来自arXiv的论文《CAF-Gen: A Multi-Agent System for Enriching Argumentation Structures》由Jakub Bąba与Jarosław Chudziak撰写，于2026年6月4日提交（v1版本，提交时间为当日18:51:58 UTC，文件约424 KB）。该论文已被ICCCI 2026会议录用并将收录于会议论文集。论文归入计算与语言（cs.CL）以及人工智能（cs.AI）两个学科分类，编号为arXiv:2606.06646。
论文关注的核心问题是：如何从自然语言文本中形式化复杂推理。作者指出，这是计算语言学中最核心的挑战之一。这项工作不仅要求系统识别关键词，还要求其理解文本中嵌入的语境与复杂推理关系。当前的论点挖掘（Argument Mining, AM）技术能够识别基本的论断（claims）与前提（premises），但在捕捉更丰富的结构化信息方面往往力不从心，而这些信息恰恰是Carneades论证框架（Carneades Argumentation Framework, CAF）等高级图式所必需的。CAF包含了前提类型、证明标准以及论证图式（argument schemes）等特征。
为弥补这一不足，作者提出了CAF-Gen，一个自动化的多智能体框架，旨在将浅层的论证结构丰富为符合CAF规范的论证模型。该系统采用迭代式的“创建者—审阅者”（Creator-Reviewer）流程：创建者智能体先生成输出，随后由批判性智能体进行验证，以确保结构的完整性。作者强调，这种多智能体协作对于缓解单次生成模型常见的结构不稳定问题至关重要。
实验结果方面，论文表明迭代反馈回路提升了所生成数据的质量，在生成结构更丰富的模型的同时，与原始标注实现了高度对齐。研究结论认为，该多智能体系统能够克服单次生成的局限，为形式化论证的自动化建模提供了一套稳健的方法论。论文还提供了PDF与实验性HTML版本，以及TeX源代码和许可信息，并附带DOI（https://doi.org/10.48550/arXiv.2606.06646），其DOI由DataCite发放（登记待完成）。页面同时提供NASA ADS、Google Scholar、Semantic Scholar等引用工具，以及Connected Papers、Litmaps、scite、alphaXiv、Hugging Face、Replicate、TXYZ.AI等相关资源链接，并给出作者、机构、主题等推荐检索入口。