법률 추론은 의미적 유사성 검색 (semantic similarity search)이 아닙니다. 법원의 판결은 판례 전파 (precedent propagation), 절차적 상태 전이 (procedural state transitions), 법령에 기반한 추론 (statute-bound inference)과 같은 제약된 상징적 추론 (constrained symbolic reasoning)을 인코딩합니다. 이러한 특성들은 벡터 기반의 검색 증강 생성 (RAG)이 충실하게 표현할 수 없는 것들입니다. 환각된 판례 (hallucinated precedents), 오래된 법령 인용, 그리고 근거 없는 추론 체인 (reasoning chains)은 LLM 기반 법률 AI에서 지속적인 실패 모드로 남아 있으며, 이는 인도와 같이 사건 부하가 높은 관할 구역에서 정의에 대한 접근성에 실질적인 결과를 초래합니다.

본 논문은 IRAC (Issue, Rule, Analysis, Conclusion) 지식 그래프 상의 구조화된 추론에 생성을 근거하는 인도 법률 AI를 위한 그래프 제약 생성 프레임워크인 Falkor-IRAC를 제시합니다. 인도의 대법원 (Supreme Court) 및 고등법원 (High Courts)의 판결문은 절차적 상태 전이, 판례 관계, 법령 참조가 풍부하게 포함된 IRAC 노드 구조로 입력되며, 저지연 에이전트 탐색 (agentic traversal)을 위해 FalkorDB에 저장됩니다. 추론 시점에는 LLM이 생성한 답변이 그래프를 통해 유효한 지원 경로를 추적할 수 있는 경우에만 수락되며, 이 확인 작업은 Verifier Agent라고 불리는 반증 가능성 오라클 (falsifiability oracle)에 의해 수행됩니다. 또한, 이 시스템은 교리적 충돌 (doctrinal conflicts)을 조용히 해결하는 대신 일급 출력 (first-class output)으로서 탐지합니다.

Falkor-IRAC는 그래프 네이티브 지표 (graph-native metrics)인 인용 근거 정확도 (citation grounding accuracy), 경로 유효성 비율 (path validity rate), 환각 판례 비율 (hallucinated precedent rate), 그리고 충돌 탐지율 (conflict detection rate)을 사용하여 평가됩니다. 이러한 지표들은 BLEU 및 ROUGE보다 법률 추론 평가에 더 적합하다고 주장됩니다. 51개의 대법원 판결문으로 구성된 개념 증명 (proof-of-concept) 코퍼스에서, Verifier Agent는 완료된 쿼리에 대해 인용을 정확하게 검증하였고 조작된 인용을 정확하게 거부하였습니다. 벡터 전용 RAG 베이스라인과의 비교 평가 및 현재 CPU 하드웨어에서의 타임아웃 문제를 해결하기 위한 GPU 가속 추론은 향후 과제로 남겨둡니다.