💬 NLP

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

LegalGraphRAG is een multi-agent framework dat betrouwbare juridische redenering verbetert door gebruik te maken van een hiërarchisch juridisch graf om heterogene kennis te beheren en een collaboratief agentsysteem (Researcher, Auditor, Adjudicator) om transparante, op bewijs gebaseerde oordelen te waarborgen, waarmee het state-of-the-art prestaties bereikt ten opzichte van bestaande GraphRAG-baselines.

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

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

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

Het Grote Probleem: Waarom Huidige AI Verdwaalt in het Recht

Stel je voor dat je een complex puzzel probeert op te lossen, maar de stukjes liggen verspreid in een enorme, rommelige stapel. Sommige stukjes zijn kleine details (zoals de kleur van een auto), sommige zijn de spelregels (zoals "raak de bal niet met je handen aan"), en sommige zijn de grote strategische lijnen (zoals "het kampioenschap winnen").

Huidige AI-tools (genaamd RAG of Retrieval-Augmented Generation) proberen juridische zaken op te lossen door door deze rommelige stapel te graven. Ze zoeken naar stukjes die erop lijken dat ze lijken op de vraag.

De Valstrik: Als je vraagt naar een specifiek misdrijf, pakt de AI misschien een stukje dat dezelfde woorden noemt, maar eigenlijk gaat over een totaal andere regel. Het is alsof je een puzzelstukje vindt met "Appel" erop en dat pakt omdat je vraag ging over "Appeltaart", terwijl dat stukje eigenlijk hoort bij een plaatje van een fruitsalade.
Het Risico: De AI maakt vervolgens een gok op basis van deze rommelige mix. Het kan door geluk het juiste antwoord krijgen, maar het kan niet uitleggen waarom, of het kan zelfverzekerd fout zijn. In een rechtszaal is "zelfverzekerd fout" gevaarlijk.

De Oplossing: LegalGraphRAG

De auteurs bouwden een nieuw systeem genaamd LegalGraphRAG. Denk aan dit systeem als een super-georganiseerde bibliotheek gecombineerd met een team van gespecialiseerde detectives die samenwerken om een zaak op te lossen.

1. De Bibliotheek: Een "Hiërarchische" Kaart

In plaats van een rommelige stapel, organiseert het systeem alle juridische kennis in een gestructureerde, drie-laags kaart (een "Hiërarchisch Graf"):

Laag 1: De Feiten (Het "Wat Er Gebeurd Is"): Deze laag slaat specifieke eerdere zaken op. Het is als een archiefkast met verhalen uit het echte leven.
Laag 2: De Regels (Het "De Wet"): Deze laag slaat de daadwerkelijke wetten en artikelen op. Het scheidt de abstracte regels van de rommelige details van het echte leven.
Laag 3: De Betekenis (Het "Essentie"): Deze laag groepeert vergelijkbare zaken samen op basis van hun geest, niet alleen hun woorden. Het is als een bibliothecaris die weet dat een zaak over "een auto stelen" conceptueel vergelijkbaar is met "een fiets stelen", zelfs als de woorden verschillend zijn.

Waarom dit belangrijk is: Wanneer je een vraag stelt, pakt het systeem niet zomaar het eerste ding dat erop lijkt. Het weet precies in welke laag het moet zoeken. Als je een regel nodig hebt, gaat het naar de Regel-laag. Als je een vergelijkbare eerdere zaak nodig hebt, gaat het naar de Feiten-laag. Dit voorkomt dat de AI in de war raakt door irrelevante informatie.

2. Het Team: Drie Gespecialiseerde Detectives

Zodra het systeem potentieel bewijs vindt, laat het de AI niet zomaar gokken. In plaats daarvan gebruikt het een Multi-Agent Systeem—een team van drie AI-"agenten" die fungeren als een menselijk juridisch team:

Agent 1: De Onderzoeker (De Verzamelaar)
- Taak: Deze agent rent door de bibliotheek op zoek naar alles dat relevant zou kunnen zijn. Het gooit een breed net, verzamelt feiten, regels en vergelijkbare eerdere zaken.
- Analogie: Stel je een detective voor die elke mogelijke aanwijzing verzamelt, zelfs die die een beetje raar lijken, gewoon om op zeker te spelen.
Agent 2: De Auditor (De Scepticus)
- Taak: Deze agent is de strenge criticus. Het neemt elke aanwijzing die de Onderzoeker vond en controleert deze tegen de oorspronkelijke wet. Het vraagt: "Geldt deze regel echt voor deze specifieke situatie?"
- Analogie: Stel je een feitencontroleur voor die elke aanwijzing weggooit die niet perfect past. Als een wet zegt "Staatmedewerkers" en de persoon is een "privékok", zegt de Auditor: "Nee, deze wet geldt niet," en gooit die aanwijzing in de prullenbak. Dit voorkomt dat de AI de verkeerde regels gebruikt.
Agent 3: De Adjudicator (De Rechter)
- Taak: Deze agent neemt de geverifieerde aanwijzingen (diegene die de Auditor heeft goedgekeurd) en schrijft het definitieve vonnis.
- Analogie: Dit is de rechter die het definitieve oordeel schrijft. Omdat ze alleen de aanwijzingen gebruikten die de Auditor goedkeurde, is hun beslissing stevig, transparant en onderbouwd met bewijs.

Hoe Het in de Praktijk Werkt

Stel je voor dat een man genaamd Zhang wordt beschuldigd van het stelen van geld uit het fonds van de kantine van zijn werkgever.

De Onderzoeker vindt een wet over "Corruptie" en een wet over "Bedrijfsverduistering", plus een vergelijkbare zaak waarbij een staatsambtenaar geld stal.
De Auditor kijkt nauwkeurig. Het ziet dat de wet over "Corruptie" alleen van toepassing is op staatsambtenaren. Aangezien Zhang een privékok is, zegt de Auditor: "Verwerp deze wet." Het controleert ook de wet op "Bedrijfsverduistering" en bevestigt dat deze past.
De Adjudicator gebruikt alleen de wet op "Bedrijfsverduistering" en de geverifieerde feiten om Zhang schuldig te verklaren aan Bedrijfsverduistering.

De Resultaten

Het artikel testte dit systeem op echte juridische datasets (duizenden Chinese rechtszaken).

Betere Nauwkeurigheid: Het kreeg vaker het juiste antwoord dan andere AI-systemen.
Betrouwbaar: In tegenstelling tot andere systemen die misschien het juiste antwoord krijgen om de verkeerde redenen (een "gelukkige gok"), biedt LegalGraphRAG altijd een duidelijke bewijsketen die precies laat zien welke wet en welke eerdere zaak leidden tot de beslissing.
Robuustheid: Zelfs toen het systeem werd gevoerd met "afleidende" documenten (nep- of irrelevante wetten die erop leken), slaagde de Auditor-agent erin deze eruit te filteren, terwijl andere systemen in de war raakten.

Samenvatting

LegalGraphRAG is als een upgrade van een student die een tekstboek uit het hoofd leert en gokt op een toets, naar een advocatenkantoor met een perfect archiefsysteem en een team advocaten dat elk enkel feit dubbelcheckt voordat een beslissing wordt genomen. Het zorgt ervoor dat juridische redenering niet zomaar een "black box"-gok is, maar een transparant, op bewijs gebaseerd proces.

Technische Samenvatting: LegalGraphRAG

1. Probleemstelling

De toepassing van Retrieval-Augmented Generation (RAG) en GraphRAG op het juridische domein staat voor twee kritieke uitdagingen die betrouwbare juridische redenering belemmeren:

Heterogeniteit en Multi-Granulariteit van Juridische Kennis: Juridische corpora bestaan uit diverse bronnen, waaronder historische zaken, abstracte wetsartikelen en rechterlijke interpretaties. Deze bronnen opereren op verschillende niveaus van abstractie (feitelijke details versus toegepaste regels versus abstracte principes). Traditionele vlakke graafstructuren of standaard RAG-systemen slagen er niet in deze granulariteiten te onderscheiden, waardoor vaak irrelevante feitelijke details worden opgehaald wanneer abstracte principes nodig zijn, of omgekeerd. Dit leidt tot een "semantische gelijkenisval" waarbij oppervlakkige trefwoordmatches logische relevantie overrulen.
Gebrek aan Verifieerbare, Op Bewijs Gebaseerde Redenering: Standaard RAG-pijplijnen geven opgehaalde context direct door aan een Groot Taalmodel (LLM) voor generatie zonder verificatie. In hoog-risicodomeinen zoals het recht, resulteert deze "ophalen-en-genereren"-aanpak in ondoorzichtige redenering en "niet-onderbouwde correctheid", waarbij een model mogelijk de juiste strafrechtelijke kwalificatie voorspelt maar faalt in het ophalen van de specifieke wetsartikelen of bewijsstukken die nodig zijn om deze te rechtvaardigen. Dit gebrek aan transparantie en verificatie maakt het systeem vatbaar voor hallucinaties en onbetrouwbaar voor rechterlijke beslissingen.

2. Methodologie: LegalGraphRAG

De auteurs stellen LegalGraphRAG voor, een raamwerk ontworpen om deze uitdagingen aan te pakken via twee kerncomponenten: een Hiërarchische Juridische Graaf (HierarGraph) en een Multi-Agent Op Bewijs Gebaseerd Redeneersysteem.

2.1 Hiërarchische Juridische Graaf (HierarGraph)

In plaats van een vlakke kennisgraaf, organiseert LegalGraphRAG juridische kennis in drie distincte semantische lagen om heterogene informatie te ontkoppelen:

Feitgraaf ( $G_{fac}$ ): Een gestructureerde verzameling van geverifieerde juridische precedenten. Deze koppelt expliciet Zaken ( $C$ ), Artikelen ( $A$ ) en Overtredingen ( $O$ ). Kanten vertegenwoordigen citatie-relaties ( $C \to A$ ) en veroordelingsuitkomsten ( $C \to O$ ), en bieden de feitelijke granulariteit die noodzakelijk is voor bewijsverzameling.
Ontologiegraaf ( $G_{ont}$ ): Overbrugt de semantische kloof door zaakkenmerken te abstraheren. Deze mappt ongestructureerde verhalen af op een gezuiverde semantische ruimte gebaseerd op vier dimensies: Kenmerken van de Verdachte, Crimineel Gedrag, Kenmerken van het Slachtoffer en Subjectieve Mentale Toestanden. Met behulp van $k$ -Nearest Neighbors ( $k$ -NN) en het Leiden-algoritme worden gerelateerde zaken gegroepeerd in Community-knooppunten ( $K$ ), wat hiërarchische ophaling mogelijk maakt van brede contexten tot specifieke details.
Regelgraaf ( $G_{rul}$ ): Lost wettelijke ambiguïteiten op door Artikelen ( $A$ ) te koppelen aan Rechterlijke Interpretaties ( $J$ ). Cruciaal is dat elk artikelknooppunt is uitgerust met een Diagnostische Checklist ( $D$ ), die complexe juridische regels opsplitst in specifieke verificatiestappen (bijvoorbeeld controleren of een verdachte een "staatsfunctionaris" is). Dit maakt nauwkeurige logische verificatie mogelijk in plaats van eenvoudige semantische matching.

2.2 Multi-Agent Op Bewijs Gebaseerde Redenering

Het raamwerk maakt gebruik van een transparante pijplijn met drie gespecialiseerde agenten die sequentieel door de HierarGraph navigeren:

Onderzoeker (Bewijsophaling): Verankert de ruwe zaakvraag in relevante juridische bewijsstukken door drie parallelle ophaalstrategieën uit te voeren:
- Semantische Match-ophaling: Zoekt direct bewijs via met de ontologie uitgelijnde embeddings.
- Community-uitbreidingsophaling: Haalt zaken op binnen thematische communities die door de vraag zijn geïdentificeerd.
- Kwalificatie-geankerde ophaling: Verankert de juridische basis door zaken te verzamelen die zijn gekoppeld aan afgeleide strafrechtelijke kwalificaties.
Auditor (Bewijsvalidatie): Verifieert de toepasbaarheid van opgehaalde artikelen grondig. Deze maakt gebruik van de Diagnostische Checklists en Rechterlijke Interpretaties uit de Regelgraaf om te evalueren of de zaakfeiten voldoen aan specifieke juridische voorwaarden. Niet-toepasbare artikelen en hun bijbehorende knooppunten worden verwijderd, zodat alleen geldig bewijs doorgaat.
Rechter (Bewijssynthese): Synthetiseert de geverifieerde subgraaf (bevestigde artikelen, zaken en overtredingen) om een eindvonnis te vellen. De output bevat expliciete citaten van de gebruikte wetsartikelen en rechterlijke interpretaties, zodat elke conclusie traceerbaar is naar geverifieerd bewijs.

3. Belangrijkste Bijdragen

Raamwerkpresentatie: De introductie van LegalGraphRAG, een op bewijs gebaseerd juridisch redeneerraamwerk dat een hiërarchische kennisgraaf integreert met een multi-agent systeem om juridische heterogeniteit te hanteren en de betrouwbaarheid van redenering te waarborgen.
Hiërarchisch Graafontwerp: Het ontwerp van een drie-laags juridische kennisgraaf (Ontologie-, Feit- en Regellaag) die multi-granulaire juridische kennis modelleert, waardoor historische zaken, wetten en interpretaties effectief worden ontkoppeld om nauwkeurige ophaling te ondersteunen.
Multi-Agent Verificatiepijplijn: De vestiging van een transparante redeneringspijplijn (Onderzoeker-Auditor-Rechter) die stapsgewijze verificatie afdwingt en vonnissen grondt in verifieerbare bewijsketens in plaats van ondoorzichtige generatie.
Empirische Validatie: Uitgebreide experimenten tonen aan dat LegalGraphRAG state-of-the-art prestaties behaalt op juridische vonnisbepalingsbenchmarks, en bestaande GraphRAG-baselines en gespecialiseerde juridische LLM's overtreft in zowel nauwkeurigheid als betrouwbaarheid.

4. Experimentele Resultaten

Het raamwerk werd geëvalueerd op twee grootschalige Chinese juridische benchmarks: CAIL2018 en CMDL.

Genereernauwkeurigheid: LegalGraphRAG presteerde consequent beter dan baselines, waaronder Open-Source-modellen (Qwen, InternLM, GLM), Geavanceerde modellen (GPT-4o-mini, DeepSeek-V3.1) en gespecialiseerde juridische methoden (DISC-LawLLM, ADAPT). Het boekte aanzienlijke verbeteringen (bijvoorbeeld tot 19,1% boven sterke baselines) in de nauwkeurigheid van de voorspelling van strafrechtelijke kwalificaties.
Ophaaleffectiviteit: De hiërarchische structuur verbeterde de ophaalprestaties aanzienlijk (met 25,3% in voorlopige studies) in vergelijking met vlakke strategieën, waardoor effectief het ophalen van irrelevante feitelijke details werd verminderd.
Betrouwbaarheid en Traceerbaarheid: Een cruciale bevinding was de reductie van "Niet-traceerbaar Correcte" voorspellingen. Waar baselines vaak de juiste kwalificatie voorspelden zonder de nodige ondersteunende artikelen op te halen, verhoogde LegalGraphRAG significant het aandeel "Traceerbaar Correcte" steekproeven, zodat elk vonnis wordt ondersteund door opgehaald bewijs.
Ablatiestudies: Het verwijderen van de hiërarchische graaf veroorzaakte de scherpste prestatiedaling (7,2%), wat de noodzaak ervan bevestigt. Evenzo degradeerde het verwijderen van de Auditor-agent de nauwkeurigheid met 3,4%, wat het belang van de verificatiestap valideert.
Efficiëntie-afweging: Hoewel de online inferentiefase vanwege de multi-stap verificatie hogere latentie en tokenkosten met zich meebrengt dan eenvoudigere RAG-methoden, waren de offline indexeringstijd en tokenconsumptie lager dan sommige complexe GraphRAG-baselines (bijvoorbeeld RAPTOR, HippoRAG2).

5. Betekenis en Claims

Het artikel stelt dat LegalGraphRAG een nieuwe state-of-the-art vestigt voor betrouwbare en vertrouwenswaardige AI in juridische analyse. De primaire betekenis ligt in de transformatie van het juridische redeneerproces van een "black-box" generatietaken naar een transparante, op bewijs gebaseerde pijplijn. Door strikte verificatie af te dwingen en heterogene kennis te structureren, adresseert het raamwerk de kritieke behoefte aan verklaarbaarheid en betrouwbaarheid in hoog-risicodomeinen.

De auteurs positioneren het werk niet als een vervanging voor menselijke rechters, maar als een assistent hulpmiddel dat de logische redeneer- en ophaalcapaciteiten van juridische professionals versterkt. Zij erkennen huidige beperkingen, specifiek de beperking tot unimodale tekstuele invoer, en identificeren de uitbreiding naar multimodale knooppunten (bijvoorbeeld visueel bewijs) als een veelbelovende richting voor toekomstig onderzoek om een holistisch "Smart Court"-systeem te realiseren.