随着大语言模型（LLM）代理的逐步成熟，它们在法律领域的应用日益增多。法律判决预测（LJP）要求模型进行多步推理并检索外部法律证据。现有法律检索代理往往直接依据用户的初始请求生成检索查询，忽视潜在的法律争点和关键细节，导致检索质量受限。为此我们提出 LegalEvolver，一个专为 LJP 设计的查询优化框架。框架的核心思路是：① 将高质量的优化查询视为种子，通过启发式方法快速生成检索轨迹；② 将多轮检索的经验抽象为评分表（rubric），并在后续的自我进化过程中以评分表为指导进行强化学习（RL）。在每一轮迭代中，模型先依据当前评分表对查询进行优化，再利用评分表引导的 RL 更新模型参数，使其突破初始性能上限。实验在多个公开基准上进行，结果显示：优化后的查询显著提升了检索召回率和最终判决准确率；相较于仅使用监督微调（SFT）后再进行 RL 的基线，评分表引导的训练效果更佳；使用不断演化的动态评分表进一步超越固定评分表的表现，验证了自我进化机制的有效性。\n\n点评：LegalEvolver 通过将检索查询的生成与评分表驱动的自我进化相结合，提供了一条提升 LJP 系统检索质量的可行路径，尤其在多轮推理和证据获取环节展现出强大的适应性和鲁棒性。