Управление рассуждением LRM в юридическом домене: адаптация архитектуры TG-RAG (часть 1)
Почему RAG даже после самых изощренных улучшений может плохо работать на ваших задачах в специализированном домене? Возможно, дело в представлении знаний, и вместо векторов стоит использовать графы. А может быть, дело не в знаниях, а в том, как модель их применяет: например, в сложных и длинных, но повторяющихся сценариях результаты ИИ-агента от запуска к запуску расходятся, и его работу приходится постоянно перепроверять? Найти и извлечь ≠ правильно применить . «Найти и извлечь» — классическая задача RAG: подобрать в контекст модели релевантные фрагменты знаний. «Правильно применить» — требует процедурного знания: в каком порядке выполнять шаги и что делать при каждом исходе. Но процедура попадает к модели так же, как знания — в виде пассивного контекста: инструкцией в промпте или в найденных документах. Следовать ей ничто не обязывает, и на длинных цепочках рассуждения с ветвлениями модели от процедуры отклоняются. Это называют когнитивным дрейфом ( Cognitive Drift ). Архитектура Thought Guidance‑Retrieval Augmented Generation (TG‑RAG), представленная на ICML 2026, призвана уменьшить когнитивный дрейф в задачах, которые решаются по стандартным процедурам. Ее основной принцип — отделение процедурной логики от предметных знаний. Процедура формализуется в экспертном процедурном графе (EPG) — логическом «скелете» в топологии Chain‑of‑Trees. Исполняет граф механизм Interrupt‑Retrieve‑Generate. Для права такой подход особенно естественен : процедуры здесь часто уже формализованы — от процессуальных кодексов до локальных регламентов, а ценен не только вывод, но и путь к нему. Разбираем, как устроен TG‑RAG, что показали эксперименты авторов и как его можно адаптировать к юридическому домену. Читать далее