LawLuo: A Chinese Law Firm Co-run by LLM Agents

大型语言模型（LLMs）展示了在向没有法律背景的用户提供法律咨询服务方面的巨大潜力，这归功于它们优越的文本理解和生成能力。然而，现有的中文法律LLMs仅限于单一模型与用户的对话交互，而不像律师事务所那样多个员工共同为单个咨询做出贡献。这种限制阻碍了真正的咨询体验。此外，现有的中文法律LLMs存在重大限制：（1）对于指导微调数据的质量控制不足；（2）由于用户的模糊查询而导致模型幻觉增加；以及（3）模型在多个对话轮次中遵循指令的能力降低。针对这些挑战，我们提出了一种新的法律对话框架，利用多个LLM代理的协作能力，称为LawLuo。该框架包括四个代理：接待员、律师、秘书和老板，各自负责不同的功能，协同为用户提供全面的法律咨询。此外，我们构建了两个高质量的法律对话数据集，KINLED和MURLED，并使用这些数据集微调ChatGLM-3-6b。我们提出了一个名为ToLC的法律查询澄清算法。实验结果表明，LawLuo在三个维度上优于基线LLMs，包括律师风格的语言、法律建议的实用性和法律知识的准确性。我们的代码和数据集可在https://github.com/NEFUJing/LawLuo上获得。

该论文旨在解决现有中文法律大语言模型存在的问题，如缺乏多方协作、模糊查询容易导致模型幻觉和指令追踪能力下降等。同时，该论文提出了一种基于多个模型的法律对话框架，名为LawLuo。

该论文的关键思路是提出了一种多模型协作的法律对话框架，包括四个代理人：接待员、律师、秘书和老板，各自负责不同的功能，共同为用户提供全面的法律咨询。此外，论文还提出了一个法律查询澄清算法ToLC，用于解决用户模糊查询时模型幻觉的问题。

该论文构建了两个高质量的法律对话数据集，KINLED和MURLED，并使用这些数据集对ChatGLM-3-6b进行了fine-tune。实验结果表明，LawLuo在律师式语言风格、法律建议的实用性和法律知识的准确性等三个维度上优于基线LLM，包括GPT-4。该论文的代码和数据集已经在GitHub上开源。

在近期相关研究中，有一些关于大语言模型在法律领域的应用的研究，如《Legal-BERT: A Pre-Trained Language Model for the Legal Domain》和《LegaLMo: A Pre-Trained Language Model for the Legal Domain》等。