ToC: Tree-of-Claims Search with Multi-Agent Language Models
作者: Shuyang Yu, Jianan Liang, Hui Hu
分类: cs.LG
发布日期: 2025-11-21
备注: Accepted by AAAI 2026 (Oral)
🔗 代码/项目: GITHUB
💡 一句话要点
提出ToC框架，利用多智能体语言模型进行专利声明的树搜索优化。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 专利声明优化 多智能体系统 蒙特卡洛树搜索 大型语言模型 知识产权 文本生成 法律科技
📋 核心要点
- 专利声明优化需要在新颖性和法律范围之间权衡，手工方式低效且不一致，传统LLM缺乏结构化推理能力。
- ToC框架将声明编辑视为引导搜索问题，结合MCTS和多智能体系统，优化新颖性、范围保留和语义连贯性。
- 实验表明，ToC在专利声明优化任务上显著优于标准LLM，综合评分平均提高8%，最高可达9%。
📝 摘要（中文）
本文提出了一种名为Tree of Claims (ToC) 的创新框架，旨在解决专利声明优化这一关键且具有挑战性的任务。该任务需要在最大化新颖性和保持法律范围之间取得平衡。手工撰写声明既费时又费力，且存在不一致性。传统的LLM缺乏结构化和迭代推理能力，难以进行精确的声明改进。ToC将声明编辑重新定义为一个引导搜索问题，将蒙特卡洛树搜索 (MCTS) 与协作式多智能体系统相结合，包括一个基于LLM的EditorAgent，用于提出基于上下文的编辑建议，以及一个ExaminerAgent，通过结构化的思维链分析新颖性和现有技术披露来模拟专利审查员的评论。ToC由精心设计的多目标奖励函数驱动，共同优化新颖性、范围保留和语义连贯性。在1145项声明的基准测试中，实验评估表明ToC在零样本和少样本场景中显著优于标准LLM，平均综合评分提高了8%，在某些情况下高达9%。包括详细消融研究在内的大量实验验证了ToC在生成卓越且具有法律约束力的声明修订方面的有效性。总体而言，ToC建立了一种透明、可控和可解释的方法，有效地将先进的LLM推理能力与战略性MCTS规划相结合，以实现结构化的专利声明优化。
🔬 方法详解
问题定义：专利声明优化旨在生成既具有新颖性又能在法律上具有足够保护范围的专利声明。现有方法，特别是依赖人工撰写的方式，效率低下且容易出现不一致性。传统的大型语言模型（LLMs）虽然具备一定的文本生成能力，但缺乏结构化的迭代推理能力，难以胜任需要精确性和法律约束的专利声明优化任务。
核心思路：ToC的核心思路是将专利声明的编辑过程视为一个搜索问题，通过蒙特卡洛树搜索（MCTS）在可能的声明修改方案中进行探索。为了评估每个修改方案的质量，引入了多智能体系统，模拟编辑和审查的过程，从而实现对声明的迭代优化。这种方法结合了LLM的生成能力和MCTS的搜索能力，旨在找到在法律约束下最优的声明。
技术框架：ToC框架包含以下主要模块：1) EditorAgent：基于LLM，负责根据当前声明和上下文提出修改建议。2) ExaminerAgent：模拟专利审查员，通过结构化的思维链分析声明的新颖性和现有技术披露，提供评估反馈。3) MCTS：利用EditorAgent提出的修改建议构建搜索树，并使用ExaminerAgent的反馈作为奖励信号，引导搜索过程。整个流程通过迭代进行，不断优化声明。
关键创新：ToC的关键创新在于将专利声明优化问题转化为一个可搜索的问题，并利用多智能体系统模拟编辑和审查过程。这种方法将LLM的生成能力与MCTS的搜索能力相结合，克服了传统LLM在结构化推理方面的不足。此外，多智能体系统的设计使得评估过程更加透明和可解释。
关键设计：ToC的关键设计包括：1) 多目标奖励函数：综合考虑声明的新颖性、范围保留和语义连贯性，用于评估每个修改方案的质量。2) EditorAgent和ExaminerAgent的Prompt设计：精心设计的Prompt能够引导LLM生成高质量的修改建议和评估反馈。3) MCTS的搜索策略：平衡探索和利用，以有效地搜索最优的声明修改方案。
🖼️ 关键图片
📊 实验亮点
在包含1145项声明的基准测试中，ToC在零样本和少样本场景下均显著优于标准LLM，平均综合评分提高了8%，在某些情况下高达9%。消融实验验证了ToC框架中各个模块的有效性，证明了其在生成高质量专利声明方面的优越性。
🎯 应用场景
ToC框架可应用于专利撰写、专利审查、法律咨询等领域，能够提高专利声明的质量和效率，降低人工成本，并减少专利纠纷。该研究的未来影响在于推动人工智能在知识产权领域的应用，促进创新和技术进步。
📄 摘要（原文）
Optimizing patent claims is a critical yet challenging task, demanding careful balance between maximizing novelty and preserving legal scope. Manual claim drafting is labor-intensive, costly, and inherently inconsistent, while conventional Large Language Models (LLMs) often lack the structured, iterative reasoning essential for precise claim refinement. To address these challenges, we introduce Tree of Claims (ToC), an innovative framework that redefines claim editing as a guided search problem. ToC synergistically integrates Monte Carlo Tree Search (MCTS) with a collaborative multi-agent system, comprising an LLM-based EditorAgent that proposes contextually grounded edits, and an ExaminerAgent that mimics patent examiner critiques through structured, chain-of-thought analyses of novelty and prior art disclosure. Driven by a carefully designed multi-objective reward function, ToC jointly optimizes novelty, scope retention, and semantic coherence. Experimental evaluation on a benchmark of 1145 claims demonstrates that ToC significantly outperforms standard LLMs in zero-shot and few-shot scenarios, achieving an average composite score improvement of 8\%, and up to 9\% in certain cases. Extensive experiments, including detailed ablation studies, validate ToC's efficacy in generating superior, legally robust claim revisions. Overall, ToC establishes a transparent, controllable, and interpretable methodology that effectively bridges advanced LLM reasoning capabilities with strategic MCTS planning for structured patent claim optimization.The source code is available at https://github.com/ysy2003/ToC.