面对法律查询中常见的隐性、多议题及口语化难题，传统检索增强生成方法难以准确还原法规要素。LegalMALR框架通过创新的多智能体查询理解与LLM重排序机制，实现了对中文法规更深层次的适用性评估，为法律辅助系统提供了更精准的解决方案。
智能速览
法律查询常含隐性、多议题且口语化的表达，传统检索方法难以应对。
LegalMALR框架提出用多智能体系统从不同法律视角重述查询。
零样本LLM重排序器能进行深层法律推理，评估法规适用性。
该方法在自建数据集和公开基准上均进行了有效性验证。
精华内容
面对复杂多变的法律查询，传统检索方法往往力不从心。LegalMALR框架如何通过多智能体协作与大模型推理，实现检索精度的突破？
传统方法的局限
在法律实践中，用户提出的查询往往包含隐含的法律要素、多个关联议题以及口语化的表达方式。传统的检索增强生成（RAG）方法在面对这类复杂查询时显得力不从心。其内部的密集检索器过度关注字面形式的匹配，而轻量级的重排序器又缺乏进行复杂法律推理的能力，导致无法精准定位到真正适用的法条。
多智能体解构查询
为解决查询隐含性的核心挑战，LegalMALR框架引入了多智能体查询理解系统。该系统内的多个智能体各自扮演不同的法律角色，从各自独特的法律视角出发，对原始查询进行多样化的重述和解读。这一过程能够将模糊、口语化的查询分解为多个清晰、具体的法律问题，从而迭代式地扩大了相关法规的候选集合。
LLM深度推理排序
在通过多智能体系统获得候选法规集合后，LegalMALR框架并未采用传统的关键词匹配进行重排序。它利用一个零样本的大型语言模型（LLM）作为重排序器，使其能够基于自然语言进行深度的法律推理。LLM能够理解法规文本与查询重述之间的深层逻辑关系，从而对法规的适用性做出更精准的判断，输出最终的高质量排序结果。
实证检验与效果
为验证LegalMALR框架的有效性，研究团队在自建的CSAID数据集（包含118条中文疑难法律查询）和公开的STARD基准上进行了全面评估。实验结果显示，无论是在Recall@N等核心检索指标上，还是在处理复杂查询的准确性上，LegalMALR均显著优于传统的基线方法，证明了其在中文法规检索任务中的优越性。
LegalMALR框架通过融合多智能体系统的协作理解与大语言模型的深度推理，为解决中文法规检索的复杂性难题提供了新思路。它不仅提升了检索的精准度，更展现了AI在法律专业领域应用的巨大潜力，未来或将为更多专业信息检索场景带来变革。
