🔥 今日值得一读
LEGO双模块框架让8B小模型法律推理准确率冲到40.53%，超越RAG和CoT基线！
LEGO: Synergizing Expert GraphRAG and Expert Chain-of-Thought for Legal Reasoning
👨💼 主理人解读 · 为什么值得关注
做法律问答可参考LEGO，把法条规范关系建图并约束推理链，减少看似合理却无依据的答案。
📖 AI 总结
大型语言模型在法律等高风险领域的应用日益广泛，但复杂法律推理仍受制于两个结构性难题：现有RAG与GraphRAG方法偏重词汇或语义相似度，忽视法律条文间的规范性关系；而常规思维链提示虽能生成看似合理的推理，却无法保证符合法律推理的规范结构。针对这一瓶颈，作者提出LEGO双模块框架，将法律专家GraphRAG与专家思维链协同起来。其中ExpertGraphRAG基于专家标注的民法典图谱编码规范性关系，并采用贪心规范覆盖检索算法动态抽取与具体案情相关的条文子图；ExpertCoT则将检索到的条文与案件事实组织为“条文—事实—结论”的结构化推理。以Qwen3-8B为基座，LEGO在LawExamQA_Civil上取得40.53%的精确匹配准确率，优于所评估的RAG与CoT基线，与所评估的更大模型表现相当，并在多跳问题上保持稳健，同时在开放式基准上取得所评估基线中的最佳结果。消融实验证实两个模块各自及互补的贡献，表明LEGO有效提升了LLM的复杂法律推理能力。
🔑 关键词速览
| LEGO | 本文提出的双模块法律推理框架，协同法律专家GraphRAG与专家思维链。 |
| ExpertGraphRAG | 基于专家标注民法典图与贪心规范性覆盖检索的图检索增强生成模块。 |
| ExpertCoT | 将检索条文与案件事实组织为结构化“条文-事实-结论”推理的专家思维链模块。 |
| 规范性关系 | 法律条文之间在规范层面上的关联，如适用、例外、优先等关系。 |
| 贪心规范性覆盖检索 | 一种动态抽取实例特定条文子图的检索算法，以最大化规范性覆盖为目标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅