LegalEvolver：评分引导自进化，突破法律判决预测瓶颈

法律判决预测（LJP）要求AI代理进行多步推理并检索外部法律证据，但现有法律搜索代理的性能常受限于检索查询的质量。它们往往直接根据用户初始请求构造查询，忽略了潜在的法律问题和法律上显著的细节。针对这一问题，研究者提出了LegalEvolver——一个专门为面向LJP的检索生成法律信息丰富查询的查询优化框架。

查询质量：法律AI代理的隐藏瓶颈

在LLM代理逐步渗透法律领域的进程中，法律判决预测（LJP）被视为一项高价值但高难度的任务。它不仅需要模型理解案件事实，还要进行多步推理，并检索外部的法律条文、判例等证据。然而，现有法律搜索代理存在一个共性问题：检索查询的质量往往直接决定了最终预测的成败。

据原始论文分析，当前方法通常直接根据用户的初始请求构造查询，而忽略了潜在的法律问题和法律上显著的细节。例如，用户可能只描述了案件的基本事实，但法律推理需要关注诸如“主观故意”“因果关系”“时效性”等关键要素。如果查询没有覆盖这些方面，检索到的证据就会不完整，进而影响判决预测的准确性。

这一瓶颈的本质在于：查询生成被当作一个孤立的步骤，而非需要优化和迭代的环节。LegalEvolver的提出正是为了打破这种局限。

法律判决预测（LJP） 是自然语言处理与法律交叉领域的一项经典任务，通常被建模为根据案件事实描述预测法院判决结果（如罪名、法条、刑期等）。与通用问答不同，LJP具有高度的专业性和结构性：案件事实中往往混杂着生活化叙述与法律要件，模型需要识别出“主体、行为、主观状态、因果、损害”等法律构成要素，并匹配相应的法律规范。传统方法多采用基于规则或统计的分类模型，而近年来基于大语言模型的代理式方法开始引入外部检索，以弥补模型参数中法律知识的不足。理解LJP的任务定义，有助于把握为何检索查询的质量会成为整个流程的瓶颈。

LegalEvolver的三大核心机制

为了解决查询质量问题，LegalEvolver设计了一套结合启发式优化与强化学习的框架。其核心机制可概括为以下三点：

1. 启发式查询优化作为种子

直接采样高质量的优化查询及其对应的搜索轨迹非常困难。论文指出，仅依赖无引导的高温随机采样（high-temperature rollouts）不仅效率低下，还受限于模型的初始能力。LegalEvolver的做法是：先通过启发式方法对查询进行优化，将其作为种子（seeds），再基于这些种子生成搜索轨迹。这样显著提高了轨迹生成的效率，避免了在巨大搜索空间中盲目探索。

强化学习中的rollout（采样轨迹） 指模型在给定状态下执行一系列动作并收集奖励的过程。在LegalEvolver中，一次rollout对应“生成查询—执行检索—获得证据—形成预测”的完整交互序列。高质量rollout是强化学习训练的关键素材，但直接在巨大动作空间中随机采样往往得到大量低质量轨迹。启发式种子查询的作用类似于为搜索提供先验起点：先利用领域规则或模板把初始请求改写为更贴近法律要件的查询，再以此为起点展开采样。这种做法在强化学习中常被称为“热启动”或“引导式探索”，能显著降低采样方差、提升样本效率。

2. 评分规则（Rubrics）引导的多轮自进化

LegalEvolver将每次采样（rollout）的经验总结为评分规则（rubrics），并用这些规则指导多轮迭代的自进化过程。具体来说，模型会不断优化评分规则，并用优化后的规则引导强化学习（RL）。这种迭代机制使得模型能够超越其初始性能天花板（initial performance ceiling）。

评分规则（rubrics） 在本文语境中并非人工预先固定的评分表，而是模型从采样经验中总结出的、用于判断查询优劣的自然语言准则集合，例如“查询应明确指向争议法条”“应包含时间与管辖要素”等。将这些规则作为强化学习的奖励信号来源，属于一种“AI反馈”式的奖励建模思路，与RLHF中由人类偏好训练奖励模型不同，这里的规则由模型自身迭代生成和修订。多轮自进化则指每一轮用当前规则评估并筛选轨迹、更新策略，再根据新经验修订规则，形成规则与策略协同演化的闭环。这种机制使系统能够超越初始规则或初始模型能力设定的性能天花板。

3. 端到端性能验证

论文在广泛的基准测试上进行了端到端评估，结果证明了查询优化对LJP的有效性。与直接采用监督微调（SFT）后接强化学习的方法相比，评分规则引导的方法表现更优；而进化后的评分规则又进一步优于固定评分规则，证实了自进化带来的收益。

自进化与评分规则：为何有效？

从方法论角度看，LegalEvolver的创新点在于将“查询优化”从一次性动作转变为持续自我改进的循环。这背后有两个关键洞察：

• 法律领域的查询需要领域知识注入：法律问题往往隐含在事实描述中，模型需要主动挖掘潜在的法律争议点。评分规则本质上是对“什么样的查询是好的”这一知识的显式编码，通过迭代优化，模型逐渐内化这些知识。
• 自进化突破能力上限：传统SFT+RL流程依赖固定的人类标注数据或奖励函数，模型性能受限于初始数据质量。而LegalEvolver通过让模型自己总结评分规则并持续优化，形成了一种“自我提升”的闭环。论文中的对比实验证实，进化中的评分规则比固定规则更有效，说明模型确实在迭代中获得了新的能力。

对法律AI应用的启示

LegalEvolver虽是一个研究框架，但其思路对法律AI产品落地有直接参考价值。当前许多法律检索工具或判决预测系统仍停留在“用户输入即查询”的阶段，忽略了查询重构与优化的空间。LegalEvolver提示我们：

• 查询优化可以作为一个独立的、可学习的模块嵌入法律AI流程；
• 评分规则（rubrics）是一种轻量级的知识注入方式，比大规模人工标注更可持续；
• 自进化机制有助于模型适应法律领域的动态变化（如新法规、新判例），而无需频繁重新训练。

当然，论文也留下了开放问题：评分规则的质量如何保证？自进化过程是否会引入偏差？这些都需要后续研究进一步探索。

总结

LegalEvolver通过启发式种子查询、评分规则引导的迭代自进化，以及端到端的实验验证，为法律判决预测中的查询优化提供了一条新路径。其核心贡献在于揭示了查询质量对LJP性能的关键影响，并给出了一种可扩展的自我改进方案。对于关注AI代理在法律领域落地的研究者和开发者而言，这项工作值得深入阅读。