跳转至

LegalWorld: A Life-Cycle Interactive Environment for Legal Agents

会议: EMNLP 2026
论文: ACL Anthology
代码: https://chidaic.github.io/Legal-world/
领域: LLM 智能体
关键词: 法律智能体、全生命周期仿真、交互环境、跨阶段状态传递、民事诉讼

一句话总结

基于 7.5 万对中国民事一二审真实裁判文书,构建覆盖法律咨询、文书起草、一审庭审、上诉与二审庭审的五阶段全生命周期仿真环境 LEGALWORLD 与能力基准 LongJud-Bench,揭示法律大模型跨阶段因果累积与法庭辩论瓶颈。

研究背景与动机

近年来,大语言模型在法律领域的应用取得了长足进展,涵盖法律专有模型预训练、司法考试与裁判预测基准、以及法庭对抗模拟系统等。然而,现有的法律智能体评测与仿真基准绝大多数仍局限于孤立的单一任务或单阶段场景。例如,传统基准仅在固定输入文本上评测法条检索、实体抽取或单一文书生成;而现存的少数多智能体法庭对抗模拟器,要么仅模拟对抗性法庭辩论的局部切片,要么在进入不同环节时直接从预设的全局真值(Ground Truth)重新初始化环境,割裂了诉讼过程内在的阶段继承关系。

真实民事诉讼本质上是一个长周期的因果链条体系:当事人在第一天向律师咨询陈述的事实与出示的初步线索,直接约束了起诉状的诉讼请求与事实理由构建;起诉状与答辩状确立的争点范围和证据清单,又作为一审庭审调查与辩论的物理边界;一审裁判认定的事实与判决主文,进一步形塑了二审上诉的请求理由与审理范围。早期咨询或文书起草中的事实遗漏、请求不当或证据瑕疵,会不可逆地向下游庭审渗透并放大,最终左右裁判结果。如果评测环境无法捕捉这种跨阶段的状态演进与误差级联传递,就根本无法检验智能体是否具备真正的程序性法律执业能力。

此外,现有模拟系统在主体建模与支撑机制上面临双重断裂:一方面,当事人、律师与法官具有异质的认知边界和诉求立场,普通当事人受限于法律素养与情绪波动往往提供碎片化甚至片面的事实,而现有仿真多采用通用的泛化人格或全知视角;另一方面,长期复杂的诉讼博弈缺乏规整的工具调用与记忆管理基础设施,导致长程交互中事实漂移与幻觉频发。核心 idea:将民事诉讼形式化为贯穿咨询、一审文书、一审庭审、二审文书、二审庭审的五阶段七子场景因果状态链,通过当事人四维人设、角色非对称可见性矩阵、双层记忆系统与规范化 Skill/Tool 库,构建高保真全生命周期交互环境 LEGALWORLD,并在真实一二审裁判数据驱动下建立全流程能力基准 LongJud-Bench。

方法详解

整体框架

LEGALWORLD 将同一纠纷案件从真实的裁判文书对中抽取出结构化种子,并形式化为跨越五个连续阶段、七个具体子场景的马尔可夫式因果状态转移序列 \(S^{(0)}_c \xrightarrow{\text{LC}} S^{(1)}_c \xrightarrow{\text{CD/DD}} S^{(2)}_c \xrightarrow{\text{FIT}} S^{(3)}_c \xrightarrow{\text{AD/AR}} S^{(4)}_c \xrightarrow{\text{SIT}} S^{(5)}_c\)。系统包含三类异质智能体:当事人(原告/被告)、律师(原告代理律师/被告代理律师,其中一位作为被评估的目标智能体 \(a^*\),另一位提供对抗交互)以及阶段绑定的审判长(一审法官/二审法官)。

每个阶段的状态 \(S^{(t)}_c = \langle D_c, R^{(t)}_c, O^{(\le t)}_c, H^{(\le t)}_c, M^{(t)}_c \rangle\) 封装了案例种子、当前角色映射、累积产出的法律文书与判决制品、完整交互轨迹以及记忆句柄。环境通过角色专属的接口 \(I^{(t)}_{a,c} = \langle V^{(t)}_{a,c}, \Phi^{(t)}_a, \Sigma^{(t)}_a, U^{(t)}_a \rangle\) 为每个智能体提供严格隔离的局部可见状态、阶段程序模板、技能/工具入口以及允许的合法动作集,杜绝全知视角泄漏。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["75,309对真实一二审裁判数据<br/>结构化案件种子与角色映射分配"] --> B["全生命周期因果状态链<br/>咨询→一审文书/庭审→上诉分流→二审文书/庭审"]
    B --> C["领域当事人人设框架与非对称角色接口<br/>四维LCPF人设体系与严格权限/可见性矩阵隔离"]
    C --> D["双层记忆与规整工具/技能系统<br/>场景局部对话缓存+全局案例结构化账本+规范工具库"]
    D --> E["LongJud-Bench基准与下游评测<br/>八大核心法律执业能力多维解构与反思经验学习"]

关键设计

1. 全生命周期因果状态链:单任务孤立评测 -> 五阶段七子场景序贯传递 -> 真实呈现跨阶段误差累积与因果依赖
针对传统基准仅评测孤立切片、无法反映前序行为对后序程序长程约束的痛点,LEGALWORLD 将民事诉讼全程拆解为五个具有强因果依赖的阶段:法律咨询(LC)、第一审诉讼文书起草(CD/DD)、第一审庭审(FIT)、第二审诉讼文书起草(AD/AR)以及第二审庭审(SIT)。在阶段流转中,后一阶段绝不从初始真值重置,而是完全消费前一阶段实际生成的中间制品与交互记录——起诉状中的诉讼请求与举证决定了一审法庭调查的范围;一审庭审辩论产出的一审判决书构成了上诉状反驳的核心靶子;而一审遗漏的证据和主张会导致二审陷入举证不能。环境通过上诉触发转换(AD-Det)读取案件真实上诉指引,自动将原审原被告重映射为上诉人与被上诉人,驱动二审专属的抗辩与裁决。这种设计使智能体在早期做出的任何策略失误都会在后续法庭对抗中产生级联反应。

2. 领域当事人人设框架与非对称角色接口:通用性格失真且权限混杂 -> 四维法律人设与阶段绑定可见性矩阵 -> 还原多方认知差与程序博弈
针对通用大模型多智能体仿真中角色性格泛化、法学专业性不匹配以及跨主体信息混淆的痛点,本文提出了专门面向法律纠纷场景的法律当事人人设框架(LCPF)。该框架提炼出四个正交维度:法律素养水平(Legal Literacy,决定当事人是否混淆日常抱怨与诉讼请求)、信息披露意愿(Information Disclosure Willingness,决定是否隐瞒不利事实直至被律师追问)、情绪稳定性(Emotional Stability,决定面对诉讼压力时是否激动离题)以及叙事组织能力(Narrative Proficiency,决定事实叙述是按清晰时间线还是颠倒碎片化),每个维度划分为 High、Medium、Low 三档并按真实分布初始化。同时,系统建立了严格的非对称可见性状态矩阵 \(V^{(t)}_{a,c}\):当事人无法窥视对方的私有陈述与证据线索,法官在庭审调查前无法获悉当事人的私下底线与诉求妥协区间,律师仅能通过多轮发问来“挤压”当事人披露有效事实,从而逼真模拟真实委托代理与庭审博弈中的信息不对称。

3. 双层记忆与规整工具/技能系统:长程交互易幻觉漂移 -> 场景局部对话与跨阶段结构化账本分流协同 -> 保障案件事实与程序动作跨期自洽
在横跨五阶段的长程交互中,智能体极易发生灾难性遗忘与案件事实幻觉。LEGALWORLD 设计了双层记忆架构:场景局部记忆 \(L^{(t)}_{a,c}\) 仅保存当前子场景内的连续对话历史,负责维持多轮轮次连贯;而全局案例记忆 \(G^{(t)}_{a,c}\) 则是持久化的结构化账本,由记忆维护智能体(当事人与律师)在阶段结束时通过受限操作工具进行更新。该账本严格细分为事实主线、证据清单(证据来源、证明目的、质证状态)、争议焦点、法律关系分析、客户沟通画像以及确认的诉讼底线。状态更新函数 \(f_{\text{mem}}\) 仅支持显式的 revise(修正既有字段)与 expand(追加新事实)两种操作,禁止任意自由文本覆写。同时,环境为律师和法官配套了模块化的 Skill 与 Tool 库:Skill 作为规范操作手册(如起诉状起草指引、记忆维护规范)提供结构约束,Tool 提供具体的执行能力(法条检索、类案检索、文书结构化校验、规范格式导出等),确保程序操作符合法定格式。

交互机制与评估准则

庭审阶段(FIT 与 SIT)依托审判长主控的状态转移循环运行。如算法 1 所定义,审判长智能体在每一轮根据前序案卷提取的争议焦点集 \(Q\) 与既往发言记录,自主决定下一发言主体与调查/辩论议题,严格依照法定程序推进法庭调查、举证质证、法庭辩论及最后陈述;法官可在任一阶段询问调解意向,若双方达成一致则生成调解笔录并终止诉讼,否则最终独立生成结构化民事判决书。

基于该交互环境,LongJud-Bench 建立了针对目标律师智能体 \(a^*\) 的八大法律执业能力综合评价体系,涵盖诉讼全生命周期的三个阶段: 1. 法律咨询阶段:争议焦点捕捉(Issue Spotting),基于当事人多轮非结构化陈述,评估律师对法律关系定性、适用规则、法律风险和行动建议的精准度; 2. 文书起草阶段:当事人身份识别(Party Identification,精确匹配)、诉讼请求构建(Claim Construction)、事实梳理与归纳(Fact Marshalling)以及证据组织与列举(Evidence Marshalling); 3. 法庭辩论与辩护阶段:主张立场一致性(Position Consistency,衡量法庭陈述与已提交诉状的连贯度)、举证质证辩护(Evidentiary Advocacy)以及法律说理充分性(Legal Reasoning)。

各项能力由规则精确匹配与基于 Claude-Sonnet-4.6 的 LLM-as-Judge 结合打分,所有原始分值归一化至 \([0, 1]\)。其中文书起草与法庭辩论分别在一审与二审独立采样计分,精确解构出模型在诉讼推进过程中的能力消长。

实验关键数据

主实验:多模型法律能力全景剖析

实验在覆盖前 20 大高频案由的因果平衡子集 Light(100 案)上进行全生命周期模拟,单一案件平均消耗约 50 万 token。非目标角色统一采用 Qwen3.5-Plus 充当环境底座。下表展示了六大主流大语言模型在 LongJud-Bench 评测中的八项能力得分(除咨询外,各单元均汇报“一审得分 / 二审得分”):

模型 (Lawyer Backbone) 咨询: 争点捕捉 文书: 当事人识别 文书: 诉求构建 文书: 事实梳理 文书: 证据组织 庭审: 立场一致性 庭审: 证据辩护 庭审: 法律说理
Kimi-K2.5 0.67 0.80 / 0.85 0.69 / 0.71 0.68 / 0.74 0.74 / 0.52 0.63 / 0.65 0.55 / 0.59 0.56 / 0.58
Qwen3.5-Plus 0.62 0.71 / 0.85 0.72 / 0.72 0.66 / 0.70 0.69 / 0.70 0.62 / 0.64 0.53 / 0.54 0.53 / 0.58
GPT-5.2 0.63 0.53 / 0.83 0.60 / 0.70 0.60 / 0.68 0.71 / 0.63 0.62 / 0.64 0.61 / 0.55 0.57 / 0.57
DeepSeek-V4-Flash 0.62 0.64 / 0.83 0.65 / 0.65 0.67 / 0.69 0.69 / 0.57 0.60 / 0.63 0.52 / 0.54 0.52 / 0.57
GLM-4.7 0.54 0.56 / 0.82 0.66 / 0.66 0.67 / 0.70 0.72 / 0.71 0.61 / 0.61 0.53 / 0.52 0.48 / 0.51
Qwen3.5-Flash 0.56 0.46 / 0.82 0.56 / 0.69 0.62 / 0.72 0.50 / 0.53 0.53 / 0.55 0.46 / 0.41 0.45 / 0.45

跨阶段因果依赖检验与误差传播

为了验证环境是否具备真实的跨阶段因果传递性,作者在前序起诉状/答辩状生成阶段设计了干预实验:高质量干预将文书对齐参考答案,低质量干预则蓄意删除或反转关键诉求与证据,随后重新执行下游一审与二审庭审。

干预条件 下游目标阶段 基线得分 (Base) 干预后得分 (Intervention) 诱导变化幅度 (\(\Delta\))
高质量文书干预 FIT (一审庭审) 54.70 62.73 +8.03
高质量文书干预 SIT (二审庭审) 56.83 66.83 +10.00
低质量文书干预 FIT (一审庭审) 55.14 28.19 -26.94
低质量文书干预 SIT (二审庭审) 57.78 29.72 -28.06

自然生成的上游文书缺陷同样显著恶化下游庭审表现:在一审文书出现实质错误时,下游一审庭审得分从 57.2 骤降至 53.2(-4.0);二审上诉文书出错时,二审庭审得分从 59.6 暴跌至 51.1(-8.5),汇总统计平均显著下滑 -5.9 分(95% CI [-9.7, -2.5])。这充分证实了 LEGALWORLD 的跨阶段因果连续性。

轨迹反思经验学习(RLS)探索

将长周期模拟生成的交互轨迹、文书、记忆变更与裁判结果作为反思语境,提炼出可复用的反思法律技能(RLS),在三大高频民事案由上测试其对律师代理水平的提升效果(百分制):

案由 (Cause of Action) 基础代理得分 (Base) 引入RLS后得分 总体增益 (\(\Delta\)) 反思同案增益 留出测试案增益
离婚后财产纠纷 60.08 63.76 +3.69 +3.81 +3.29
民间借贷纠纷 58.56 61.84 +3.28 +3.63 +2.32
劳动合同争议 66.25 70.47 +4.22 +5.24 +1.42
平均 (Average) 61.56 65.29 +3.73 +4.20 +2.34

关键发现

  1. 单一总分掩盖严重分化,没有模型全流程领先:Kimi-K2.5 在咨询与文书格式上占据优势,且庭审立场一致性最高;GPT-5.2 虽然在格式性槽位抽取(一审当事人识别仅 0.53)上较弱,但在最关键的一审证据辩护(0.61)与法律说理(0.57)上位列榜首;Qwen3.5-Plus 则在诉求构建上最为稳健(0.72 / 0.72)。
  2. 法庭口头对抗是当前大模型智能体的最大短板:各模型在文书起草阶段多项能力得分普遍在 0.65–0.85 之间,但在法庭调查与辩论中的证据辩护与法律说理仅在 0.45–0.60 徘徊。在多轮动态交锋中实时统筹案件事实、反驳对方漏洞并响应审判长发问,构成了当前法律智能体的核心技术前沿。
  3. 格式化技能容易趋同饱和,深层推理持续分化:二审阶段由于有一审判决书作为支撑,当事人识别能力在所有模型上饱和在 0.82–0.85 之间;相比之下,证据辩护与法律说理在二审面临“甄别与提炼新证据”的更高要求,模型间差距被进一步拉大。
  4. 人类专家评测验证高保真度:来自 217 位法学背景评估员的 18,992 项打分显示,LEGALWORLD 流程真实性得分达 8.96/10,角色一致性达 8.98/10,与 LLM 评分的线性加权 Gwet's AC2 达到 0.754 和 0.772,充分证明了仿真环境的可靠性。

亮点与洞察

  • 真正打通民事诉讼全生命周期的因果链条:跳出以往只评测“法条推荐”或“单轮法庭辩论”的玩具式设定,将前序文书与事实作为不可撤销的法律约束向后传递,真实再现了实体法与程序法的长程耦合。
  • 专为法律交互设计的四维当事人人设(LCPF):不再套用通用的外向/内向心理学标签,而是以法律素养、披露意愿、情绪稳定性和叙事能力四大维度精准刻画当事人,使得“逼真问询与事实挤压”成为可能。
  • 探索了从全周期仿真轨迹中提炼自我进化技能的可行性:RLS 实验证明长程诉讼轨迹中蕴含着丰富的执业博弈智慧,模型通过对胜负轨迹的事后复盘能提炼出对同类案件具备泛化能力的专业反思技能。

局限与展望

  • 受限于中国民事二审终审诉讼体制:当前环境的数据源与程序框架全部基于中国民事诉讼,暂未覆盖刑事诉讼、行政诉讼、破产清算以及执行与再审程序。
  • 程序分支尚未覆盖罕见阻断事件:目前流程聚焦于诉讼主线,尚未建模管辖权异议、财产保全申请、反诉合并审理、司法鉴定以及证人出庭等分支事件。
  • 评测仍依赖自动法官与参考文书比对:虽然经过大规模法学人类验证,但在真正复杂的长尾个案中,自动评测仍难以完全衡量高水平诉讼技巧带来的庭审扭转效果。

相关工作与启发

  • vs AgentCourt / AgentsCourt (EMNLP 2024 / ACL 2025):后者仅聚焦于第一审法庭辩论这一狭窄切片,缺少前序咨询、立案起诉与二审上诉的因果闭环;本文将诉讼还原为五阶段长周期因果链。
  • vs Ready Jurist One (2026):后者虽涉足多场景,但在每个场景开始时均依赖全局 Ground Truth 重新初始化输入;LEGALWORLD 则以状态机与中间制品传递保证“前错后受累”的真实因果链。
  • vs LawBench / CAIL / LexEval:传统静态基准测试大模型的法条背诵与短文本分类;LEGALWORLD 则检验大模型在动态多轮、多角色博弈与长程状态演进中的具身执业能力。

评分

  • 新颖性: ⭐⭐⭐⭐⭐ [首次完整构建覆盖咨询到二审的民事诉讼全生命周期因果交互环境,提出 LCPF 人设与双层记忆架构]
  • 实验充分度: ⭐⭐⭐⭐⭐ [基于 7.5 万案件数据,涵盖 6 大模型横向评测、因果干预消融、反思经验学习及 217 位专业人士的大规模人类评估]
  • 写作质量: ⭐⭐⭐⭐⭐ [概念定义极其清晰,形式化规范严整,提示词与附录细节极其丰富扎实]
  • 价值: ⭐⭐⭐⭐⭐ [为法律领域智能体的复杂长程任务评测与闭环进化树立了全新的标杆与基础设施]