🤖 AI

Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs

Dit artikel introduceert de SAT-Graph API, een canonieke primitieve interface die controleerbare, deterministische juridische redenering mogelijk maakt door LLM-onzekerheid te beperken tot intentietranslatie en narratieve synthese, terwijl alle structurele, temporele en causale graaftraversaties worden uitgevoerd via betrouwbare symbolische operaties.

Oorspronkelijke auteurs: Hudson de Martim

Gepubliceerd 2026-04-30

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hudson de Martim

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een complex juridisch mysterie op te lossen, zoals het precies achterhalen wat een specifieke wet op een specifieke dag in het verleden zei.

In de wereld van standaard AI (zoals de chatbots die we vandaag de dag gebruiken), treedt het systeem op als een bibliothecaris die alleen maar kan gokken. Als je vraagt: "Wat zei de wet in 2001 over huisvesting?", scant de bibliothecaris de bibliotheek, vindt pagina's die erop lijken te lijken op je vraag, en geeft ze je. Maar hier zit het probleem: de bibliothecaris kan een pagina uit 2024 grijpen, of een pagina uit een ander land, of een pagina die jaren geleden is verwijderd. De bibliothecaris is goed in het raden van de woorden, maar verschrikkelijk in het begrijpen van de geschiedenis of de regels van de bibliotheek.

Dit artikel stelt een nieuwe manier voor om juridische AI te bouwen, genaamd Deterministische Juridische Agenten. In plaats van een gokkende bibliothecaris, willen ze een robotarchivaris bouwen die een strikte, onbreekbare reeks regels volgt.

Hier is hoe het artikel dit nieuwe systeem uitlegt met eenvoudige concepten:

1. Het Probleem: De "Vlakke" Bibliotheek

Huidige AI behandelt wetten als een stapel losse papieren. Het begrijpt niet dat een wet deel uitmaakt van een groter boek, dat boeken hoofdstukken hebben, en dat wetten veranderen in de loop van de tijd.

De Analogie: Stel je voor dat je probeert een specifieke zin in een roman te vinden, maar de AI pakt zomaar willekeurige zinnen uit het boek die dezelfde woorden bevatten. Het kan een zin uit het begin van het boek grijpen terwijl je er een uit het einde nodig had, of een zin uit een concept dat weggegooid is. In de wet is dit gevaarlijk, omdat een wet die gisteren waar was, vandaag onwaar kan zijn.

2. De Oplossing: De "SAT-Graph" (De Meesterblauwdruk)

De auteurs hebben eerder een speciale database gebouwd die een SAT-Graph heet. Denk hierbij niet aan een stapel papieren, maar aan een levende, ademende stamboom voor wetten.

Elke wet is een "Item".
Elke keer dat een wet verandert, wordt een nieuwe "Versie" geboren.
Elke verandering wordt veroorzaakt door een specifieke "Actie" (zoals het tekenen van een nieuw wetsvoorstel).
Deze grafiek kent de exacte geschiedenis: wie is de ouderwet? Wat heeft het veranderd? Wanneer is het verlopen?

3. De Nieuwe Interface: De "Primitive API" (Het Strikte Menu)

De grote vraag die het artikel beantwoordt is: Hoe laten we de AI met deze complexe stamboom praten zonder dat het fouten maakt?

Als we de AI toestaan om zijn eigen databasevragen te schrijven (zoals hem vragen om SQL-code te schrijven), kan hij in de war raken en om het verkeerde ding vragen. Daarom hebben de auteurs een Canonieke Primitieve API gecreëerd.

De Analogie: Stel je voor dat de AI een klant is in een zeer chique restaurant.
- Oude Manier: De klant loopt de keuken binnen en begint orders naar de chef te schreeuwen, terwijl hij probeert het eten zelf te koken. Ze kunnen de soep verbranden of de verkeerde ingrediënten gebruiken.
- Nieuwe Manier (De API): De klant kan alleen bestellen van een strikt, vooraf goedgekeurd menu. Het menu heeft specifieke knoppen zoals "Haal de versie van 2001 van Artikel 6" of "Laat me zien wie deze wet veranderde". De AI kan niet de keuken in dwalen; het kan alleen knoppen indrukken.

4. De Gouden Regel: "Kansisolatie"

Dit is het belangrijkste concept in het artikel. De auteurs realiseerden zich dat AI van nature "onscherp" is (het gokt), maar juridische feiten "scherp" moeten zijn (ze zijn waar of onwaar).

Ze creëerden een regel genaamd Kansisolatie. Denk hierbij aan een beveiligingscontrole:

Zone 1 (De Onscherpe Zone): De AI mag hier gokken. Het neemt je vraag ("Wat over huisvesting?") en gokt welke wet je bedoelt. Het kan zeggen: "Ik denk dat je Artikel 6 bedoelt, maar ik ben 80% zeker."
De Controle: Zodra de AI een specifieke wet-ID kiest (zoals "Artikel 6"), passeert het een controlepunt.
Zone 2 (De Strikte Zone): Van dit punt af is geen gokken meer toegestaan. De AI drukt op een knop om de versie uit 2001 op te halen. De robotarchivaris moet de exacte tekst van die datum geven. Het kan niet gokken. Het kan niet hallucineren. Het haalt gewoon de exacte data op.
Zone 3 (De Onscherpe Zone opnieuw): Zodra de robot de exacte tekst geeft, mag de AI weer gokken om een mooie samenvatting voor je te schrijven.

5. Hoe Het In Het Reële Leven Werkt (De Gebruiksscenario's)

Het artikel laat zien hoe dit werkt met drie voorbeelden:

Tijdsreizen: Je vraagt: "Wat zei de wet op 20 mei 2001?"
- Oude AI: Kan je de wet tonen zoals die vandaag is.
- Nieuwe AI: Gokt de wetnaam, drukt dan op de knop "Haal de versie van 2001". De robot geeft de exacte tekst van die dag.
Detectivewerk: Je vraagt: "Hoe veranderde de wet toen 'huisvesting' werd toegevoegd?"
- Oude AI: Kan het woord "huisvesting" vinden en je een alinea tonen.
- Nieuwe AI: Vindt de wet, bekijkt de geschiedenis, vindt het exacte moment waarop "huisvesting" werd toegevoegd, en toont je de tekst voor en na de verandering, samen met het specifieke wetsvoorstel dat het veroorzaakte.
Het Golvendeffect: Je vraagt: "Welke wetten veranderde deze nieuwe wijziging?"
- Oude AI: Kan zoeken naar de naam van de wijziging in andere wetten (wat vaak niet werkt).
- Nieuwe AI: Volgt het spoor van de "Actie". Het ziet dat de wijziging een "ouder" was die nieuwe versies van andere wetten creëerde. Het lijst precies op wat veranderde.

Samenvatting

Het artikel beweert niet dat deze AI perfect is als advocaat. Het claimt het betrouwbaarheidsprobleem op te lossen.

Het bouwt een systeem waarin de AI creatief mag zijn in het begrijpen van je vraag en het schrijven van het eindantwoord, maar gedwongen wordt een robot te zijn bij het opzoeken van de feiten. Het scheidt het "gokken" van het "feitenchecken" zodat elk stukje bewijs dat de AI gebruikt, terug te leiden is naar een specifiek, onveranderlijk record in de database.

Het is alsof je een detective een vergrootglas geeft dat alleen de waarheid laat zien, in plaats van een kristallen bol die laat zien wat misschien waar is.

1. Probleemstelling

Het artikel adresseert kritieke beperkingen bij het toepassen van Retrieval-Augmented Generation (RAG) in hoog-risico juridische domeinen. Standaard RAG-systemen vertrouwen op semantische gelijkenis over platte tekstfragmenten, wat faalt in het vastleggen van de complexe aard van juridische kennis. De auteurs identificeren drie specifieke faalmodi in huidige juridische RAG:

Mereologische Blindheid: Het niet herkennen van deel-heel relaties (bijv. clausule $\subset$ artikel $\subset$ wet).
Diachrone Naïviteit: Het onvermogen om onderscheid te maken tussen vervangen en momenteel geldende normen, wat leidt tot het vermengen van historisch en huidig recht.
Causale Opgedekteheid: Het ontbreken van traceerbaarheid met betrekking tot de wetgevende herkomst (de specifieke handelingen die een norm hebben gecreëerd, gewijzigd of ingetrokken).

Hoewel voorgaand werk (SAT-Graph) het representatie-probleem oploste door juridische normen te modelleren als structuur-bewuste temporele kennisgrafieken, ontstond er een nieuw interactieprobleem: Hoe kan een probabilistische LLM-agent deze deterministische graaf bevragen zonder de onbetrouwbaarheid te reintroduceren die de graaf juist moest voorkomen? Het toestaan dat agenten willekeurige database-query's genereren (SQL/SPARQL) of uitsluitend vertrouwen op semantische zoekopdrachten, riskeert stille fouten, hallucinaties en het omzeilen van temporele/structurele beperkingen.

2. Methodologie: De SAT-Graph API

Het artikel stelt de SAT-Graph API voor, een canonieke primitieve interface ontworpen om te bemiddelen tussen een probabilistische LLM-agent en een deterministische symbolische ondergrond (de Temporele Kennisgraaf).

Kernontwerpprincipe: Isolatie van Probabiliteit

De architectuur beperkt stochastische onzekerheid strikt tot drie gebonden fasen, waarbij wordt gegarandeerd dat zodra een referentie is opgelost, alle daaropvolgende operaties deterministisch zijn:

Intentie-vertaling: De LLM converteert een natuurlijke taalquery naar een uitvoeringsplan.
Initiële semantische verankering: Het systeem gebruikt probabilistische zoekopdrachten (semantisch/lexicaal) om ambiguïteiten te koppelen aan gerangschikte kandidaat-graafankers (Items, Thema's, Teksteenheden).
Narratieve synthese: De LLM genereert het uiteindelijke proza-antwoord op basis van geverifieerd bewijs.

Deterministische Kern: Zodra een canoniek identificatienummer en temporele parameters zijn vastgesteld, worden alle graaftraversies (structureel, temporeel, causaal) uitgevoerd via getypeerde, atomaire primitieven. Dit zorgt ervoor dat het ophaalproces zelf reproduceerbaar en auditabel is.

Architectonische Componenten

De Ondergrond (SAT-Graph): Een temporele kennisgraaf die juridische instrumenten modelleert als versieerbare entiteiten met expliciete hiërarchische omvatting en wetgevende causaliteit.
Het Interactieprotocol (API): Een bibliotheek van getypeerde, samenvoegbare primitieven die fungeren als een procedurele voorgevel. De agent ziet het fysische databaseschema niet, maar communiceert via een vast vocabulaire.
De Agent: Een probabilistische planner die vragen decomposeert in een reeks primitieve aanroepen, tussentijdse resultaten observeert en antwoorden synthetiseert.

Belangrijkste Data-modellen

De API opereert op vijf canonieke, domein-portabele data-modellen:

Item: Een canonieke graafentiteit met stabiele identiteit (bijv. een specifiek Artikel).
Versie: Een tijdsgebonden momentopname van een Item, die geldigheids- en toepassingsintervallen vastlegt.
Teksteenheid: De tekstuele realisatie die aan een graafentiteit is gekoppeld, en die semantische zoekopdrachten verbindt met deterministische ophaaloperaties.
Actie: Een gereïficeerd staatsovergangsgebeurtenis (bijv. proclamatie, wijziging) dat versies produceert of beëindigt.
Relatie: Getypeerde semantische randen (citaties, afhankelijkheden) tussen entiteiten.

Primitieve Categorieën

De API blootstelt functionele groepen primitieven:

Ontdekking & Zoeken: resolveItemReference, searchTextUnits (geeft gerangschikte kandidaten terug met betrouwbaarheidsscores).
Temporele Resolutie: getValidVersions, getItemVersions (deterministische ophaaloperatie van versies die geldig zijn op een specifiek tijdstip).
Structurele Navigatie: getItemHierarchy, getItemAncestors (herbouwt context zonder te vertrouwen op tekstuele nabijheid).
Causaliteit & Impact: getItemHistory, getActionsBySource (traceert herkomst en voorwaartse impact).
Introspectie: getRootItemTypes, getSupportedActionTypes (staat agenten toe om schemagrenzen te ontdekken).
Hydratie: getVersionTextUnits (zet lichtgewicht ID's om in volledig tekstueel bewijs).

3. Belangrijkste Bijdragen

Specificatie van Canonieke Primitieve API: Een formele interface voor het bevragen van structuur-bewuste temporele kennisgrafieken, geïmplementeerd voor juridische normen maar ontworpen om domein-portabel te zijn.
Principe van Isolatie van Probabiliteit: Een neuro-symbolisch ontwerppatroon dat probabilistische planning/verankering scheidt van deterministische graafuitvoering, waardoor systeemfouten lokaal en inspecteerbaar worden.
Reden-Handel-Observeren Paradigma: Verlegt juridische RAG van een passieve "Ophalen-then-Genereren" pijplijn naar een actief proces waarbij de agent vragen decomposeert in expliciete, auditabele uitvoeringsplannen.
Formele Scheiding van Belangen: Koppelt de representatie van juridische kennis (de graaf) los van agentische redenering (de LLM) via een getypeerd interactieprotocol, waardoor schemakoppeling en query-confabulatie worden voorkomen.
Demonstraties van Gebruiksgevallen: Illustreert hoe complexe juridische query's (ophaaloperaties op een specifiek tijdstip, versievergelijking, voorwaartse causaliteit, thematische impactanalyse) worden gedecomposeerd in verifieerbare reeksen primitieven.

4. Resultaten en Evaluatie

Het artikel presenteert geen empirische benchmarkresultaten (bijv. nauwkeurigheidscores tegenover baselines), maar biedt een formele architecturale specificatie en kwalitatieve validatie door middel van gebruiksgeschiedenissen:

Deterministische Ophaaloperatie op een Specifiek Tijdstip: Demonstreert hoe een agent de exacte tekst van een wet kan ophalen die geldig was op een specifieke datum in het verleden, waarmee de "temporele naïviteit" van standaard RAG wordt vermeden.
Causale Pinpointing: Toont aan hoe een agent de exacte wetgevende handeling kan traceren die een specifiek recht introduceerde (bijv. "huisvesting") en de tekst voor en na de wijziging kan vergelijken.
Voorwaartse Causaliteit: Illustreert hoe alle bepalingen die worden beïnvloed door een specifieke wijziging kunnen worden geïdentificeerd, een taak die moeilijk is voor semantische zoekopdrachten vanwege het ontbreken van lexicaal overlap.
Thematische Impactanalyse: Demonstreert het vermogen om historische veranderingen over een thematische hiërarchie te aggregeren (bijv. "Digitale Veiligheid") door thematische resolutie te combineren met temporele gebeurtenisquery's.

De "resultaten" zijn de auditbare uitvoeringslogs die door deze processen worden gegenereerd, waardoor menselijke reviewers exact kunnen traceren welke entiteit is opgelost, welke versie is geselecteerd en welke actie het bewijs heeft geproduceerd.

5. Betekenis en Implicaties

Betrouwbare Juridische AI: De architectuur biedt een fundament voor juridische systemen waarbij de bewijskracht van een antwoord volledig inspecteerbaar, reproduceerbaar en traceerbaar is naar canonieke graafobjecten.
Auditbaarheid als Ophaaleigenschap: In tegenstelling tot traditionele RAG, waar auditbaarheid een post-hoc kenmerk is, maakt dit systeem auditbaarheid inherent aan het ophaalproces zelf. Elke stap is een getypeerde operatie over een canoniek object.
Domein-Portabiliteit: Hoewel geïllustreerd in het recht, zijn de abstracties (Items, Versies, Acties) van toepassing op elk door autoriteit geregeerd domein dat historische correctheid en herkomst vereist (bijv. technische standaarden, regelgevende compliance, technische specificaties).
Verschuiving in Ingenieurslast: De complexiteit van temporele logica en structurele validatie wordt verplaatst van de LLM-prompt (waar het foutgevoelig is) naar de API-laag (waar het strikt kan worden getest en afgedwongen).

6. Beperkingen en Toekomstig Werk

Afhankelijkheid van Graafkwaliteit: De determinisme van het systeem is conditioneel aan de correctheid en volledigheid van de onderliggende kennisgraaf-inname.
Fouten in Semantische Verankering: Hoewel onzekerheid wordt blootgelegd, blijft de initiële mapping van natuurlijke taal naar graafankers probabilistisch en kan deze falen bij ambiguïteiten.
Planningsfouten: De architectuur voorkomt niet dat agenten logisch ontoereikende plannen genereren (bijv. het verkeerde instrument bevragen), hoewel het deze fouten auditabel maakt.
Toekomstige Richtingen: De auteurs roepen op tot empirische benchmarking tegen standaard RAG, de ontwikkeling van "Text-to-Plan" leermodellen, en de constructie van datasets van goudstandaard voor temporele juridische redenering.

Concluderend stelt het artikel dat voor hoog-risico domeinen, ophalen een auditabel uitvoeringsproces moet zijn, geen black-box zoekopdracht. De SAT-Graph API biedt de noodzakelijke interface om dit te bereiken door probabilistische onzekerheid strikt te isoleren van deterministische redenering.