LawLuo: A Multi-Agent Collaborative Framework for Multi-Round Chinese Legal Consultation
作者: Jingyun Sun, Chengxiao Dai, Zhongze Luo, Yangbo Chang, Yang Li
分类: cs.CL, cs.AI, cs.CV
发布日期: 2024-07-23 (更新: 2024-12-16)
备注: 13 pages
💡 一句话要点
LawLuo：多智能体协作框架，用于多轮中文法律咨询
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 法律咨询 中文法律大模型 检索增强生成 案例图 人机协作 自然语言处理
📋 核心要点
- 现有中文法律咨询模型多为单智能体，无法模拟真实法律咨询中多方协作的场景。
- LawLuo构建多智能体框架，包含接待员、律师、秘书和老板，模拟律师事务所运作。
- 通过构建微调数据集和引入案例图RAG，LawLuo在个性化回复和处理模糊查询上表现更优。
📝 摘要（中文）
法律大语言模型(LLMs)在为非专业人士提供法律咨询方面展现出潜力。然而，目前大多数中文法律咨询模型都基于单智能体系统，这与现实世界中多位专业人士协作提供更具针对性回复的法律咨询有所不同。为了更好地模拟真实的咨询，我们提出了LawLuo，一个用于多轮中文法律咨询的多智能体框架。LawLuo包括四个智能体：接待员智能体，评估用户意图并选择律师智能体；律师智能体，与用户交互；秘书智能体，组织对话记录并生成咨询报告；以及老板智能体，评估律师和秘书智能体的表现以确保最佳结果。这些智能体的交互模拟了真实律师事务所的运作。为了训练它们遵循不同的法律指令，我们开发了不同的微调数据集。我们还引入了一个基于案例图的RAG，以帮助律师智能体处理模糊的用户输入。实验结果表明，LawLuo在生成更个性化和专业的回复、处理模糊查询以及在多轮对话中遵循法律指令方面优于基线模型。我们的完整代码和构建的数据集将在论文被接收后开源。
🔬 方法详解
问题定义：现有中文法律咨询模型主要基于单智能体，无法模拟真实法律咨询中律师、秘书等角色协同工作的场景。这导致模型生成的回复可能不够个性化、专业，并且难以处理用户提出的模糊或复杂问题。现有方法缺乏对法律咨询流程的建模，难以保证回复的质量和效率。
核心思路：LawLuo的核心思路是通过构建一个多智能体协作框架，模拟真实律师事务所的运作模式。每个智能体扮演不同的角色，负责不同的任务，通过智能体之间的协作，提供更全面、专业和个性化的法律咨询服务。这种设计能够更好地处理复杂的用户查询，并保证回复的质量和效率。
技术框架：LawLuo框架包含四个主要智能体：接待员智能体、律师智能体、秘书智能体和老板智能体。接待员智能体负责评估用户意图，并将用户分配给合适的律师智能体。律师智能体负责与用户进行多轮对话，提供法律咨询服务。秘书智能体负责记录对话内容，整理咨询报告。老板智能体负责评估律师和秘书智能体的表现，并提供反馈。此外，LawLuo还引入了基于案例图的RAG（Retrieval-Augmented Generation）模块，用于帮助律师智能体处理模糊的用户输入。
关键创新：LawLuo的关键创新在于其多智能体协作框架，该框架能够更好地模拟真实法律咨询的流程，并提供更全面、专业和个性化的法律咨询服务。此外，基于案例图的RAG模块能够有效地处理模糊的用户输入，提高回复的准确性和相关性。与现有单智能体模型相比，LawLuo能够更好地处理复杂的用户查询，并保证回复的质量和效率。
关键设计：为了训练不同的智能体，作者构建了不同的微调数据集，每个数据集包含特定于智能体角色的法律指令和对话示例。基于案例图的RAG模块使用法律案例构建知识图谱，并使用该图谱检索与用户查询相关的案例。检索到的案例被用于增强律师智能体的输入，从而提高回复的准确性和相关性。具体的参数设置、损失函数和网络结构等技术细节在论文中未详细说明，属于未知信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LawLuo在生成更个性化和专业的回复、处理模糊查询以及在多轮对话中遵循法律指令方面优于基线模型。具体的性能数据和提升幅度在摘要中未给出，需要在论文全文中查找。该框架的有效性验证了多智能体协作在法律咨询领域的潜力。
🎯 应用场景
LawLuo可应用于在线法律咨询平台，为用户提供便捷、高效的法律咨询服务。该框架能够模拟真实律师事务所的运作模式，提供更全面、专业和个性化的咨询服务。未来，LawLuo可以扩展到其他领域，例如医疗咨询、金融咨询等，为用户提供更广泛的专业服务。
📄 摘要（原文）
Legal Large Language Models (LLMs) have shown promise in providing legal consultations to non-experts. However, most existing Chinese legal consultation models are based on single-agent systems, which differ from real-world legal consultations, where multiple professionals collaborate to offer more tailored responses. To better simulate real consultations, we propose LawLuo, a multi-agent framework for multi-turn Chinese legal consultations. LawLuo includes four agents: the receptionist agent, which assesses user intent and selects a lawyer agent; the lawyer agent, which interacts with the user; the secretary agent, which organizes conversation records and generates consultation reports; and the boss agent, which evaluates the performance of the lawyer and secretary agents to ensure optimal results. These agents' interactions mimic the operations of real law firms. To train them to follow different legal instructions, we developed distinct fine-tuning datasets. We also introduce a case graph-based RAG to help the lawyer agent address vague user inputs. Experimental results show that LawLuo outperforms baselines in generating more personalized and professional responses, handling ambiguous queries, and following legal instructions in multi-turn conversations. Our full code and constructed datasets will be open-sourced upon paper acceptance.