轻量级法律监督智能体为数字检察开辟新路径

当前，数字检察建设持续推进。通用大模型依托强大泛化能力，已广泛应用于智能辅助办案领域，相关智能化技术路线呈现出显著的“云端依赖”特征。但通用大模型存在算力成本高、专业适配性不足、数据传输风险等局限，与检察工作网“涉密敏感、分级隔离、带宽有限”的运行条件形成突出矛盾。通用大模型易产生逻辑跳跃、事实偏差，难以有效支撑检察办案辅助工作。针对证据校验、案卡核查、量刑情节甄别这类常见且判定规则明确的工作任务，相较于通用大模型，轻量化专业小模型逻辑更简明、运行稳定性更高，为优化数字检察实施路径提供了新思路。

轻量级法律监督智能体的理论原理

在数字检察建设中，轻量化专业小模型是一条具备独立价值的技术路径。它不片面追求极致的模型性能，而是围绕特定业务领域和具体任务，实现可信性、可解释性与落地部署可行性三者之间的平衡。

（一）轻“参数规模”重“智能密度”。长期以来，人工智能发展受“规模法则”影响，普遍认为参数量越大性能越强，传统评估模式以参数量评判模型优劣。这一固有认知已被打破。当前，衡量模型效能的关注点正从模型规模向模型效能转变。所谓智能密度，是指单位参数或单位算力能够实现的智能输出效率，也就是在有限参数空间内承载更多有效处理能力。例如国产Qwen3.5-9B仅90亿参数，在GPQA Diamond专业推理评测中得分81.7，性能超越了参数量数倍的主流大模型。该案例具备范式意义：系统性印证了通过架构创新而非参数堆砌，小模型可以在高阶推理任务上超越巨型模型。智能密度的提升，使小模型成为普惠人工智能应用、实现端侧部署的理想载体，也构成了本文架构设计的价值基准。

（二）轻“技术选型”重“场景应用”。相较于传统云端大模型模式，端侧小模型可在检察官本地设备上完成全部数据处理，实现“数据不出设备”，将数据安全防护从依赖网络边界防护推向终端内置防护。同时，端侧小模型无需占用中心算力资源，就能在本地完成确定性辅助任务，既缓解云端算力压力，又实现“一院一策”的个性化适配，有效补充统一算力平台。依托检索增强生成（RAG）技术，小模型可将输出内容约束于本地知识库中，并结合判别任务特性，显著减少模型幻觉问题。将推理能力部署到检察官办公电脑与移动办案终端，打造全离线运行的“独立智能体”已具备现实基础。检察官办案天然具备“端侧”作业特征，卷宗阅读、证据比对等工作均在本地终端完成。唯有把智能辅助能力嵌入端侧办案场景，才能实现“贴身式”智能支撑。检察官日常智能辅助需求，如案卡校验、证据完整性核查等，以分类、抽取、比对等判别式任务为主，而非开放式内容生成。这使得通过RAG技术将推理能力与知识存量解耦成为可能，由小模型负责逻辑推理和研判工作，轻量级知识库负责精确知识供给，二者各司其职。

（三）轻“个体逻辑”重“协调运行”。小模型在端侧独立智能体中承担核心推理职责，但并非代替大模型。具体来看，云端大模型重点承担三项职能：第一，基于聚合的办案数据开展分析，为每个罪名领域自动生成高质量“思维链”训练样本；第二，对不同检察官的技能适配器进行跨个体逻辑一致性校验，确保个性化智能辅助恪守法律规范底线；第三，当检察官遇到小模型无法处理的疑难复杂案件时，云端大模型充当小模型的“增强教师”，通过安全脱敏通道提供高阶推理支持。简单、重复、标准化程度高的任务直接交由端侧专业小模型处理，发挥其速度快、成本低、可离线运行的优势；复杂、非标准化、需深度推理或跨领域知识整合的任务，则可通过安全脱敏通道提交云端大模型完成。二者形成“小模型做判别，大模型做生成；小模型管日常，大模型攻疑难”的互补格局，实现资源利用与任务难度之间的最优匹配。

轻量级法律监督智能体的系统设计

法律监督小模型系统定位于检察领域垂直轻量化大语言模型，参数规模锁定7B—13B量级，支持在国产软硬件环境下完全本地化部署。其技术实现遵循以下基本路径：

（一）精准注入法律监督领域知识图谱。本路径核心思路是以通用开源基座为基础，通过持续增量预训练完成领域知识适配，在保留通用模型语言理解能力的前提下，系统性解决通用模型存在的法律监督专业概念认知偏差、监督规则逻辑表征不足等问题。在小模型中嵌入法律监督专属语料库，收录结构化的法律法规、司法解释、检察业务规范、典型监督案例等内容，全面覆盖“四大检察”场景。强化“监督情形—法律依据—处理方式”语义关联表征，在预训练阶段注入实体约束与关系约束，提升模型对监督要点的精准识别能力。

（二）适配本地化部署算力系统。通过融合模型压缩、推理引擎优化与检索增强架构，能够实现小模型在低算力环境下高效离线运行，契合政法机关“数据不出域”的要求。构建“小模型+本地知识库”的RAG部署架构，由模型负责逻辑推理与意见生成工作，本地向量库存储最新法条、案例与业务规范，依托检索机制实时调用最新知识，既弥补小模型知识更新滞后短板，又有效减少模型幻觉；同时，所有数据处理均在检察工作网内闭环运行，符合政法数据安全保密相关要求。

（三）构建“大—小”模型协同性配合机制。大模型与小模型协同遵循“分层路由、能力互补、安全闭环”的核心逻辑，构建“大模型深度推理、小模型高频执行”的分工架构，兼顾推理精度、运行成本与数据安全。大模型承担“能力底座”功能，负责复杂逻辑推演、领域知识沉淀与高质量样本生成，并通过知识蒸馏技术，将推理逻辑与规则认知压缩迁移至小模型，持续迭代小模型专业能力；小模型承担“前端执行”功能，负责完成原始案卷数据的结构化提取、初步筛选，将清洗后的信息传至大模型，大幅削减大模型的计算负载与缩短响应耗时，从而形成协同性系统运行机制。

总之，以高智能密度为特征的小模型与轻量级知识库深度融合的端侧部署方案，是适配司法场景专业性与安全性要求内生形成的技术逻辑。在法律监督运行层面，实现小模型推理能力与知识库精准协同，是建构轻量级法律监督智能体的关键问题。其核心思路表现为由“规模驱动”转向“效能驱动”、由“云端集权”转向“端侧自主”、由“通用能力”转向“罪名深耕”。在这一范式中，每个检察官都能拥有一个适配自身办案风格、运行于本地终端的专属智能辅助系统，确保模型决策过程可解释、可溯源，开辟了人工智能赋能法律监督模型发展的新路径。

[作者分别为天津师范大学政治与行政学院教授、博士生导师，山西省阳城县人民检察院二级主任科员。本文系2025年度山西省人民检察院检察理论研究重点课题“基于大语言模型的证据审查规则建构与系统实现”（SX2025A02）的阶段性研究成果]