AgenticSimLaw：面向可解释高风险表格决策的少年法庭多智能体辩论模拟

我们介绍 AgenticSimLaw，一个具有角色结构的多智能体辩论框架，为高风险表格决策提供透明且可控的测试时推理。不同于黑箱方法，本框架的法庭式编排显式定义智能体角色（检察官、防御官、法官）、互动协议（7 回合结构化辩论）和私有推理策略，创建完全可审计的决策过程。我们在使用 NLSY97 数据集进行的青年成年人再犯预测任务上对该框架进行基准测试，比较了各种模型和策略组合近 90 种情况下的传统链式思维 (CoT) 提示方法。我们的结果表明，结构化多智能体辩论在稳定性和可泛化性方面优于单智能体推理，准确率与 F1 分数指标之间的相关性更强。除了性能提升之外，AgenticSimLaw 提供了对推理步骤的细粒度控制，生成完整的交互记录以实现可解释性，并可对智能体行为进行系统化轮廓化。虽然我们在刑事司法领域实例化该框架以测试在伦理复杂情境下的推理，但该方法可推广到任何需要透明度和人类监督的 deliberative、高风险决策任务。本工作解决了 LLM 基于多智能体系统的关键挑战：通过结构化角色实现组织性，通过记录互动实现可观察性，通过显式非部署约束实现责任感。数据、结果和代码将在 github.com 下以 MIT 许可证发布。