法的ケース検索は、法的言語の複雑さと、クエリと関連ケース間の正確な語彙的整合性の必要性から、依然として困難な課題である。密な検索モデルは目覚ましい進歩を遂げているが、実証研究により、この領域ではBM25が依然として強力なベースラインであることが示されている。このことから、研究チームはパラメータ訓練を一切行わずにBM25を強化する、ルール駆動型クエリ書き換えのための自己進化フレームワークを提案した。このフレームワークは、LLMベースのエージェントに自動評価環境を装備し、書き換えルールを反復的に作成し、ルールの組み合わせに関する検証実験を計画し、過去のフィードバックに基づいて効果のないルールを排除することを可能にする。
提案手法は、中国語の法的ケース検索ベンチマークであるLeCaRD-v2で評価された。実験結果は、提案フレームワークが非進化的ベースライン（人間が設計したルールや貪欲なルール選択を含む）を上回ることを示しており、特に高性能なコアLLMを使用した場合にその優位性が顕著である。これは、LLMの能力がルールセットの自己最適化に不可欠であることを示唆している。
自己進化の背後にあるメカニズムを調査するため、研究チームは詳細な分析を行った。その結果、LLMが以前の実験結果を活用する能力と、ルール排除に関する内在的知識が、自己進化を通じてルールセットを洗練する上で極めて重要な役割を果たすことが明らかになった。この発見は、LLMが追加訓練なしに環境との相互作用を通じて検索性能を徐々に改善できることを示している。
本論文はACL 2026に採択されており、LLMエージェントと古典的な検索手法を組み合わせる新しいアプローチを提示している。将来的には、この自己進化フレームワークは、複雑なクエリ理解を必要とする他の領域にも拡張でき、情報検索システムにより柔軟で解釈可能な最適化の道を提供する可能性がある。