当规则学习时：用于法律案件检索的自我进化代理

arXiv:2606.17220v1 发布类型：新 摘要：由于法律语言的复杂性以及查询与相关案例之间精确词汇对齐的需要，法律案例检索仍然具有挑战性。尽管密集检索模型取得了显着进展，但实证研究表明 BM25 仍然是该领域的强大基线。它促使我们提出一个用于规则驱动查询重写的自我进化框架，该框架无需任何参数训练即可增强 BM25。该框架为基于LLM的代理配备了自动评估环境，使其能够迭代地创建重写规则，规划规则组合的验证实验，并根据历史反馈消除无效规则。 We evaluate our method on the Chinese legal case retrieval benchmark LeCaRD-v2.实验结果表明，所提出的框架优于非进化基线，包括人类设计的规则和贪婪规则选择，特别是在由高容量核心法学硕士支持时。 We also conduct detailed analyses to investigate the mechanisms underlying self-evolution. Our findings reveal that LLM's capabilities to leverage previous experimental results and its intrinsic knowledge of rule elimination play critical roles in refining the rule set via self-evolution.