LegalGraphRAG: 신뢰성 있는 법률 추론을 위한 다중 에이전트 기반 그래프 검색 증강 생성 모델

LegalGraphRAG: Multi-Agent Graph Retrieval-Augmented Generation for Reliable Legal Reasoning

그래프 기반 검색 증강 생성 (GraphRAG)은 지식을 관계형 그래프로 구조화하여 평면 문서 검색의 한계를 극복하고 보다 일관성 있고 효과적인 추론을 가능하게 합니다. 그러나 이를 특정 도메인, 특히 법률 추론에 적용하는 것은 중요한 과제를 안고 있습니다. (i) 법률 자료는 판례, 논문 및 해석 등 다양한 수준의 지식을 포함하는 이질적인 특성을 가지고 있으며, 평면 지식 그래프로는 사실 정보, 적용 규칙 및 추상적 원칙을 충분히 구분하기 어려워 정확한 검색 능력을 제한합니다. (ii) 신뢰할 수 있는 법률 판단은 투명하고 증거 기반으로 이루어져야 합니다. 기존의 RAG 방식은 검색된 문맥을 검증 없이 LLM에 직접 전달하여 불투명하고 오류가 발생하기 쉬운 추론 결과를 초래합니다. 이러한 문제점을 해결하기 위해, 우리는 신뢰성 있는 법률 추론을 위한 프레임워크인 LegalGraphRAG를 제안합니다. 저희의 접근 방식은 두 가지 핵심 구성 요소를 포함합니다: 적절한 수준의 추론을 가능하게 하는 계층적 구조의 법률 그래프와, 연구자가 후보 증거를 검색하고, 감사자가 원본 문서에 대한 엄격한 검증을 수행하며, 심판관이 검증된 증거들을 종합하여 최종 판단을 내리는 다중 에이전트 시스템입니다. 광범위한 실험 결과, LegalGraphRAG는 기존의 GraphRAG 모델보다 우수한 성능을 보여주며 정확하고 신뢰성 있는 법률 분석 능력을 제공합니다. 저희의 코드, 데이터셋 및 구현 세부 사항은 https://github.com/XMUDeepLIT/LegalGraphRAG 에서 확인할 수 있습니다.

Graph-based Retrieval-Augmented Generation (GraphRAG) advances flat document retrieval by structuring knowledge as relational graphs, enabling more coherent and effective reasoning. However, applying it to specific domains like legal reasoning faces critical challenges. (i) Legal corpora are heterogeneous, containing multi-granular knowledge from cases, articles and interpretations. A flat knowledge graph cannot adequately differentiate between factual details, applied rules, and abstract principles, limiting accurate retrieval. (ii) Reliable legal judgment demands transparent, evidence-based reasoning. Traditional RAG passes retrieved context directly to an LLM without verification, resulting in opaque, error-prone reasoning. To this end, we propose LegalGraphRAG, a framework designed for reliable legal reasoning. Our approach introduces two core components: a hierarchical legal graph that hierarchically organizes legal sources to enable retrieval at appropriate abstraction levels, and a multi-agent system for reliable legal reasoning, where a Researcher retrieves candidate evidence, an Auditor rigorously verifies its validity against source documents, and an Adjudicator synthesizes the set of verified evidence to render a final judgment. Extensive experiments show that LegalGraphRAG achieves the state-of-the-art performance, outperforming existing GraphRAG baselines in accurate and trustworthy legal analysis. Our code, datasets and implementation details are available at https://github.com/XMUDeepLIT/LegalGraphRAG.