• Работа «Chinese Court Simulation with LLM-Based Agent System» (декабрь 2025) описывает архитектуру SimCourt как мультиагентную систему для моделирования суда.
• Система следует процедурному пайплайну уголовного процесса КНР из 5 стадий и моделирует участников (судья, прокурор, адвокат) как автономных агентов.
• У каждого агента описаны модуль профиля (жесткие ролевые установки), модуль памяти и модуль стратегии (planning & strategy) для проактивного планирования аргументов.
• Память реализована двухуровнево: Short-Term Memory для текущей стадии и Long-Term Memory, куда после каждой стадии добавляется саммари (summarize).
• Агенты имеют доступ к LegalOne (база судебных кейсов) и полному тексту УК через RAG (retrieval-augmented generation).
• В ablation study отключение стадии симуляции увеличивает Relative Error в предсказании тюремного срока; оценивание описано как blind review по стенограммам, базовая модель — DeepSeek-v3.

Почему это важно: Текст описывает попытку решить ограничения single-shot inference за счет того, что вывод формируется через конфликт нескольких агентов, а не внутри одной модели. Это подчеркивает переход в Legal AI от «оберток над API» и промптов к инженерному проектированию агентных архитектур для роста метрик точности. Механика спора выступает как встроенная проверка аргументов и снижает риск confirmation bias, о котором говорится в разборе.

На что обратить внимание: Симуляция жестко привязана к процедурному пайплайну уголовного процесса КНР, и в тексте не утверждается, что выводы автоматически переносятся на другие юрисдикции или форматы разбирательств. Для продакшена отдельно отмечается барьер юнит-экономики и UX: полная симуляция требует тысяч последовательных запросов к LLM на один кейс и кратно усложняет оркестрацию и поддержку пяти взаимодействующих агентов. В качестве следующего шага в одном из проектов упоминается компромиссный подход consensus вместо simulation, где модели валидируют друг друга асинхронно.