Prompt-to-Paper：面向生物信息学的多智能体论文生成框架

arXiv 上发表的论文《Prompt-to-Paper: Agentic AI System for Bioinformatics》提出了一套面向生物信息学领域的多智能体论文自动生成框架。研究团队指出，尽管大语言模型已能实现端到端的稿件生成，但现有系统普遍存在三大缺陷：生成的观点无法确定性地追溯到可验证文献、实验结果常被编造而非真正执行、缺乏标准化的多维质量评估框架。

三大核心模块

Prompt-to-Paper 的设计围绕三个相互衔接的模块展开：

• 确定性 RAG 流水线：引入 section-aware 相关性评分与 snowball 引文扩展，将每一条观点锚定到由 60–100 篇论文构成的可验证语料库。
• 自主编码智能体：直接运行真实的计算生物学实验，用真实数值结果取代合成输出。
• 八维自动质量评分器：结合已发表论文的近似参考统计与显式幻觉惩罚项，提供可复现的质量打分。

质量驱动的改进循环

系统在生成与评估之间构建了一个反馈闭环。一个上下文丰富的 reviser 组件会根据评估结果，将每一次迭代路由到三种「研究者动作」之一；每完成十轮迭代，系统会触发一次「深度研究循环」，重新运行实验并基于更强输出重写稿件。

验证结果

研究团队在五项生物信息学案例上对系统进行了验证，主要结果如下：

• 五个案例全部成功生成符合投稿格式的 PDF，且引用全部落在可验证范围内，无越界引用。
• 改进循环使稿件质量在 0–100 分制上平均提升 17.96 分，最高提升达 26.04 分。
• 作为外部参考，人工审稿人对五篇稿件给出的平均评分为 7.0/10。
• 单篇论文的生成成本约为 0.31 美元。

论文同时坦承，自动化稿件生成仍面临幻觉、可复现性与学术伦理等开放问题，距离真正的「按需发表」仍有距离，但作为智能体在科研流程中的端到端探索，这一框架展示了将检索、执行与评估闭环串联的可行路径。