答对了，理由却错了：港科大提出LexAgentHallu，追踪智能体的「隐性幻觉」
让智能体分析一起法律案件，它可能检索法规、整理事实、列出理由，最后给出一个看起来完全正确的答案。
问题可能出在更早的一步：它引用了错误法源，算错了程序期限，或者误解了工具返回的内容。后面的推理越流畅，这个错误反而越容易被最终答案遮住。
如今，法律大模型正在从单轮问答走向智能体。系统不再只是生成一段文字，而是会规划任务、调用检索工具、读取材料，并依据中间结果继续行动。人们把更多步骤交给模型，也就更难逐项确认它究竟看到了什么、为什么作出当前判断。
一次幻觉，开始有了跨步骤的后果。
香港科技大学的研究团队将目光放在了这条执行链上。他们提出智能体幻觉评测基准 Lex Agent Hallu ，把观察对象从最终答案扩展到完整轨迹，并将错误定位到具体步骤。
这项工作的出发点很直接：当一个智能体说“依据已经找到”“规则适用于当前事实”时，评测不能只看结论对不对， 还要检查支撑结 论的理由 是否真实、准确并且前后一致 。
论文标题：LexAgentHallu: A Hierarchical Benchmark for Profiling Hallucinations in Legal Agents
机构：香港科技大学
论文地址：https://arxiv.org/abs/2609.09754
一个错误法源
可以带偏整条法律推理
过去评测法律大模型，最常见的做法是给出一道题，再检查最终答案是否正确。到了智能体场景，同一个错误还要继续往下追，看看它影响了哪些检索、引用和判断。
把一条法规的名称写错，可能只留下一个文本错误。把已经失效的规定当成现行法，或者把下位规范当成上位法，却可能改变后续的规则选择、事实适用和救济建议。
智能体的风险因此不只来自“编造”。它也可能找到真实材料，却把材料用错；调用了正确工具，却填写了错误参数；看到了相关结果，却误读了结果所支持的范围。
一次幻觉，不再只是错误文本，而可能成为下一步法律判断的前提。
LexAgentHallu 因此不把最终答案视为唯一评测对象。它沿着智能体的执行轨迹逐步检查：系统如何规划、调用了什么工具、读到了什么结果、保留了哪些信息，以及怎样把事实与规则连接起 来 。
智能体的幻觉
究竟藏在哪里
LexAgentHallu 建立了一套 双层分类 体系。
第一层关注法律内容本身 ，包括法源、法律原则、程序规则和事实适用等错误。 第二层关注智能体执行过程 ，包括规划与推理、记忆，以及工具调用与观察结果理解等错误。两层合计包含 7 个中层类别和 27 个细粒度子类。
这套分类的目的不是给错误换一组名称，而是让问题能够被定位。法源伪造需要核验引用，事实—规则错配需要重新检查要件，工具参数错误需要约束调用接口，记忆偏移则指向上下文管理。
基准的构建也围绕“ 难例 ”和“ 可核验 ”展开。研究团队从多类法律任务中收集数据，过滤容易样本，再由具备法律训练背景的标注者核对答案、法源和推理轨迹，最后完成幻觉分类与专家复核。
图 1｜LexAgentHallu 的四阶段构建流程。来源：原论文 Figure 1，第 4 页。 最终， LexAgentHallu 收录 3414 个实例，覆盖 17 个法律类别和 6 类任务 。它不只回答“系统错了多少”，还试图说明错误发生在哪里、属于哪一类，以及是否可能继续污染后续步骤。
最好的配置
也有 89% 的轨迹出现幻觉
论文评测了 18 种闭源和开源智能体配置 。结果显示，高幻觉率并不是个别系统的边缘现象。
即使表现最好的配置，仍有 89% 的执行轨迹至少出现一次幻觉 。 所有系统在法律内容层面的幻觉频率都不低于 87.5%。
这组结果并不等于“所有法律回答都有同样风险”。它说明的是，在这套强调困难样本和完整执行轨迹的评测中，当前系统很难从头到尾保持一条干净、可核验的推理链。
模型、工具和编排方式还会共同改变错误分布。ReAct 式的行动—观察循环在整体幻觉和法律内容幻觉上更有优势；法律专用工作流更能压低过程性错误；预先规划再执行的方式，在本实验中没有表现出稳定领先。
因此，部署智能体时，不能把模型、工具和流程拆开评估。更强的基础模型，仍可能在不合适的检索流程里放大错误；较小的模型，也可能通过更明确的工具协议和过程约束获得更稳定的表现。
答案已经正确
为什么理由仍然不可信
论文提出了一个很直观的指标： RAWR ，即 Right-Answer-Wrong-Reason 。它只观察最终答案正确的样本，再检查这些样本的执行轨迹中是否仍然存在幻觉。
结果显示， 在答案正确的前提下，平均仍有 68% 的轨迹包含至少一种法律内容幻觉，37% 的轨迹包含至少一种智能体过程幻觉。
图 2｜RAWR 衡量“答对但理由错”的比例。红色为法律内容错误，蓝色为智能体过程错误。来源：原论文 Figure 4，第 7 页。
正确答案只能说明结论命中，不能证明推理链是干净的。
对法律咨询、合同审查和诉讼辅助等应用来说，这一区别尤其关键。用户需要的不只是一个看起来正确的句子，还需要能够追溯、核验并经得起反问的理由链。
如果系统只在输出端给出结论，却不暴露引用、推理和工具调用的质量，错误就可能在“答案正确”的表象下继续留存。
哪些任务更容易出问题
不同任务的幻觉频率并不均匀。开放式、长链条、需要综合事实与规则的任务，更容易暴露法律内容和过程错误。
图 3｜不同任务类型下的幻觉频率。判决分析、案例分析等开放式任务处于高位。来源：原论文 Figure 5，第 8 页。 在任务类型上，判决分析的法律内容幻觉频率达到 1.00，案例分析为 0.95；法律推理、法律咨询、法律知识问答和判决预测也都处于高位。
过程性幻觉呈现出不同排序。判决分析达到 0.83，判决预测为 0.71。较短输出并不必然安全：只要任务要求多步证据整合、期限判断或规则适用，规划和记忆仍可能成为风险点。
真正决定风险的，不只是题目看起来有多难，而是系统需要完成多长的“事实—规则—程序—结论”映射。任何一个环节发生偏移，后面的步骤都可能在错误前提上继续推进。
幻觉会不会沿着链条一起发生
论文还分析了 27 个细粒度幻觉子类之间的共现关系。结果显示，这些错误并不是随机散点，而会形成具有结构的组合。
图 4｜27×27 幻觉子类共现矩阵。红色表示正向共现，蓝色表示负向共现。来源：原论文 Figure 6，第 8 页。 程序期限错误与救济路径错误的共现提升度达到 2.82，程序步骤错误与程序后果错误达到 2.59。最强的跨组信号出现在法源层级错误与法律立场混淆之间，提升度达到 7.07。
这意味着，很多看似分散的错误可能共享同一个上游原因。法源层级一旦判断错误，后续的规则立场和事实适用就可能一起偏移；程序时钟一旦算错，期限、步骤和救济路径也可能连续出问题。
对系统治理来说，高风险错误可以被视为早期信号。一旦检测到法源层级、期限计算、程序步骤或事实要件映射异常，系统就应触发二次检索、规则校验或人工复核，而不是等到最终答案生成后再被动纠错。
从评测基准
怎样走向产品防线
LexAgentHallu 的直接价值，是把“幻觉很多”拆成可以处理的故障类型。把这套思路落到产品中，智能体至少需要三道检查。
生成前，明确边界 。系统需要确认适用法域、任务范围和可回答程度。在管辖权、时效或程序路径不清楚时，不应直接给出确定判断。
执行中，验证依据 。检索结果、引用来源、关键事实和工具返回值需要持续核对。一个中间结果不能只因为“看起来合理”就被带入下一步。
输出前，检查一致性 。结论与理由应当相互支撑，尤其要核对法源效力、程序期限、构成要件和救济路径。最终答案正确，也不能替代这一步检查。
更进一步，评测对象应当从单一模型扩展为“ 模型—工具—工作流 ”整体。系统如何检索、何时反思、怎样保留中间状态、在什么条件下停止，都是可靠性的一部分。
论文也提醒我们谨慎外推。LexAgentHallu 主要基于中国法律体系，并集中于单智能体场景。迁移到普通法、多法域检索或多智能体协作时，法源权威性、先例适用和程序规则都需要重新定义。
写在最后
LexAgentHallu 为智能体增加了一种更接近真实部署的评测方式： 不仅看最后答了什么，还要追踪答案是怎样形成的。
我们把法律任务交给智能体，是希望它能够稳定处理检索、事实整理和规则适用，而不是让用户在事后逐条排查一条看似顺畅的推理链。一个引用、一项期限判断、一次工具调用，都需要在进入下一步之前经得起核对。
“答对了，理由却错了”不只是一个评测现象。它提醒我们，智能体的可信度不能由最终答案单独证明。 真正可靠的系统，需要让错误更早暴露，也让错误更难沿着执行链继续传播。
作者简介
论文共同第一作者周钰锦、郑明轩、曹楚雪均为香港科技大学跨学科学院人工智能在读博士生，师从韩斯睿教授与郭毅可教授，研究方向涵盖法律人工智能、大模型安全对齐、与智能体等，成果发表于 ICML、EMNLP、ACL 等国际顶级会议。韩斯睿为香港科技大学助理教授、主要从事人工智能、法律科技与法律金融交叉研究。郭毅可教授为国际知名的计算机科学家、香港科技大学计算机科学及工程学系讲座教授、中国工程院外籍院士。