这篇题为《当规则学会学习：用于法律案例检索的自进化智能体》的论文由Mingxu Tao等八位作者共同完成，已于2026年6月15日提交至arXiv，并被ACL 2026接收。论文聚焦法律案例检索这一长期存在的难题：法律语言本身的复杂性，以及查询与相关案例之间需要精确的词法对齐，使得检索系统难以取得理想效果。
尽管稠密检索模型近年来取得了显著进展，但实证研究表明，在法律案例检索领域，BM25这一基于词项匹配的传统稀疏检索方法依然是强有力的基线。正是这一现象促使作者提出一个面向规则驱动查询重写的自进化框架，其核心目标是在完全不进行参数训练的前提下增强BM25的检索表现。
该框架为基于大语言模型的智能体配备了一个自动评估环境。借助这一环境，智能体能够迭代地创建查询重写规则，规划针对不同规则组合的验证实验，并依据历史反馈淘汰效果不佳的规则。换言之，规则集并非由人工一次性设计完成，而是在智能体反复实验与评估的过程中逐步演化、自我完善。
研究团队在中文法律案例检索基准LeCaRD-v2上对该方法进行了评估。实验结果显示，所提出的框架优于非进化类基线方法，包括人工设计的规则以及贪心式规则选择策略；尤其当框架由高容量核心大语言模型驱动时，性能优势更为明显。
论文还开展了细致的分析，以探究自进化机制背后的运作原理。研究发现，大语言模型利用既往实验结果的能力，以及其内在的规则淘汰知识，在通过自进化精炼规则集的过程中发挥着关键作用。这些分析为理解智能体如何从历史反馈中学习提供了实证依据。
从技术路线来看，该工作巧妙地绕开了对检索模型进行参数微调的需求，转而将优化重点放在查询侧的重写上，为法律案例检索提供了一种低训练成本、可解释性较强的增强方案。同时，它也为LLM智能体在专业领域规则发现与自动化实验设计方面的应用提供了一个具体案例。
论文以arXiv编号2606.17220发布，属于人工智能（cs.AI）分类，DOI为10.48550/arXiv.2606.17220，并提供了PDF与实验性HTML版本供读者查阅。作者为Mingxu Tao等共八人，第一版于2026年6月15日19时09分31秒（UTC）提交，文件大小约553 KB。