法律智能旨在支持跨越长时程、案件状态不断演化且涉及多角色的决策过程。然而，真实部署中案件在事实、证据和程序上下文上差异巨大，导致静态代理策略难以适应。同时，法律推理在不同角色和程序阶段之间高度相互依赖，整体可靠性远不同于单一角色的能力。为此，我们研究 无训练的测试时代理适应：代理在部署期间持续利用前置案件和当前交互信号，而不更新模型参数。我们提出 \method，核心包括两大机制：
- 测试时记忆进化（Test-Time Memory Evolution）：从历史案件中检索可复用经验，依据当前事实和程序上下文进行适配，并将适配后的经验整合进记忆库，以供后续决策使用。
- 基于评分标准的协作（Rubric-Aligned Collaboration）：依据行为和程序要求对角色特定的行动进行验证和修正，实现跨角色、跨阶段的协同决策。
在 J1‑EVAL 与 LegalWorld 两大基准上，使用五种主干模型进行实验，结果显示相较于已有推理和代理基线，\method 能在保持合理交互和计算成本的前提下实现一致性提升。消融实验和案例分析进一步表明，记忆进化与评分协作在经验适配和跨角色协调上互补，显著提升了长时程法律推理的可靠性与效率。
点评：\method 通过动态利用部署时信号和结构化协作，突破了传统静态模型在法律场景中的局限，为实现更稳健、可扩展的法律智能奠定了实践基础。