Prompt-to-Paper：生物信息學中的智能體AI系統

近年來，大型語言模型的進步使得端到端自動手稿生成成為可能，但現有系統存在三個關鍵缺陷：生成的聲明無法確定性追溯到可驗證文獻、實驗結果往往被捏造而非實際執行、缺乏多維度標準化評估框架。

為解決這些問題，研究者提出了Prompt-to-Paper，一個多智能體框架，通過三項集成創新直接填補評估空白。首先，確定性檢索增強生成管線採用分節相關度評分和雪球引文擴展，將每個聲明錨定在60-100篇論文的可驗證語料庫中。這一方法確保了每個聲明都有可靠的文獻支持，避免了虛構引用。

其次，自主編碼代理能夠執行真實的計算生物學實驗，如基因表達分析或蛋白質結構預測，用實際數值結果替代合成輸出。這消除了AI生成論文中常見的實驗數據造假問題，使結果可復現。

第三，8維自動質量評分器基於已發表論文的近似參考統計進行基準測試，並加入明確的幻覺懲罰，提供標準化、可復現的質量評估。該評分器覆蓋科學性、完整性、可讀性等多個維度，並針對AI幻覺特別懲罰。

質量驅動的改進循環使用富含上下文的修訂器，將每次迭代路由到三個研究人員操作之一：重新生成內容、補充實驗或修改分析。每十次迭代觸發一次深度研究循環，重新運行實驗並從更強的輸出重新生成手稿。該系統在五個生物信息學案例研究中得到驗證，所有五個案例均生成了提交格式的PDF，且無一超出範圍的引用。改進循環使手稿質量平均提升17.96分（0-100分制），最高提升26.04分。作為部分外部檢查，一位人類評審員給五份手稿平均打出了7.0分（滿分10分）。每篇完整手稿的生成成本約為0.31美元，包括API調用和計算資源。

該論文於2026年7月5日提交至arXiv，作者包括Ramsha Kamran等六人，主題涵蓋人工智能（cs.AI）、計算與語言（cs.CL）以及定量方法（q-bio.QM）。Prompt-to-Paper為AI輔助學術寫作設立了新標準，有望加速科研產出並提高論文質量。