当规则学会进化：自我演化的法律案例检索智能体
法律案例检索是法律人工智能的核心挑战之一。法律语言的复杂性、同义词和表述的多样性，使得精确的词汇对齐（lexical alignment）成为检索系统需要攻克的难关。尽管基于深度学习的稠密检索（dense retrieval）模型近年来取得了显著进展，但一项来自 ACL 2026 的研究揭示了一个反直觉的事实：在中文法律案例检索基准 LeCaRD-v2 上，经典的 BM25 算法依然是一个难以被超越的强基线（strong baseline）。
受此启发，来自腾讯等机构的研究团队提出了一种自我演化框架（self-evolving framework），让 BM25 通过智能体驱动的查询重写（query rewriting）实现性能跃升，且无需任何参数训练。
核心思路：让规则自我进化
传统方法依赖人工设计重写规则或贪心策略选择规则，但这种方式难以覆盖所有法律场景。新框架将一个大语言模型（LLM）作为核心智能体（agent），并为其配备一个自动评估环境。智能体可以：
- 创建规则：基于对法律语言的理解，自主生成改写查询的规则（例如“将‘故意杀人’替换为‘杀人罪’+‘主观故意’”）。
- 计划实验：针对不同规则组合设计验证实验，测试其对检索效果的影响。
- 淘汰规则：根据历史反馈，识别并移除无效甚至有害的规则。
这一过程完全自动化，智能体通过迭代循环不断优化规则集，实现“无参数训练”的持续进化。
实验结果：超越人工与贪心基线
在 LeCaRD-v2 基准上的测试表明，该自我演化框架显著优于非演化基线，包括：
- 人工设计的规则（human-designed rules）
- 贪心规则选择（greedy rule selection）
尤其当使用高能力的核心 LLM（如 GPT-4 级别模型）时，性能提升更为明显。这意味着，LLM 的推理能力与自我演化机制的结合，能够产生“1+1>2”的效果。
演化机制解密
研究团队进一步分析了自我演化背后的关键因素：
- 利用历史实验：LLM 能够从之前的成功或失败中总结经验，避免重复错误，这类似于人类的“反思”过程。
- 内在规则淘汰知识：LLM 本身具备判断哪些规则值得保留、哪些应该丢弃的“直觉”，这种内在知识在演化过程中起到关键作用。
这两点共同构成了规则集持续优化的动力。
行业启示：当“旧算法”遇上“新智能”
这项研究的意义不仅在于法律检索本身。它展示了将经典统计方法（如 BM25）与 LLM 的推理能力相结合的可行路径——不追求用“新模型”完全替代“旧算法”，而是让旧算法通过智能体的辅助变得更聪明。这种“轻量增强”思路，对于算力有限或对可解释性要求高的法律行业尤其具有实用价值。
此外，自我演化框架的通用性意味着它可以被迁移到其他需要规则优化的领域，如医疗诊断、金融风控等。未来，我们或许会看到更多“规则学习型”智能体，在不需要大规模重新训练的前提下，持续适应动态变化的业务需求。