LegalWorld：构建法律智能体的全生命周期交互环境

背景

民事诉讼本质上是一个具有强因果依赖的“生命周期”过程。律师在第一天起草的文书或策略，往往会约束数月后庭审中的走向与结果。然而，当前现有的法律基准测试（Benchmarks）大多仅评估孤立的子任务（如单独的法律问答或文书生成），未能模拟案件发展的连续性。

此外，先前存在的法律智能体模拟器通常从共享的“地面真值”（Ground Truth）中重新初始化每个场景。这种处理方式切断了不同阶段之间的因果联系，导致跨阶段的依赖关系未被建模。这种割裂使得智能体难以在真实的法律工作流中保持角色一致性和逻辑连贯性。

核心内容

为了解决上述问题，研究团队提出了 LegalWorld，这是一个面向法律智能体的全生命周期交互式环境。该环境基于 75,309 对中文民事判决书构建，将中国民事诉讼建模为五个阶段的状态链，涵盖七个子场景，并确保了各阶段间的因果连接。

1. 环境架构与基础设施

LegalWorld 不仅仅是一个数据集，它配套了可复用的基础设施，以确保纠纷在完整生命周期中的一致性：

• 本地记忆（Local Memory）：用于记录当前阶段的具体交互细节。
• 全局案件记忆（Global Case Memory）：用于跨阶段存储案件的核心事实与状态，确保前后逻辑不冲突。
• 技能/工具库（Skill/Tool Library）：提供法律检索、文书生成等标准化操作接口。

2. 评估基准：LongJud-Bench

基于 LegalWorld 环境，研究团队构建了 LongJud-Bench，旨在评估智能体在全部五个连接阶段中的综合能力。这五个阶段构成了一个完整的民事诉讼流程，要求智能体在咨询、起草和法庭辩论等不同角色间切换，并保持策略的一致性。

3. 评估结果与发现

研究团队邀请了 217 名具有法律背景的评价员，对 LegalWorld 生成的轨迹进行了 18,992 次评分。主要发现包括：

• 程序忠实度与角色一致性：评分确认 LegalWorld 生成的案件轨迹在程序上是忠实的，且智能体在不同阶段保持了角色的一致性。
• 模型能力的显著分化：通过跨模型的层级评估发现，简单的聚合分数无法揭示模型能力的细微差异。
• 无单一主导模型：评估结果显示，没有任何一个基础模型（Backbone）能在咨询、起草和法庭辩护所有阶段均表现领先。不同模型在不同阶段表现出明显的优势与劣势，揭示了当前法律智能体在长程任务中的局限性。

关键要点

• 全生命周期建模：LegalWorld 首次将中国民事诉讼建模为包含五个阶段、七个子场景的因果状态链，打破了以往孤立评估子任务的局限。
• 数据规模与真实性：环境基于 75,309 对真实的中文民事判决书构建，确保了法律逻辑和程序的真实感。
• 一致性基础设施：通过引入本地记忆、全局案件记忆和技能库，解决了跨阶段状态保持和角色一致性的技术难题。
• LongJud-Bench 基准：提出了首个针对全生命周期法律智能体的评估基准，能够捕捉长程任务中的能力差异。
• 评估结论：
  • 现有智能体在长程法律任务中存在显著的能力分化。
  • 聚合分数掩盖了模型在特定阶段（如咨询 vs. 辩论）的具体优劣。
  • 目前尚无“全能型”基础模型，不同模型在不同诉讼阶段各有千秋。

意义与影响

LegalWorld 的发布标志着法律人工智能研究从“单点任务优化”向“全流程工作流模拟”的重要转变。

1. 推动智能体真实性：通过模拟民事诉讼的因果依赖关系，LegalWorld 为测试法律智能体在复杂、长期任务中的表现提供了更贴近现实的沙盒。这对于开发能够真正辅助律师工作的 Agent 至关重要。
2. 揭示模型局限性：研究结果明确指出，当前的基础模型在法律智能体应用中存在“偏科”现象。这提示未来的研究不应仅关注整体准确率，而应针对特定法律阶段（如证据整理、法庭辩论）进行专项优化。
3. 标准化评估体系：LongJud-Bench 的建立为法律 AI 领域提供了一个新的标准化评估框架，有助于更公平、细致地比较不同模型和架构在长程推理和记忆保持方面的能力。
4. 开源贡献：研究团队承诺公开详细资源，这将促进学术界和工业界在构建更强大、更可靠的法律智能体基础设施方面的合作与创新。