Prompt-to-Paper：生物信息学中的智能体AI系统

近年来，大型语言模型的进步使得端到端自动手稿生成成为可能，但现有系统存在三个关键缺陷：生成的声明无法确定性追溯到可验证文献、实验结果往往被捏造而非实际执行、缺乏多维度标准化评估框架。

为解决这些问题，研究者提出了Prompt-to-Paper，一个多智能体框架，通过三项集成创新直接填补评估空白。首先，确定性检索增强生成管线采用分节相关度评分和雪球引文扩展，将每个声明锚定在60-100篇论文的可验证语料库中。这一方法确保了每个声明都有可靠的文献支持，避免了虚构引用。

其次，自主编码代理能够执行真实的计算生物学实验，如基因表达分析或蛋白质结构预测，用实际数值结果替代合成输出。这消除了AI生成论文中常见的实验数据造假问题，使结果可复现。

第三，8维自动质量评分器基于已发表论文的近似参考统计进行基准测试，并加入明确的幻觉惩罚，提供标准化、可复现的质量评估。该评分器覆盖科学性、完整性、可读性等多个维度，并针对AI幻觉特别惩罚。

质量驱动的改进循环使用富含上下文的修訂器，将每次迭代路由到三个研究人员操作之一：重新生成内容、补充实验或修改分析。每十次迭代触发一次深度研究循环，重新运行实验并从更强的输出重新生成手稿。该系统在五个生物信息学案例研究中得到验证，所有五个案例均生成了提交格式的PDF，且无一超出范围的引用。改进循环使手稿质量平均提升17.96分（0-100分制），最高提升26.04分。作为部分外部检查，一位人类评审员给五份手稿平均打出了7.0分（满分10分）。每篇完整手稿的生成成本约为0.31美元，包括API调用和计算资源。

该论文于2026年7月5日提交至arXiv，作者包括Ramsha Kamran等六人，主题涵盖人工智能（cs.AI）、计算与语言（cs.CL）以及定量方法（q-bio.QM）。Prompt-to-Paper为AI辅助学术写作设立了新标准，有望加速科研产出并提高论文质量。