema, controllo del processo e verifica delle prove — crea un sistema che è non solo più intelligente, ma anche più affidabile e facile da fidarsi.

Sintesi Tecnica: LGAgent

Problematica

Sebbene i Large Language Models (LLM) dimostrino forti capacità di ragionamento generale, essi incontrano difficoltà con le rigide richieste strutturali dell'adjudicazione legale. Gli attuali approcci a modello singolo spesso falliscono nel separare esplicitamente la scomposizione del problema, il controllo del processo e la verifica passo dopo passo, portando a un ragionamento "black box" che manca dell'interpretabilità richiesta dai flussi di lavoro legali. Inoltre, gli standard LLM mostrano frequentemente allucinazioni, inconsistenze logiche e un'incapacità di aderire a strutture giudicanti formali. I sistemi multi-agente esistenti spesso si affidano a dibattiti a forma libera o criteri di convergenza impliciti, che mancano della logica di esecuzione deterministica necessaria per un ragionamento legale riproducibile e verificabile. Inoltre, vi è una mancanza di framework di valutazione sistematici per valutare i contributi specifici dei diversi sottomoduli all'interno di questi sistemi.

Metodologia

Gli autori propongono LGAgent, un framework multi-agente strutturato e guidato da regole, progettato per mimare i flussi di lavoro professionali legali. Il sistema utilizza un LLM su scala ridotta come spina dorsale del ragionamento, collaborando con agenti specializzati per eseguire un ragionamento legale interpretabile. Il framework opera attraverso un orchestratore deterministico che gestisce tre ruoli distinti:

Avvocato A (Scomposizione Strutturata delle Opzioni):
- Agisce come un "Identificatore di Problemi" (Issue Spotter) che esegue un'analisi orientata alla struttura della domanda legale in input e delle opzioni.
- Genera uno scaffold strutturato e allineato alle opzioni (in formato JSON) contenente affermazioni a livello di opzione, parole chiave legali e potenziali segnali di trappola.
- Fondamentalmente, questo agente non codifica preferenze di risposta, garantendo che la scomposizione rimanga neutrale e verificabile.
Giudice (Controllore del Processo):
- Agisce come il controllore centrale del processo responsabile del gating del recupero e della guida decisionale.
- Valuta lo scaffold dell'Avvocato A per generare segnali di controllo deterministici, inclusi un gate di recupero rigoroso (need_retrieval) e requisiti di evidenza specifici.
- Nello studio attuale, il recupero esterno è disabilitato; al contrario, il Giudice sollecita disposizioni legali esplicite dalla conoscenza parametrica interna del modello backbone per fungere da "evidenza".
- Gestisce il ciclo di interazione, determinando quando è necessaria una chiarificazione in base a regole esplicite.
Avvocato B (Decisione a Due Stadi e Verifica):
- Esegue un protocollo rigoroso a due stadi:
  - Stadio B0 (Risposta Cieca): Genera una risposta iniziale e un punteggio di confidenza ( $c_0$ ) senza accesso allo scaffold strutturato o all'evidenza.
  - Stadio B1 (Verifica Consapevole dell'Evidenza): Rivaluta le opzioni rispetto allo scaffold strutturato, ai segnali di controllo del Giudice e all'evidenza disponibile. Assegna stati espliciti a ciascuna opzione: SUPPORT (Supporta), REFUTE (Confuta) o NEI (Informazioni Insufficienti).
- Interazione Multi-Turn Vincolata: Un "Regola di Trigger del Dialogo" deterministica governa l'ulteriore interazione. Se la proporzione di opzioni NEI supera una soglia ( $\tau_1 = 0.5$ ) o la confidenza iniziale è bassa ( $c_0 < \tau_2 = 0.6$ ), il sistema attiva un ciclo di chiarificazione limitato tra l'Avvocato B e il Giudice (fino a due round) per risolvere l'incertezza.

Il framework è progettato per essere senza addestramento (training-free), facendo affidamento sul prompt engineering e su istruzioni di sistema specifiche per ruolo piuttosto che sul fine-tuning. Presenta un design plug-and-play con una pipeline di ablazione automatizzata per valutare i contributi dei componenti.

Contributi Chiave

Framework Innovativo: Una pipeline unificata e verificabile che integra la scomposizione strutturata del caso, il controllo a livello di processo e la validazione consapevole dell'evidenza per il ragionamento legale.
Meccanismi Espliciti Basati su Regole: L'introduzione di segnali di controllo deterministici e di un ciclo di interazione multi-turn vincolato attivato solo da incertezza quantificabile, sostituendo il dibattito a forma libera con la verifica guidata da regole.
Valutazione Comprensiva: Stabilimento di un protocolo di valutazione con studi di ablazione automatizzati che dimostrano miglioramenti costanti rispetto ai robusti baseline a singolo agente su molteplici benchmark legali.
Prestazioni Cost-Effective: Dimostrazione che l'imposizione di confini di ruolo espliciti e di segnali di controllo interpretabili migliora significativamente robustezza e affidabilità, ottenendo un'accuratezza competitiva con costi di inferenza sostanzialmente inferiori rispetto ai modelli di frontiera avanzati.

Risultati Sperimentali

Il framework è stato valutato su tre benchmark legali cinesi: JEC-QA (Esame Nazionale Giudiziario), LexGenius (dataset diagnostico fine-grained) e CAIL2022 (traccia Esame Giudiziario).

Guadagni di Prestazione: LGAgent ha superato significativamente sia i baseline di risposta diretta che i baseline Chain-of-Thought (CoT) attraverso diverse famiglie di modelli (che vanno da 4B a modelli su larga scala come DeepSeek-R1 e GPT-4o). Ad esempio, sul dataset LexGenius, LGAgent con DeepSeek-R1 ha raggiunto l'86,97% di EM, un miglioramento di +17,39 rispetto al baseline CoT.
Robustezza: Il framework ha mostrato guadagni positivi costanti in tutte le sette dimensioni legali in LexGenius (es. Comprensione Legale, Ragionamento, Applicazione, Etica), indicando una generalizzazione piuttosto che un overfitting specifico del dominio.
Studi di Ablazione: Rimuovere qualsiasi singolo componente (Avvocato A, Giudice o il ciclo multi-turn) ha causato una degradazione delle prestazioni, confermando che il sistema si basa su una coordinazione complementare piuttosto che su un singolo modulo dominante.
Analisi Costo-Beneficio: Le configurazioni LGAgent che utilizzano backbone di costo minore o medio (es. Qwen2.5-7B, GLM-4-Air) hanno raggiunto un'accuratezza comparabile o superiore ai modelli di frontiera proprietari (es. Gemini-3.1-pro-preview, GPT-5.2) riducendo i costi di inferenza di circa l'85% (es. $0,29 vs $3,16 per 1.000 domande).

Significato

L'articolo sostiene che LGAgent affronti il divario critico tra il ragionamento implicito e non interpretabile dei normali LLM e i rigorosi requisiti strutturati della pratica legale. Incorporando il rigore procedurale direttamente nel protocollo di interazione, il framework assicura che i passaggi di ragionamento siano governati da regole esplicite e analizzabili dalle macchine. Questo approccio offre una via percorribile per migliorare la robustezza, l'interpretabilità e la scalabilità del ragionamento legale assistito dall'IA. Inoltre, dimostra che le prestazioni di alto livello del ragionamento possono essere scisse dalla scala dei parametri grezzi, consentendo un dispiegamento economico in scenari legali reali come la risposta a domande d'esame giudiziario e l'analisi di casi complessi senza la necessità di ulteriore addestramento supervisionato.