MAP-Law: 다중 턴 법률 상담을 위한 범위 기반 검색 제어 방법

MAP-Law: Coverage-Driven Retrieval Control for Multi-Turn Legal Consultation

법률 상담은 관련된 법률 문제를 식별하고, 신뢰할 수 있는 근거를 검색하며, 추천에 필요한 충분한 증거가 있는지 판단해야 하는, 전문 지식이 필요한 고위험 작업입니다. 검색 증강 생성(Retrieval-Augmented Generation)이 법률 질의 응답의 정확성을 향상시켰지만, 여전히 많은 다중 턴 법률 상담 에이전트는 고정된 검색 깊이 또는 일반적인 휴리스틱 제어를 사용합니다. 이는 종종 핵심 법률 요소에 대한 충분한 근거를 제공하지 못하거나, 과도한 검색으로 인해 문맥 부담이 증가하고 답변의 집중력이 약화되는 결과를 초래합니다. 본 논문에서는 다중 턴 법률 상담을 위한 범위 기반 검색 제어 프레임워크인 MAP-Law를 제안합니다. MAP-Law는 상담을 문제 노드, 법률 요소 노드 및 증거 노드로 구성된 통합 구조 상태에 대한 제어된 검색 프로세스로 모델링합니다. 각 검색 라운드 후, 에이전트는 요소 범위(Element Coverage), 증거 범위(Evidence Coverage) 및 한계 이득(Marginal Gain)을 계산하고, 이러한 신호를 사용하여 검색을 계속할지, 검색 방향을 변경할지, 또는 최종 응답을 생성할지 결정합니다. 이러한 방식으로, MAP-Law는 고정된 하이퍼파라미터 기반의 중단 방식을, 법률 논증 구조에 부합하는 해석 가능하고 감사 가능한 의사 결정으로 전환합니다. 8가지 노동법 시나리오에 걸쳐 50건의 사례로 구성된 자체 데이터셋에 대한 실험 결과, DeepSeek를 액션 선택기로 사용하는 MAP-Law는 평균 2.9회의 검색 라운드와 5.8개의 증거를 사용하여 0.860의 요소 범위를 달성했습니다. 고정된 7회 라운드의 기준 모델과 비교했을 때, MAP-Law는 증거의 양을 80% 이상 줄이고, 검색 라운드를 58% 줄였습니다. 추가 분석 결과, 범위 기반 중단, 통합 그래프 표현, LLM 기반 액션 선택이 각각 독립적인 기여를 한다는 것을 확인했습니다.

Legal consultation is a high-stakes, knowledge-intensive task that requires agents to identify relevant legal issues, retrieve authoritative support, and determine when evidence is sufficient for a recommendation. Although retrieval-augmented generation has improved grounding in legal question answering, many multi-turn legal agents still rely on fixed retrieval depth or coarse heuristic control. This often leads to either insufficient support for key legal elements or excessive retrieval that increases context burden and weakens answer focus. We propose MAP-Law, a coverage-driven framework for retrieval control in multi-turn legal consultation. MAP-Law models consultation as a controlled retrieval process over a joint structured state consisting of issue nodes, legal element nodes, and evidence nodes. After each retrieval round, the agent computes Element Coverage, Evidence Coverage, and Marginal Gain, and uses these signals to decide whether to continue retrieval, redirect the search, or generate the final response. In this way, MAP-Law turns stopping from a fixed hyperparameter into an interpretable and auditable decision aligned with legal argumentative structure. Experiments on a self-constructed dataset of 50 cases across eight labor-law scenarios show that MAP-Law with DeepSeek as the action selector achieves an Element Coverage of 0.860 using only 2.9 retrieval rounds and 5.8 evidence pieces on average. Compared with a fixed seven-round baseline, it reduces evidence volume by over 80% and retrieval rounds by 58%. Ablation results further confirm the independent contributions of coverage-driven stopping, joint graph representation, and LLM-based action selection.