ToC：基于多智能体语言模型的树状索赔搜索
机器学习
2025-11-24 v1
摘要
优化专利索赔是一项关键且具有挑战性的任务，需在最大化新颖性与保持法律范围之间进行精妙的平衡。手动撰写索赔工作量大、成本高且本质上不一致，而传统的大型语言模型（LLM）往往缺乏对精确索赔细化所必需的结构化、迭代推理。为此，我们引入树状索赔（Tree of Claims, ToC）框架，将索赔编辑重新定义为受引导的搜索问题。ToC将蒙特卡洛树搜索（MCTS）与协作式多智能体系统相结合，包括基于LLM的编辑员智能体（EditorAgent），其提出具有上下文依托的编辑建议，以及模仿专利审查员批评的审查员智能体（ExaminerAgent），其通过结构化的链式思考分析新颖性和先前技术披露。驱动ToC的 carefully 设计的多目标奖励函数，使其能够同时优化新颖性、范围保留和语义连贯性。在1145个索赔的基准测试中进行的实验评估表明，ToC在零样本和少样本场景中均显著优于标准LLM，平均综合得分提升8%，在某些情况下提升至9%。广泛的实验，包括详细的消融研究，验证了ToC在生成优越且具有法律鲁棒性的索赔修订方面的有效性。总体而言，ToC建立了一种透明、可控且可解释的方法，有效地将先进的LLM推理能力与结构化MCTS规划相结合，用于索赔优化。源代码可在 https://github.com/ysy2003/ToC 查阅。
引用
@article{arxiv.2511.16972,
title = {ToC: Tree-of-Claims Search with Multi-Agent Language Models},
author = {Shuyang Yu and Jianan Liang and Hui Hu},
journal= {arXiv preprint arXiv:2511.16972},
year = {2025}
}
备注
Accepted by AAAI 2026 (Oral)