Story2Proposal：基于契约治理的多智能体科学论文写作脚手架 Story2Proposal: A Scaffold for Structured Scientific Paper Writing
通过持久共享视觉契约协调多智能体，将研究故事转化为结构化学术手稿
前置知识
多智能体系统（Multi-Agent System）
多智能体系统是由多个自治的智能体组成的协作系统，每个智能体具有特定的专长和职责。在自然语言处理领域，多智能体框架通过将复杂任务分解为子任务，由不同专业化的智能体分别处理，再通过协调机制整合结果。例如MetaGPT、AutoGen等框架展示了多智能体在复杂推理任务中的优势。这种分工协作的方式能够降低单一模型的负担，提高任务完成的质量和可控性。
Story2Proposal的核心架构就是多智能体系统，理解智能体如何分工协作是理解本文方法的基础
结构化生成（Structured Generation）
结构化生成是指在文本生成过程中引入显式的结构约束，引导模型按照预定义的格式、模板或规则生成内容。与自由文本生成不同，结构化生成通过语法引导、模板填充、中间表示等方式确保输出满足特定的结构性要求。这种方法在需要严格格式的场景（如代码生成、表单填写、学术论文）中尤为重要，能够显著减少格式错误和结构漂移。
本文的视觉契约本质上就是一种结构化生成机制，理解结构化生成有助于把握论文的技术创新点
视觉契约（Visual Contract）
视觉契约是本文提出的核心概念，它是一种持久化的共享状态表示，记录了论文生成过程中所有的视觉和结构义务。契约包含三层信息：全局视觉注册表（记录所需图表）、节级义务（指定每个章节需要包含的视觉元素）、验证规则（强制执行文档一致性）。所有智能体在生成过程中都能访问和更新这个契约状态，确保视觉元素在整个文档生命周期中保持一致。
这是本文最核心的创新概念，理解视觉契约的设计和运作机制是理解整个框架的关键
生成-评估-适应循环（Generate-Evaluate-Adapt Loop）
这是一种迭代式的生成机制，在生成过程中集成评估智能体对中间产物进行持续监控和反馈。评估智能体分析中间输出的推理质量、数据保真度和视觉一致性，产生反馈信号用于更新契约状态，从而指导下一轮生成。这种机制使得问题能够在早期被发现和纠正，避免错误在后续阶段累积放大。
这是Story2Proposal与传统单次生成方法的重要区别，理解这个循环机制有助于把握框架的动态特性
研究动机
当前自动化学术论文生成面临的核心问题是跨章节一致性维护的困难。当研究者尝试从一个高层研究概念生成完整的会议论文时，引言需要建立动机和贡献，方法部分需要提供与这些贡献对齐的技术细节，实验必须验证前述声明，相关工作需要在不与方法论矛盾的情况下定位所提方法。这种跨章节一致性、声明-证据对齐和引用接地的要求将学术写作与其他长文本生成任务区分开来。现有方法存在四种典型失败模式：第一，章节漂移（section drift），即后续章节偏离初始问题框架；第二，声明-实验错位（claim-experiment misalignment），即声明的贡献缺乏相应的实证验证；第三，引用-论证脱节（citation-argument disconnection），即参考文献未能为具体技术声明提供支撑；第四，章节间矛盾（inter-section contradictions），即方法描述与实验设置冲突。直接提示方法生成端到端的论文而没有中间控制机制，单智能体长文本生成系统缺乏处理不同论文章节所需的专业知识，大纲方法提供了高层结构但缺乏足够的语义接地来维持论证连贯性。
本文的目标是本文的具体目标是开发一个契约治理的多智能体框架，能够将研究故事（research story）自动转化为结构化的学术手稿，同时在整个文档生命周期中维持叙事推理、实验证据和视觉元素之间的对齐。系统需要满足以下可衡量的目标：在多个语言模型后端上实现一致的性能提升，专家评估分数超过现有的无约束生成管线和结构化基线；确保生成的图表在整个文档中保持一致的引用和定位；通过持久化的契约状态防止结构漂移和格式错误。最终目标是提高自动化科学写作系统的可靠性和结构完整性。
与已有工作不同的是，本文的独特切入角度在于引入了持久共享视觉契约这一中间语义层。与现有方法的本质区别在于：第一，不同于无约束的端到端生成，Story2Proposal将论文生成建模为契约治理的构造过程，所有结构和视觉义务都被显式表示并持续强制执行；第二，不同于单智能体系统，框架通过专业化的智能体分工协作，每个智能体专注于特定的生成阶段；第三，不同于静态大纲方法，契约状态是动态演化的，评估智能体的反馈信号会触发契约更新；第四，不同于事后验证，生成-评估-适应循环在生成过程中持续监控和纠正问题。这种设计抓住了一个被忽视的关键点：学术论文生成需要的不仅是结构模板，更需要一个能够追踪语义来源、维护视觉-叙事对齐的动态治理机制。
核心方法
Story2Proposal的方法可以用建筑施工来类比：如果把论文生成比作建造一栋大楼，那么研究故事就是建筑需求，视觉契约就是施工图纸和规范，架构师智能体负责整体设计，写作者智能体是各个工种的施工人员，润色者智能体是质量检查员，渲染者智能体负责最终验收。技术路线上，框架采用四阶段流水线：首先，架构师智能体将研究故事转化为结构化蓝图并初始化契约状态；其次，写作者智能体在契约约束下生成各章节草稿；然后，润色者智能体执行全局对齐和压缩；最后，渲染者智能体进行确定性的LaTeX输出和结构验证。整个过程中，评估智能体持续监控中间产物，产生反馈信号更新契约状态，形成动态的生成-评估-适应循环。
本文最核心的创新是持久共享视觉契约（persistent shared visual contract）的设计。与已有方法最本质的区别在于：传统方法将论文生成视为无约束的文本序列生成任务，验证只在生成完成后进行；而Story2Proposal引入了一个显式的契约来治理结构和视觉需求，这个契约贯穿整个生成过程。契约包含三个层次的信息：全局视觉注册表维护所需视觉元素的集合V，记录每个元素的类型、语义描述、规范标签和预期引用位置；节级义务指定每个章节si必须包含哪些视觉元素，确保叙事解释与支撑其科学声明的图表对齐；验证规则强制执行文档范围的一致性要求，如唯一标签、有效交叉引用和视觉描述与文本上下文的对齐。这种设计的革命性在于：它将隐式的格式决策转化为显式的结构规范，使得智能体在生成过程中能够感知结构义务，从而防止常见的无约束生成失败模式。
方法步骤详情
Story2Proposal的生成过程可以形式化描述为：M = A_rend(A_ref(A_w(A_arch(S, C_0), C_1), C_2), C_3)，其中各智能体依次执行。第一步，架构师智能体A_arch接收研究故事S和初始契约C_0，输出蓝图B和更新的契约C_1。它将叙事分解为有序的章节结构{s_i}，为每个章节指定论证大纲（包括关键声明和支撑证据），识别候选视觉元素并注册到契约的视觉注册表V中，为每个元素分配语义描述和规范标签，然后将元素映射到节级义务。第二步，写作者智能体A_w根据章节规范s_i和契约状态C_t生成草稿D_i，草稿遵循规划的论证结构并包含契约中注册的视觉引用，视觉标记和引用标识符必须与契约注册表匹配。第三步，润色者智能体A_ref对生成的草稿{D_i}执行全局对齐，压缩冗余解释、统一跨章节术语、确保每个视觉元素在周围文本中得到适当描述，如果检测到不一致性则触发契约更新。第四步，渲染者智能体A_rend将润色后的手稿转换为稳定的LaTeX输出，解析所有视觉引用、标准化标签标识符、验证交叉引用，输出最终手稿制品M。
技术新颖性
Story2Proposal的技术新颖性体现在以下几个方面。首先，与传统的端到端生成方法（如DirectChat）相比，本文引入了显式的契约治理机制，将隐式的格式决策转化为显式的结构规范。传统方法中，语言模型需要同时管理推理、格式、章节结构和视觉引用，增加了生成任务的复杂性；而Story2Proposal通过外部化这些职责，让语言模型专注于局部推理和内容生成。其次，与结构化基线（如Fars）相比，本文的契约不是静态模板，而是动态演化的状态。评估智能体的反馈信号会触发契约更新，可能引入额外的验证规则、修改视觉放置约束或要求为特定元素添加解释性上下文。第三，与现有多智能体系统相比，Story2Proposal维护了跨迭代修订的记忆，通过声明-证据映射实现跨章节的一致性。第四，框架实现了双向的来源追踪，能够追溯生成内容到结构化输入表示中的特定语义字段，这在现有系统中是缺失的。
实验结果
实验结果表明Story2Proposal在多个维度上实现了显著改进。在与DirectChat的跨模型比较中（表2），Story2Proposal在所有四个语言模型后端上都取得了更高的专家评估分数：GPT上达到5.962对比4.078，Claude上达到6.153对比3.864，Gemini上达到6.257对比3.934，Qwen上达到6.207对比3.975。平均而言，Story2Proposal获得6.145分而DirectChat获得3.963分，提升了+2.182分。这一改进在不同模型后端上保持稳定，表明优势主要来自契约治理架构而非特定的语言模型能力。在与结构化基线Fars的比较中（表3），Story2Proposal同样在所有四篇基准论文上取得了更高的分数：Escrowed Batch Reveal从4.928提升到5.459，Symbolic Execution从5.638提升到5.886，Hazard-Signature Tombstones从4.709提升到5.600，Poisoning LLM-Induced Rules从5.511提升到5.876。平均分数从5.197提升到5.705，改进幅度为+0.508。尽管改进幅度小于与DirectChat的比较，但结果表明即使相对于结构化基线，维持演化契约状态和在生成过程中强制执行结构义务也能提高文档可靠性。专家评审员报告称，Story2Proposal生成的稿件在结构完整性和格式稳定性方面表现更好，特别是在实验章节中，图表的引用和定位保持一致。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 跨模型论文生成（vs DirectChat） | 专家评估分数（8维度平均） | 6.145（四模型平均） | 3.963（DirectChat） | +2.182（+55%） |
| GPT后端论文生成 | 专家评估分数 | 5.962 | 4.078（DirectChat） | +1.884（+46%） |
| Claude后端论文生成 | 专家评估分数 | 6.153 | 3.864（DirectChat） | +2.289（+59%） |
| Gemini后端论文生成 | 专家评估分数 | 6.257 | 3.934（DirectChat） | +2.323（+59%） |
| Qwen后端论文生成 | 专家评估分数 | 6.207 | 3.975（DirectChat） | +2.232（+56%） |
| 结构化基线比较（vs Fars） | 专家评估分数（4论文平均） | 5.705 | 5.197（Fars） | +0.508（+10%） |
| Escrowed Batch Reveal | 专家评估分数 | 5.459 | 4.928（Fars） | +0.531（+11%） |
| Hazard-Signature Tombstones | 专家评估分数 | 5.600 | 4.709（Fars） | +0.891（+19%） |
局限与改进
论文承认了几个重要的局限性。首先，与Fars基线的改进幅度小于与DirectChat的比较，这表明当替换无约束的提示生成系统时收益最大，而结构化基线已经缓解了许多基本的结构错误。其次，框架依赖评估智能体来检测不一致性，如果评估智能体未能识别细微的推理弱点（例如满足结构要求但科学性较弱的解释），契约状态可能不会触发纠正更新，导致生成的稿件在结构上有效但推理不够严谨。第三，对于不完整的研究输入存在局限性，因为Story2Proposal强制执行结构和视觉义务而非生成缺失的科学证据，基于不完整研究故事生成的稿件可能在逻辑上一致但仍反映底层叙事的空白。从我的观察来看，实验设计也存在一些值得注意的地方：评估采用2x4x10的设计（2种方法、4个模型、10个评审员），但论文未报告评审员间一致性（inter-rater agreement），这可能影响结果的可靠性；此外，所有实验基于Jericho研究语料库构建的任务，未在更广泛的研究领域验证框架的泛化能力。
独立分析的弱点
从独立分析的角度来看，Story2Proposal存在以下几个值得关注的弱点。第一，评估智能体的能力瓶颈：当前框架将推理质量、数据保真度和视觉一致性的评估完全委托给评估智能体，但这些智能体本身也是语言模型，可能存在与生成智能体类似的局限性。在复杂科学推理场景中，评估智能体可能无法识别深层次的逻辑错误或科学不准确性，导致结构正确但内容有误的稿件通过验证。改进方向是引入更专业的领域知识验证模块，或结合外部知识库进行事实核查。第二，契约设计的静态性：尽管契约状态会根据反馈动态更新，但契约的schema（三层结构）是预先定义的，难以适应不同学科或不同类型论文的特殊结构需求。改进方向是设计可扩展的契约模板系统，允许用户自定义特定领域的结构规范。第三，缺乏定量的自动评估指标：当前完全依赖人类专家评审，这限制了实验的可重复性和规模。改进方向是开发与人类评估高度相关的自动化指标，如结构一致性分数、视觉-叙事对齐度等。
未来方向
基于本文成果，未来研究可以从以下几个方向展开。作者提出的改进方向包括：集成检索机制或证据验证系统，在论文生成前扩展或验证输入研究故事的完整性；开发更丰富的评估信号和更专业的批评模块，利用结构化风险分类法改进对细微推理问题的识别。基于论文成果可延伸的方向包括：将契约治理机制应用于其他长文本生成任务，如技术报告、项目提案、专利文档等；开发交互式的契约编辑界面，允许人类研究者在生成过程中干预和调整契约状态；探索契约状态的版本控制和变更追踪，支持论文的迭代修订过程；将框架与文献检索系统集成，自动验证引用的准确性和相关性；研究契约的自动推断，从少量示例论文中学习特定领域的结构规范。
复现评估
关于复现评估，论文提供了相对详细的实现描述。系统由四个智能体（架构师、写作者、润色者、渲染者）组成，通过共享视觉契约进行交互，采用生成-评估-适应循环。论文使用四个广泛使用的大语言模型（GPT、Claude、Gemini、Qwen）进行评估，确保了跨模型的鲁棒性验证。然而，论文未明确说明是否开源了完整代码和数据，这可能影响其他研究者的复现能力。算力需求方面，由于需要运行多个智能体和评估循环，计算成本可能显著高于单次生成方法。数据方面，实验基于Jericho研究语料库构建的研究故事和论文任务，评审采用2x4x10的设计（2种方法、4个模型设置、10个独立专家评审员），但具体的提示词、智能体配置和评估标准的细节可能需要进一步确认。总体而言，框架的核心思想（契约治理、多智能体协作、生成-评估-适应循环）具有较好的可复现性，但完整的系统复现需要对多智能体系统和LaTeX生成有一定经验。
论文图表