精选理由
法律AI从业者终于有了一个严肃的理论框架来理解RAG的失败原因——不是模型不够大，而是检索架构与法律知识的本质不匹配。做法律科技或合规自动化的团队，建议仔细读读这篇，能帮你避开很多坑。
本文指出，检索增强生成（RAG）在法律AI中的失败并非简单的模型幻觉，而是概率检索与法律知识层次、时间性和制度结构之间的架构不匹配。作者从法律理论出发，提出法律知识具有层次性、动态性和因果可追溯性三个本体论属性，并对应识别出三种检索病理：整体性盲视、历时性盲视和因果不透明性。通过分析现有方法，作者认为它们未能将这些要求视为共同构成性因素，并提出了四个确定性设计方向：本体优先、事件具体化、双时正确性和确定性交互协议。该框架主要关注法律规范适用问题，而非下游任务。
AI 翻译 · 中文
本文指出，检索增强生成（RAG）在法律AI中的失败并非简单的模型幻觉，而是概率检索与法律知识层次、时间性和制度结构之间的架构不匹配。作者从法律理论出发，提出法律知识具有层次性、动态性和因果可追溯性三个本体论属性，并对应识别出三种检索病理：整体性盲视、历时性盲视和因果不透明性。通过分析现有方法，作者认为它们未能将这些要求视为共同构成性因素，并提出了四个确定性设计方向：本体优先、事件具体化、双时正确性和确定性交互协议。该框架主要关注法律规范适用问题，而非下游任务。
Retrieval-Augmented Generation (RAG) has become a standard architectural response to unreliability in legal AI, yet high-profile failures, including fabricated citations submitted to courts and anachronistic legal conten…