LawThinker : Un agent juridique de recherche approfondie dans des environnements dynamiques

LawThinker: A Deep Research Legal Agent in Dynamic Environments

February 12, 2026

papers.authors: Xinyu Yang, Chenlong Deng, Tongyu Wen, Binyu Xie, Zhicheng Dou

cs.AI

papers.abstract

Le raisonnement juridique exige non seulement des conclusions correctes, mais aussi des processus de raisonnement conformes à la procédure. Cependant, les méthodes existantes ne disposent pas de mécanismes pour vérifier les étapes intermédiaires du raisonnement, permettant à des erreurs telles que des citations de lois inapplicables de se propager sans être détectées dans la chaîne de raisonnement. Pour remédier à cela, nous proposons LawThinker, un agent autonome de recherche juridique qui adopte une stratégie Explorer-Vérifier-Mémoriser pour les environnements judiciaires dynamiques. L'idée centrale est d'imposer la vérification comme une opération atomique après chaque étape d'exploration des connaissances. Un module DeepVerifier examine chaque résultat de recherche selon trois dimensions : l'exactitude des connaissances, la pertinence fait-loi et la conformité procédurale, avec un module de mémoire pour la réutilisation trans-tâches des connaissances dans les missions à long terme. Les expériences sur le benchmark dynamique J1-EVAL montrent que LawThinker obtient une amélioration de 24% par rapport au raisonnement direct et un gain de 11% par rapport aux méthodes basées sur des workflows, avec des améliorations particulièrement marquées sur les métriques orientées processus. Les évaluations sur trois benchmarks statiques confirment en outre sa capacité de généralisation. Le code est disponible à l'adresse https://github.com/yxy-919/LawThinker-agent.

English

Legal reasoning requires not only correct outcomes but also procedurally compliant reasoning processes. However, existing methods lack mechanisms to verify intermediate reasoning steps, allowing errors such as inapplicable statute citations to propagate undetected through the reasoning chain. To address this, we propose LawThinker, an autonomous legal research agent that adopts an Explore-Verify-Memorize strategy for dynamic judicial environments. The core idea is to enforce verification as an atomic operation after every knowledge exploration step. A DeepVerifier module examines each retrieval result along three dimensions of knowledge accuracy, fact-law relevance, and procedural compliance, with a memory module for cross-round knowledge reuse in long-horizon tasks. Experiments on the dynamic benchmark J1-EVAL show that LawThinker achieves a 24% improvement over direct reasoning and an 11% gain over workflow-based methods, with particularly strong improvements on process-oriented metrics. Evaluations on three static benchmarks further confirm its generalization capability. The code is available at https://github.com/yxy-919/LawThinker-agent .