基于Arena的争辩型 LLM 自适应协作：可解释且可争议的法律推理
多智能体系统
2026-02-24 v1 人工智能
符号计算
摘要
法律推理不仅需要高准确率，还需要通过可验证和可争议的论证来正当化决策。然而，现有的大型语言模型（LLM）方法，如链式思考（Chain-of-Thought, CoT）和检索增强生成（Retrieval-Augmented Generation, RAG），常常产生非结构化的解释，缺乏验证或用户干预的正式机制。为此，我们提出一种称为自适应争辩型 LLM 协作框架（Adaptive Collaboration of Argumentative LLMs, ACAL）的 neuro-symbolic 框架，将自适应多智能体协作与基于Arena的量化双极争辩框架（Arena-based Quantitative Bipolar Argumentation Framework, A-QBAF）相集成。ACAL 动态部署专家智能体团队构建论证，采用冲突解决机制裁决冲突的主张，并利用不确定性感知的升级机制处理边缘案例。关键在于，我们的框架支持人类在环（Human-in-the-Loop, HITL）可争议工作流程，使用户能够直接审计和修改底层推理图，从而影响最终判断。实证评估在 LegalBench 基准上表明，ACAL 在 Gemini-2.5-Flash-Lite 和 Gemini-2.5-Flash 架构中均优于强大基准，在高效预测性能与结构化透明度及可争议性之间实现了有效平衡。我们的实现已公开：https://github.com/loc110504/ACAL。
引用
@article{arxiv.2602.18916,
title = {Adaptive Collaboration of Arena-Based Argumentative LLMs for Explainable and Contestable Legal Reasoning},
author = {Hoang-Loc Cao and Phuc Ho and Truong Thanh Hung Nguyen and Phuc Truong Loc Nguyen and Dinh Thien Loc Nguyen and Hung Cao},
journal= {arXiv preprint arXiv:2602.18916},
year = {2026}
}