LegalCheck: Retrieval- and Context-Augmented Generation for Drafting Municipal Legal Advice Letters

📄 arXiv: 2605.12012v1 📥 PDF

作者: Virgill van der Meer, Julien Rossi

分类: cs.AI

发布日期: 2026-05-12

备注: Accepted at ICAIL 2026 as Short Paper

💡 一句话要点

LegalCheck：结合检索与上下文增强生成，辅助起草市政法律咨询函

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 法律咨询 检索增强生成 上下文增强生成 大型语言模型 自动化 法律知识库 公共服务 法律人工智能

📋 核心要点

  1. 荷兰公共部门法律部门面临人手不足、案件量大和合规压力等挑战，亟需自动化解决方案。
  2. LegalCheck结合检索增强生成（RAG）和上下文增强生成（CAG），利用LLM和法律知识库自动生成法律咨询函草稿。
  3. 在阿姆斯特丹市的实际部署中，LegalCheck显著提升了效率，并保持了法律一致性和准确性，用户接受度高。

📝 摘要（中文）

荷兰公共部门法律部门面临人员短缺、案件量增加以及监管合规压力增大的问题。本文提出了LegalCheck，一种新颖的系统，通过结合检索增强生成（RAG）和上下文增强生成（CAG）来自动起草异议回复函，从而应对这些挑战。LegalCheck使用大型语言模型（LLM）以及精心策划的法律知识库，执行相关法律和判例的检索，并使用受控提示将外部知识和特定案件细节整合到连贯的草案中。专家参与的审查确保生成的每封信件在法律上合理且在上下文中适当。在阿姆斯特丹市的实际部署中，LegalCheck在几分钟内生成了接近最终版本的咨询函，而不是几个小时，同时保持了高度的法律一致性和事实准确性。输出基于实际法规和先前案例，提供了可解释的输出，涵盖了绝大多数所需的法律推理（通常为80％至100％的基本内容）。法律专业人士发现该系统减轻了他们的工作量，并确保了法律标准的一致应用，而没有取代人为判断。这些结果表明效率显着提高，法律一致性得到改善，并且用户接受度良好。更广泛地说，这项工作说明了如何通过使用领域知识和治理机制增强LLM，从而在法律领域部署负责任的AI。

🔬 方法详解

问题定义：论文旨在解决荷兰市政法律部门面临的人员短缺、案件量增加以及监管合规压力增大的问题。现有方法依赖人工起草法律咨询函，效率低下且容易出错，难以保证法律标准的一致性。

核心思路：论文的核心思路是利用检索增强生成（RAG）和上下文增强生成（CAG）技术，结合大型语言模型（LLM）和法律知识库，自动生成法律咨询函草稿。通过检索相关法律法规和判例，并结合案件的具体上下文信息，生成既符合法律规定又具有针对性的回复函。

技术框架：LegalCheck系统的整体架构包含以下主要模块：1) 法律知识库：包含荷兰相关法律法规和判例；2) 检索模块：根据案件描述检索相关的法律法规和判例；3) 上下文增强模块：将检索到的法律知识和案件具体信息进行整合；4) 生成模块：利用LLM生成法律咨询函草稿；5) 专家审核模块：由法律专家对生成的草稿进行审核和修改。

关键创新：LegalCheck的关键创新在于结合了RAG和CAG技术，并针对法律领域的特点进行了优化。通过检索相关法律知识，并结合案件上下文信息，使得生成的法律咨询函更加准确、可靠和具有针对性。此外，专家审核机制保证了生成结果的法律合规性。

关键设计：论文中没有详细描述具体的参数设置、损失函数或网络结构等技术细节。但提到使用了受控提示（controlled prompting）来指导LLM生成过程，并确保生成的文本符合法律规范和逻辑。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

LegalCheck在阿姆斯特丹市的实际部署中，将法律咨询函的起草时间从数小时缩短到几分钟，显著提高了效率。生成的咨询函涵盖了80%到100%的必要法律推理，并保持了高度的法律一致性和事实准确性。法律专业人士对该系统的用户接受度高，认为其减轻了工作量并确保了法律标准的一致应用。

🎯 应用场景

LegalCheck可应用于其他法律领域的文书自动生成，例如合同起草、法律意见书撰写等。该研究的实际价值在于提高法律工作者的工作效率，降低法律服务成本，并促进法律标准的统一应用。未来，该技术有望扩展到其他公共服务领域，例如医疗、教育等，提升公共服务质量。

📄 摘要（原文）

Public-sector legal departments in the Netherlands face acute staff shortages, increased case volumes, and increased pressure to meet regulatory compliance. This paper presents LegalCheck, a novel system that addresses these challenges by automating the drafting of objection response letters through a combination of Retrieval-Augmented Generation (RAG) and Context-Augmented Generation (CAG). Using a large language model (LLM) alongside curated legal knowledge bases, LegalCheck performs retrieval of relevant laws and precedents, and uses controlled prompting to incorporate both external knowledge and case-specific details into a coherent draft. An expert-in-the-loop review ensures that each generated letter is legally sound and contextually appropriate. In a real-world deployment within the Municipality of Amsterdam, LegalCheck produced near-final advice letters in minutes rather than hours, while maintaining high legal consistency and factual accuracy. The output is based on actual regulations and prior cases, providing explainable outputs that captured the vast majority of required legal reasoning (often 80\% to 100\% of essential content). Legal professionals found that the system reduced their workload and ensured a consistent application of legal standards, without replacing human judgment. These results demonstrate substantial efficiency gains, improved legal consistency, and positive user acceptance. More broadly, this work illustrates how responsible AI can be deployed in the legal domain by augmenting LLMs with domain knowledge and governance mechanisms.