CAF-Gen：一种用于丰富论证结构的多智能体系统
从自然文本中形式化复杂推理是计算语言学的核心挑战。当前的论证挖掘技术能识别基本主张和前提，但难以捕捉更丰富的结构信息。CAF-Gen是一个自动化多智能体框架，通过迭代的创建者-审查者流水线，将浅层论证结构丰富为符合卡尼德斯论证框架（CAF）的模型。实验表明，迭代反馈循环提高了数据质量，并与原始标注高度一致。
在计算语言学领域，从自然文本中形式化复杂推理是一项核心挑战。这不仅要求系统理解关键词，还需要把握文本中嵌入的语境和复杂推理过程。当前的论证挖掘（Argument Mining, AM）技术虽然能够识别基本的论证主张和前提，但在捕捉更丰富的结构信息方面往往力不从心，例如卡尼德斯论证框架（Carneades Argumentation Framework, CAF）所要求的前提类型、证明标准和论证方案等要素。
为了克服这一局限，研究者提出了CAF-Gen，这是一种自动化的多智能体框架，旨在将浅层论证结构丰富为符合CAF的论证模型。CAF-Gen的核心是一个迭代的创建者-审查者流水线：首先由创建者智能体生成初步的论证结构，随后由一个批判性智能体对其进行验证，以确保结构的完整性。这种多智能体协作对于缓解单次生成模型中常见的结构不稳定性至关重要。
实验结果表明，迭代反馈循环不仅提高了生成数据的质量，而且与原始标注保持了高度一致，同时产生了结构更丰富的模型。研究者的发现表明，多智能体系统能够克服单次生成的局限性，为自动建模形式化论证提供了一种稳健的方法论。该论文已被ICCCI 2026会议录用，并将在会议论文集中发表。
CAF-Gen的提出为计算语言学中的复杂推理形式化开辟了新路径。通过自动化地将自然文本中的论证转化为符合先进框架的结构化模型，它有助于推动论证分析、法律推理、教育评估等多个领域的发展。未来工作可能包括扩展框架以支持更多类型的论证模式和更复杂的推理场景。