AgentAlpha团队突破AI科学写作难题：让机器像人类学者一样撰写完整论文

在人工智能飞速发展的今天，我们见证了机器在各个领域的惊人表现。但有一个领域一直让AI研究者们头疼不已——如何让机器像真正的学者一样，撰写出结构完整、逻辑清晰、图表呼应的科学论文。这个看似简单的任务，实际上比下围棋或者识别图片要复杂得多。

这项由中科院AgentAlpha团队领导的突破性研究发表于2026年3月的预印本论文平台，论文编号为arXiv:2603.27065v1。有趣的是，这篇论文本身就是由他们开发的AI系统撰写的，堪称"AI写AI"的典型案例。研究团队包含了20多位来自不同背景的研究者，他们共同开发了一个名为Story2Proposal的创新系统。

要理解这项研究的重要性，我们不妨先想象一个场景。当一位科学家有了新的研究想法后，他需要将这个想法转化为一篇完整的学术论文。这个过程就像是将一个朦胧的故事大纲转变为一部结构完整的小说。作者需要确保每个章节都有明确的作用，情节之间要相互呼应，人物描述要前后一致，而且还要在恰当的地方插入图表作为"插图"来支撑故事情节。

对于人类学者来说，这个过程虽然复杂但并非不可完成。然而，当我们要求AI来完成同样的任务时，问题就变得极其棘手。传统的AI写作系统就像是一个只会写单句话的机器人，你给它一个开头，它会一句接一句地写下去，但完全不知道前面写过什么，也不知道后面要写什么。结果就是写到一半可能就忘记了论文的主题，或者明明在前面提到了三个重要发现，到了结论部分却变成了四个。更要命的是，它可能会在文中提到"如图1所示"，但实际上根本没有图1，或者同一个图表被引用了好几次，每次的描述都不一样。

Story2Proposal系统的巧妙之处在于，它将论文写作过程比作一个建筑工程项目。在建造一栋大楼之前，建筑师会先设计蓝图，标明每个房间的位置、大小和用途。施工队会严格按照蓝图施工，电工知道在哪里布线，水管工知道在哪里铺设管道，装修工人知道哪面墙需要开窗。整个过程中，所有人都要遵循同一份合同，确保最终建成的大楼与蓝图完全一致。

在Story2Proposal系统中，这份"建筑蓝图"被称为"共享视觉合约"。这个合约就像一张详细的施工图纸，明确规定了论文的每个部分应该包含什么内容，需要插入哪些图表，这些图表应该在文中的什么位置被引用，以及各个章节之间应该保持怎样的逻辑关系。

更加令人惊叹的是，这个系统不是由一个万能机器人来完成所有工作，而是组建了一个专业的"施工队"。这个施工队包含四个各司其职的专业"工人"：建筑师机器人负责设计整体蓝图，作家机器人负责撰写具体内容，修订师机器人负责检查各部分是否协调一致，渲染师机器人负责最后的格式整理和图表插入。除了这四个主要工人之外，还有几个"质检员"机器人在旁边随时检查工作质量，一旦发现问题就立即反馈给施工队调整。

这种协作方式的效果是惊人的。研究团队在四种不同的大语言模型（GPT、Claude、Gemini和Qwen）上测试了这个系统，结果显示Story2Proposal生成的论文质量远超传统的单一AI写作方法。在专家评分中，Story2Proposal平均得到了6.145分的高分，而传统方法只有3.963分，提升幅度超过了50%。这就好比原本只能写出小学生作文水平的AI，突然能够撰写出接近研究生论文水平的文章。

一、化解AI写作的根本难题

要理解Story2Proposal系统的革命性意义，我们首先需要明白传统AI写作面临的核心困境。这个问题可以用一个很贴切的比喻来解释：传统的AI写作就像一个患有严重健忘症的作家。

这位"健忘作家"坐在桌前开始写作时，他的记忆力只能维持几分钟。他会兴致勃勃地写下开头，描述主人公的背景和故事的起因。但写到中间部分时，他已经完全忘记了开头写了什么。于是，原本说主人公是个医生的，到了中间可能就变成了律师。更糟糕的是，当他写到"如照片所示，主人公当时穿着白大褂"时，他完全不记得是否真的准备了这样一张照片，甚至可能根本就没有照片。

这种现象在AI写作长篇内容时表现得尤为明显。AI模型虽然在处理单个段落或短文时表现出色，但一旦需要维持长篇幅的内容一致性，就会出现各种问题。研究团队发现，传统的AI写作系统主要存在四大顽疾。

第一个问题是"章节漂移"现象。就像一艘没有罗盘的船在海上航行，AI写着写着就偏离了原定的航向。明明一开始要讨论的是气候变化对农业的影响，写到后面可能就变成了讨论新能源技术的发展。这种偏移往往是渐进的，读者刚开始可能还能跟上思路，但到了后面就会发现完全不知道文章要表达什么了。

第二个问题是"承诺兑现失败"。AI在文章开头往往会做出各种承诺，比如声称要通过三个实验来证明某个理论，或者表示要详细分析五个案例。但写到具体章节时，它可能只完成了两个实验的描述就直接跳到了结论，或者把五个案例莫名其妙地变成了六个。这就像一个导游在旅行开始时承诺会带游客参观五个景点，但实际行程中不是少了景点就是多了景点，让游客感到困惑不已。

第三个问题是"引用混乱"。在学术写作中，准确的文献引用至关重要。但传统AI系统经常会出现引用张冠李戴的情况，比如把张三的观点归到了李四名下，或者引用了根本不存在的研究。这就像在法庭上，律师引用法条时出现错误，不仅会影响案件的可信度，还可能导致整个论证的崩塌。

第四个问题是"内部矛盾"。同一篇文章的不同章节之间经常出现自相矛盾的表述。比如在方法章节描述使用了A方法，但在结果章节却说使用了B方法。或者在引言中声称这是首次研究某个问题，但在文献综述中又提到了多项相关的前期研究。这种矛盾让读者感觉作者的逻辑思维混乱，严重影响文章的权威性。

面对这些挑战，研究团队意识到，问题的根源在于传统AI写作系统缺乏一个统一的"记忆中枢"和"协调机制"。就像一个大企业如果没有统一的管理系统和沟通机制，各个部门就会各自为政，最终导致整个企业运转混乱。

Story2Proposal系统的核心创新就在于建立了一个"企业级管理系统"——共享视觉合约。这个合约就像企业的管理手册，详细记录了每个部门的职责、工作流程、质量标准和协作规范。无论是负责规划的建筑师AI，还是负责写作的作家AI，都必须严格按照这个合约来工作，确保最终产品的一致性和完整性。

更重要的是，这个合约不是一成不变的死文件，而是一个会不断更新的活系统。当质检员AI发现问题时，合约会立即更新，所有其他AI都会收到通知并调整自己的工作。这就像现代企业的实时管理系统，能够根据市场变化和内部反馈及时调整策略，确保企业始终朝着正确的方向发展。

通过这种方式，Story2Proposal系统彻底解决了传统AI写作的四大难题，让机器能够像真正的学者一样，写出结构完整、逻辑清晰、前后呼应的高质量学术论文。

二、四个机器人的完美协作

Story2Proposal系统的核心魅力在于它创造了一个类似交响乐团的协作模式。在这个"AI交响乐团"中，四个专业机器人各自扮演着不同的乐器角色，在统一指挥下协调配合，最终奏出一首完整和谐的学术"交响曲"。

担任"首席小提琴手"角色的是建筑师机器人。它的任务是将研究者提供的初始研究故事转化为一份详细的建设蓝图。这个过程就像一位经验丰富的建筑师接到客户的需求后，要设计出完整的建筑图纸。建筑师机器人会仔细分析研究故事中的每个要素，确定论文需要包含哪些章节，每个章节应该论述什么内容，需要哪些图表来支撑论述，这些图表应该放在什么位置。

比如，当研究故事描述"我们发现了一种新的癌症治疗方法，在小鼠实验中效果显著"时，建筑师机器人会规划出引言、文献综述、方法、结果、讨论和结论等章节结构，并且确定需要制作实验流程图、数据对比图表、显微镜照片等视觉元素。它还会在共享合约中登记每个图表的编号、描述和预期位置，就像建筑师在图纸上标注每个房间的用途和设施一样。

接下来上场的是"中提琴手"——作家机器人。它负责将建筑师设计的蓝图转化为实际的文字内容。作家机器人就像一个专业的施工队，严格按照图纸来建造房屋。它在写作过程中必须时刻参照共享合约，确保提及的每个图表都已经在合约中注册，引用的每个数据都与预定计划一致。

作家机器人的工作方式非常有趣。当它需要描述实验结果时，不是想到什么写什么，而是先查看合约中登记的相关图表，然后围绕这些图表来组织语言。比如，当它写到"实验组的肿瘤缩小效果显著"时，它会自动查找合约中是否有相应的对比图表，并且使用合约中预定的标号来引用，如"如图3所示，实验组小鼠的肿瘤体积在治疗后第14天平均缩小了67%"。

担任"大提琴手"角色的修订师机器人则负责全局协调和优化。它就像交响乐团中负责确保各声部和谐统一的指挥助理。修订师机器人会通读整篇论文，检查各章节之间的逻辑连贯性，消除重复内容，统一术语表达，确保整篇文章读起来像是一个人写的，而不是多个人拼凑的。

修订师机器人的工作特别考验"音乐素养"。它需要发现那些人眼难以察觉的不协调之处。比如，引言中提到要解决"三个关键问题"，但结论中却总结了"四个主要发现"。或者方法章节描述的实验持续了"两周"，但结果章节的数据图表显示的是"15天"的数据。修订师机器人会及时发现这些不一致之处，并协调相关部分进行修正。

最后出场的是"定音鼓手"——渲染师机器人。它负责将前面三个机器人的工作成果转化为最终的论文格式。这个过程就像音乐会结束后的录音制作，要确保每个音符都清晰可辨，每个乐章都完整呈现。渲染师机器人会检查所有的图表引用是否正确，确保每个标号都有对应的图表，每个图表都被正确引用。它还会统一格式，调整版面，确保最终的论文符合学术发表的标准要求。

更加精妙的是，这四个机器人不是按流水线方式依次工作的，而是在整个过程中不断进行沟通协调。系统中还设计了几个"乐评家"——评估机器人，它们会实时监听这场"音乐演出"，一旦发现某个"乐手"演奏得不够协调，就会立即提出建议。

这些评估机器人分工明确，有的专门检查科学推理的逻辑性，有的专门验证数据的准确性，还有的专门评估图表与文字的一致性。当它们发现问题时，会立即将反馈发送给共享合约系统，合约会据此进行更新，然后通知相关的工作机器人进行调整。

这种实时反馈和调整机制，就像现代交响乐团使用的电子监听系统，指挥可以通过耳机实时听到每个声部的表现，一旦发现某个声部偏离了节拍或音调，就能立即进行纠正。这确保了整个"演出"过程中音乐始终保持和谐统一。

通过这种精密的协作机制，Story2Proposal系统能够生成质量极高的学术论文。这些论文不仅在内容上逻辑清晰、结构完整，在格式上也符合专业标准，更重要的是，它们读起来就像经验丰富的学者精心撰写的作品，而不是机器拼凑的文字堆砌。

三、神奇的"建筑合约"系统

在Story2Proposal系统中，最核心的创新就是"共享视觉合约"机制。这个机制的巧妙程度，可以用一个城市建设项目来比喻。当一座新城要从无到有建设起来时，不能让各个施工队随心所欲地建造，而必须有一套统一的城市规划方案和建设标准。

共享视觉合约就像这样一套完整的城市规划系统。它不仅包含了建筑布局图，还详细规定了每栋建筑的高度、颜色、用途，甚至连电线杆应该安装在哪里、垃圾桶应该摆放在什么位置都有明确规定。更重要的是，这套规划不是一成不变的，而是会根据建设过程中的实际情况进行动态调整。

具体来说，共享视觉合约包含三个层次的管理信息。第一层是"全球注册表"，就像城市的总体规划图。这个注册表详细记录了论文中需要出现的所有图表、数据和视觉元素。每个元素都有自己的"身份证"，包括类型（是图片还是表格）、语义描述（说明这个图表要表达什么内容）、标准标识符（比如"图1"、"表2"）以及预期在论文中的出现位置。

比如说，当系统需要描述一个药物实验时，全球注册表会登记：需要一张"实验流程图"（编号：图1，描述：展示药物测试的完整流程，预计出现在方法章节），一个"数据对比表"（编号：表1，描述：对比实验组和对照组的关键指标，预计出现在结果章节），以及一张"效果图表"（编号：图2，描述：显示药物效果随时间变化的趋势，预计出现在结果章节）。

第二层是"章节责任制"，就像城市规划中的分区管理。每个章节都有明确的职责范围，必须确保特定的视觉元素在自己负责的区域内正确出现。这种设计确保了文章的叙述逻辑与视觉支撑材料保持完美同步。比如，方法章节必须包含实验流程图，结果章节必须包含数据图表，讨论章节必须引用前面章节中的关键图表来支撑论述。

第三层是"质量监管规则"，就像城市的建筑质量监督系统。这些规则确保整篇论文的一致性和完整性。比如，每个图表都必须有唯一的标识符，不能重复；每个在正文中提到的图表都必须真实存在；图表的描述必须与其在文中的引用保持一致；相关图表之间的数据必须逻辑自洽。

这个合约系统的运作方式非常智能。当建筑师机器人设计论文结构时，它会在合约中登记所有需要的视觉元素。作家机器人在写作时必须严格参照这个合约，只能引用已经登记的图表，而且必须使用合约中指定的标识符和描述。如果作家机器人想要引用一个不存在的图表，系统会立即警告并阻止这种行为。

更加精妙的是，这个合约是"活"的，会根据写作过程中的实际情况进行调整。比如，当评估机器人发现某个图表的描述不够清楚时，会建议更新合约中的描述信息。当修订师机器人发现需要增加一个新的图表来更好地支撑某个论述时，会向合约系统申请注册新的视觉元素。

这种动态调整机制就像现代城市的智能管理系统。当交通监控发现某个路段经常堵车时，系统会自动调整红绿灯的时间配置；当环境监测发现某个区域空气质量下降时，系统会启动相应的治理措施。同样，共享视觉合约也会根据写作过程中发现的问题实时调整规则和要求，确保最终产品的质量。

这个合约系统的设计灵感来自软件工程中的"防护栏"概念，但它不是简单的错误阻止机制，而是一个积极的创作指导系统。它不仅要防止错误发生，更要主动引导各个机器人朝着正确的方向协作。

通过这种机制，Story2Proposal系统彻底解决了传统AI写作中"各自为政"的问题。所有的机器人都在同一套规则下工作，就像一支训练有素的军队，每个士兵都清楚知道自己的任务和责任，同时也了解其他士兵在做什么，最终能够协调一致地完成复杂的战略目标。

这种设计的效果是显著的。实验结果表明，使用共享视觉合约的系统生成的论文在结构完整性、图表引用准确性和内容一致性方面都远超传统方法。更重要的是，这些论文读起来有一种"专业感"，就像经验丰富的研究者精心组织的作品，而不是机器随意拼凑的内容。

四、实战效果令人惊叹

为了验证Story2Proposal系统的实际效果，研究团队设计了一个非常严格的测试方案。这个测试的设计思路就像评选最佳厨师一样：不仅要看菜品的味道，还要看摆盘、营养搭配和创新程度，而且要让多位资深美食评论家进行盲品测评。

测试团队选择了四种当前最优秀的AI大模型作为"厨师"：GPT、Claude、Gemini和Qwen。每个"厨师"都要用两种不同的"烹饪方法"来制作同样的"菜品"——科学论文。第一种是传统的DirectChat方法，就像让厨师拿到食材后完全凭感觉烹饪，想到什么做什么。第二种就是Story2Proposal方法，像是给厨师提供了详细的食谱、标准的厨具和专业的团队协作。

为了确保评价的公正性，研究团队邀请了10位经验丰富的学术专家作为"美食评论家"。这些专家来自不同的研究领域，对科学写作都有深厚的经验。他们需要从八个不同角度来评价每篇论文：结构完整性（就像评价一道菜的食材搭配是否合理）、写作清晰度（相当于评价菜品的口感）、方法严谨性（类似评价烹饪技法是否专业）、实验充实度（好比评价营养价值）、引用规范性（相当于检查食品安全标准）、可重现性（类似评价菜谱的可操作性）、格式稳定性（好比检查摆盘是否精美）以及视觉沟通效果（相当于评价整体的视觉呈现）。

测试的结果令人震惊。在所有四种AI模型上，Story2Proposal系统都展现出了压倒性的优势。用GPT模型时，Story2Proposal的得分是5.96分，而传统DirectChat方法只有4.08分。用Claude模型时，Story2Proposal得到了6.15分，DirectChat只有3.86分。Gemini和Qwen的结果同样显示了类似的巨大差距。

这种提升幅度是非常惊人的。平均来说，Story2Proposal比传统方法高出了2.18分，这相当于从"勉强及格"直接跃升到"优秀"水平。用一个更形象的比喻来说，就像原本只能做出家常菜水平的厨师，突然能够制作出星级餐厅水准的菜品。

更有趣的是，这种提升在不同的AI模型上都表现得非常稳定，这说明Story2Proposal系统的优势主要来自于其独特的架构设计，而不是依赖于某个特定模型的特殊能力。就像一套优秀的烹饪流程和团队协作模式，无论是哪个厨师来使用，都能显著提升菜品质量。

为了进一步验证系统的效果，研究团队还进行了第二轮测试，这次的对手是Fars——一个专门为学术写作设计的结构化系统。这就像是让两位都有专业训练的厨师进行比拼，而不是专业选手对业余爱好者。

在这轮比较中，虽然差距没有第一轮那么悬殊，但Story2Proposal仍然保持了领先优势。在四篇不同主题的研究论文测试中，Story2Proposal的平均得分是5.705，而Fars的得分是5.197，提升了0.508分。虽然提升幅度相对较小，但这个结果非常有意义，因为它证明了即使与专门为学术写作优化的系统相比，Story2Proposal的创新架构仍然能带来明显的改进。

专家评委们在评价中特别指出了几个令人印象深刻的方面。首先是结构一致性的显著改善。使用Story2Proposal生成的论文很少出现前后矛盾或结构混乱的问题，各个章节之间的逻辑联系清晰明确。其次是图表引用的准确性大幅提升，几乎不再出现引用不存在的图表或同一图表描述不一致的问题。第三是整体格式的稳定性，生成的论文在格式规范方面基本达到了可以直接提交学术期刊的标准。

特别值得一提的是视觉沟通效果的改善。传统AI系统生成的论文经常会出现文字叙述与图表内容不匹配的情况，读者会感觉图表像是随意插入的装饰品。而Story2Proposal生成的论文中，每个图表都与周围的文字形成了紧密的呼应关系，图表真正起到了支撑论述、增强说服力的作用。

这些实验结果不仅验证了Story2Proposal系统的技术优势，更重要的是证明了一个理念：复杂的创作任务需要的不是更强大的单一AI，而是更智能的协作机制。就像现代工业生产不是靠超级工人，而是靠精密的分工协作和质量管理体系一样，高质量的AI写作也需要专业分工和协调机制。

这个发现对整个AI写作领域都有重要启示。它表明，与其一味追求更大更强的语言模型，不如专注于设计更好的协作架构和约束机制。这种思路可能会开启AI写作的新纪元，让机器真正具备处理复杂长篇写作任务的能力。

五、系统局限与未来展望

尽管Story2Proposal系统在实验中表现出色，但研究团队也坦诚地指出了系统目前存在的一些局限性。这种科学的态度就像一位诚实的厨师，不仅会展示自己的招牌菜，也会坦率地告诉顾客哪些菜品还有改进空间。

首要的局限在于"基础材料的依赖性"。Story2Proposal系统就像一位技艺精湛的厨师，能够将食材烹饪得非常出色，但如果提供的食材本身质量有问题，最终的菜品质量仍然会受到影响。当研究者提供的初始研究故事不够完整或存在逻辑漏洞时，系统虽然能够生成结构完整、格式规范的论文，但内容的科学价值仍然会受限。

这个问题反映了一个更深层的挑战：Story2Proposal主要解决的是"如何写"的问题，而不是"写什么"的问题。它能够确保论文的结构合理、逻辑清晰、引用准确，但无法凭空创造新的科学发现或填补研究中的空白。就像再好的建筑师也无法在没有地基的情况下建造稳固的大楼一样，这个系统需要研究者提供扎实的研究基础。

第二个局限是"评估盲区"的问题。系统中的评估机器人虽然能够检测结构性问题和明显的逻辑错误，但对于一些微妙的科学推理问题可能会"视而不见"。比如，一个在表面上看起来逻辑合理的论述，实际上可能存在科学上的漏洞。如果评估机器人没有发现这个问题，整个系统就不会触发纠正机制，最终的论文可能会在科学严谨性方面存在缺陷。

这个问题的根源在于，目前的AI系统虽然在语言理解和逻辑推理方面已经相当先进，但在深层的科学判断和专业知识应用方面仍然有限。它们更像是经验丰富的编辑，能够发现文字表达和结构组织的问题，但不一定能像资深科学家那样发现研究方法或理论分析中的专业性错误。

第三个局限是与现有结构化系统相比改进幅度的有限性。虽然Story2Proposal在与传统方法的比较中显示了显著优势，但与专门为学术写作设计的Fars系统相比，改进幅度就相对较小。这说明当基础架构已经比较完善时，进一步的提升变得更加困难，需要在更细致的方面进行创新。

这种现象在技术发展中很常见，就像汽车工业从马车到第一代汽车是革命性的飞跃，但从一款先进汽车到另一款先进汽车的改进往往是渐进式的。Story2Proposal系统目前处于这样一个阶段：它代表了AI写作领域的一个重要进步，但要实现下一个突破可能需要更根本性的技术创新。

针对这些局限性，研究团队提出了几个未来改进的方向。首先是增强评估机器人的专业判断能力。通过引入更多专业领域的知识库和推理规则，让评估系统能够发现更细微的科学问题。这就像给评估团队配备更多专业领域的专家，而不只是语言和逻辑专家。

其次是开发更智能的研究故事补充机制。当系统检测到输入的研究故事存在关键信息缺失时，可以主动提示研究者补充相关内容，或者通过检索相关文献来丰富研究背景。这种功能就像一个智能的研究助手，能够帮助研究者完善研究思路。

第三个改进方向是建立更细化的质量评估标准。目前的评估主要集中在结构和格式层面，未来可以增加更多科学性和创新性的评估维度。比如，评估研究方法的适当性、实验设计的严谨性、结论的合理性等更深层次的科学质量指标。

最后，研究团队还考虑将Story2Proposal系统与专业的科学文献数据库和研究工具进行集成，让系统能够在写作过程中实时检索和验证相关信息。这种集成就像给写作系统配备了一个巨大的图书馆和实验室，让它不仅能写，还能查、能验证。

尽管存在这些局限性，Story2Proposal系统仍然代表了AI辅助学术写作领域的一个重要突破。它证明了通过巧妙的架构设计和多智能体协作，可以显著提升AI处理复杂长篇写作任务的能力。更重要的是，这个系统为未来的研究指明了方向：AI写作的未来不在于单一模型的强大，而在于多智能体系统的精妙协作。

这项研究的意义不仅在于它解决了当前AI写作中的一些具体问题，更在于它展示了一种新的思路和方法。这种思路可能会启发更多类似的创新，推动整个AI辅助内容创作领域向更高水平发展。对于广大研究者和内容创作者来说，这意味着未来可能会有更多智能、可靠的AI写作助手来帮助他们更高效地完成复杂的写作任务。

说到底，Story2Proposal系统虽然还不完美，但它已经为我们展现了AI写作的新可能。它让我们看到，通过精心设计的协作机制和约束系统，AI可以在保持创造力的同时，也具备严谨性和可靠性。这种平衡对于学术写作这样既需要创新思维又要求严格规范的任务来说，是极其宝贵的。

随着技术的不断改进和完善，我们有理由相信，未来的AI写作助手将会变得更加智能和实用，成为研究者和创作者不可或缺的得力伙伴。有兴趣深入了解技术细节的读者可以通过论文编号arXiv:2603.27065v1查询完整论文，进一步探索这个令人兴奋的研究成果。

Q&A

Q1：Story2Proposal系统与传统AI写作有什么本质区别？

A：Story2Proposal系统最大的区别在于采用了多智能体协作模式，而不是单一AI独自完成所有工作。它包含建筑师、作家、修订师、渲染师四个专业机器人，通过共享视觉合约进行协调。这就像从单人作战变成了专业团队协作，每个机器人都有明确分工，确保论文结构完整、逻辑清晰、图表引用准确，避免了传统AI写作中常见的前后矛盾和结构混乱问题。

Q2：共享视觉合约是如何保证论文质量的？

A：共享视觉合约就像建筑工程中的施工蓝图，详细规定了论文的结构要求、图表安排和引用规范。它包含全球注册表（记录所有图表信息）、章节责任制（确定各部分职责）和质量监管规则（保证一致性）。所有机器人都必须按照这个合约工作，不能随意添加或修改内容。当发现问题时，合约会实时更新，通知所有机器人调整，确保整篇论文的协调统一。

Q3：Story2Proposal系统的实验效果到底有多好？

A：实验结果非常显著。在与传统DirectChat方法的比较中，Story2Proposal在四种AI模型上的平均得分是6.145分，而DirectChat只有3.963分，提升了2.182分，相当于从及格水平跃升到优秀水平。即使与专门为学术写作设计的Fars系统相比，Story2Proposal也获得了5.705分对比5.197分的优势。专家评价显示，生成的论文在结构完整性、图表引用准确性和格式稳定性方面都有明显改善。