本研究提出一個混合框架，將大型語言模型(LLM)與 SMT 求解器整合，以實現財務監管合規性的自動化法律分析。我們的方法涵蓋金融監管框架的形式化表示，利用 LLM 的自然語言理解能力和 SMT 求解器的邏輯推理能力，實現更準確和高效的合規性驗證。

通過在實際金融案例上的應用，我們展示了該框架在識別監管違規、提出最小變更的合規方案方面的有效性。這項工作代表了符號 AI 和神經 AI 的成功結合，為金融科技和法律科技領域開辟了新的可能性。

本論文介紹了一種神經符號方法，用於自動化財務法律分析和合規性驗證。我們結合了 LLM 的強大語言理解能力與形式驗證工具(SMT 求解器)的邏輯推理能力，創建了一個能夠理解複雜法律文本並識別合規性問題的系統。

該研究的創新之處在於利用 LLM 的自我糾正機制，使系統能夠自動驗證和精化其生成的邏輯表示。通過在金融監管案例上的評估，我們展示了該方法相比傳統方法的優越性，並獲得了 ACM SIGSOFT 卓越論文獎。

本論文呈現了一個基於代理 AI 和符號推理的創新架構，用於自動化合規性糾正和優化。我們構建了一個多代理系統，其中每個代理專門負責特定的合規性層面，通過協作來識別和修正法律違規。

該系統的核心創新是實現了一個自適應的糾正管道，能夠在多個約束條件下生成最小變更的合規方案。我們使用 SMT 求解器來確保所有生成的方案都符合法律要求，同時保持實際可行性。該研究目前正在 TOSEM 期刊的「代理 AI 在軟體中的應用」特刊中進行同行評審。