Story2Proposal

01概览：长文档质量取决于约束放在哪里

论文写作的难点是让叙事、实验证据和图表三者始终对齐。先自由生成再事后校验的管线做不到这一点，把约束写成一份全程共享的契约才做得到。

Story2Proposal 由 AgentAlpha 团队提出。它把一个研究故事（叙事描述、实验证据、背景信息）转成完整论文稿，由 Architect、Writer、Refiner、Renderer 四个 Agent 在一份持久共享的「视觉契约」下接力完成，评估 Agent 在生成过程中持续反馈并改写契约。实验取自 Jericho 研究语料，由十位独立专家按八个维度打分。

02为什么要解决：先写后查，结构必然漂移

无约束生成的错误会沿章节累积，等到事后校验时，漂移已经发生。

论文是跨章节一致性要求最高的长文本。引言里声明的贡献，方法章节要给出细节，实验章节要逐条验证，相关工作又不能与方法互相矛盾。直接提示生成没有任何中间控制，单 Agent 长文生成缺少分工，大纲方法只给高层结构，三条路线都守不住这些约束。后果有四类：章节漂移、声明与实验对不上、引用与论点脱节、方法与实验设置互相矛盾。

• PROBLEM 01结构漂移后面的章节逐渐偏离最初的问题设定。没有共享状态，每一节只对自己负责。
• PROBLEM 02视觉产物丢失图和表在提示词里只是文本标记，迭代改写时被丢掉或重复，引用也随之失效。
• PROBLEM 03校验太晚生成结束后才检查，错误已经扩散到多个章节，修复成本高于预防成本。

03方法拆解：一份契约，四个生成 Agent，一组评估 Agent

Story2Proposal 把结构和视觉义务显式写进契约状态，每个 Agent 都对着同一份状态工作。

第一步：契约本身有三层

全局视觉登记表记录每个图表的类型、语义描述、标准标签和预期引用位置。章节级义务规定每一节必须出现哪些图表。校验规则要求标签唯一、交叉引用有效、图表描述与上下文对齐。

第二步：Architect 搭骨架

Architect 把研究故事拆成有序章节，为每节写出论证提纲、关键声明和支撑证据，识别候选图表并登记进契约，再把每个图表映射到它必须出现的章节。

第三步：Writer 按契约起草

Writer 逐节起草，视觉标记和引用标识必须与契约登记一致。图表只能引用已登记项，不能自行再造标记。

第四步：Refiner 做全局对齐

Refiner 压缩重复解释，统一各节术语，确认每个被引用的图表在周围文字里得到恰当说明。发现不一致时，通过评估反馈触发契约更新。

第五步：Renderer 做确定性校验

Renderer 输出稳定的 LaTeX，解析全部视觉引用，标准化标签，并对照契约校验交叉引用。每个登记图表必须出现一次，且引用一致。

第六步：评估 Agent 边写边改契约

评估 Agent 各管一个维度：推理验证、数据保真、视觉一致。它们对中间产物给出问题、置信度和修正建议，聚合后更新契约。典型例子：发现某个图引用缺少说明，契约就新增一条规则，要求该引用必须配一段解释。这就是生成-评估-适配循环。

04实验设置与数据

评审以人为准，因为自动指标测不出文档级的推理连贯性。

四个底座是 GPT、Claude、Gemini、Qwen，使用同一条流水线配置，从同一份研究故事生成整篇稿件，所有对比系统使用相同提示与输入。每个条件配十位独立专家，对完整稿件评分，八个维度包括结构完整性、写作清晰度、方法严谨性、实验实质、引用规范、可复现性、格式稳定性和视觉传达，聚合为单一专家分。

两组实验。第一组对比 DirectChat，即无契约、无多 Agent 的单阶段提示生成。第二组对比结构化生成基线 Fars，在四篇基准论文上进行：Escrowed Batch Reveal、Symbolic Execution、Hazard-Signature Tombstones、Poisoning LLM-Induced Rules。

05结果：四个底座全部大幅领先

1. FINDING 01

   增益来自架构，与底座无关

   四个底座的领先幅度在 +1.884 到 +2.323 之间，全部为正。DirectChat 在四个底座上只有 3.864 到 4.078，Story2Proposal 抬到 5.962 到 6.257，底座之间的差距反而被压缩。原因是结构职责从模型身上剥离，交给契约和流水线承担，模型只负责局部推理与内容生成。

2. FINDING 02

   对强结构基线仍然领先，幅度收窄到 +0.508

   Fars 已使用结构化模板，平均 5.197。Story2Proposal 取得 5.705，四篇基准论文全部更高。最大差距出现在 Hazard-Signature Tombstones，+0.891；最小在 Symbolic Execution，+0.248。模板解决了基础结构问题，剩下的差距来自持续校验和图文对齐，这正是契约的作用。

3. FINDING 03

   领先在每一位评审身上都成立

   Story2Proposal 的评分高于 DirectChat，在十位评审的每一列、每个底座下都是如此。以 E8 为例，GPT 下从 4.23 升到 7.60，Claude 下从 3.92 升到 7.81。E3 的 DirectChat 基线本来就高，约 6 分，增幅相对最小：GPT 下 5.97 到 6.98，+1.01。基线越低，契约的收益越大。

4. FINDING 04

   最明显的收益在结构完整性与格式稳定性

   专家反馈指出，契约生成的稿件章节组织更一致，布局错误更少，实验描述更清楚。对 Fars 的比较中，实验章节里图表被一致引用并放在正确位置，图文对齐更强。机制很直接：图表登记在带标识符和位置义务的注册表中，Agent 引用已登记项，不再重新生成标记。

06深入分析：机制、边界与局限

契约有效，是因为错误被拦在传播之前；契约的上限，由评估 Agent 的判断力和输入故事的完整度决定。

机制一：每一阶段先更新并校验契约，再进入下一阶段。这与语法约束解码在生成中途发现问题的思路一致，只是作用在文档层级。结构错误不会跨章节累积。

机制二：职责外化。DirectChat 要求模型同时处理推理、格式、章节结构和图表引用，任务复杂度被叠加。Story2Proposal 把后三项交给契约与专门 Agent，模型只管局部内容。底座换了，结构行为不变。

消融。这一版没有做消融实验。契约、评估循环和四 Agent 分工各自的贡献没有被拆开测量，增益是整体架构的效果。

局限一：对 Fars 的领先幅度明显小于对 DirectChat 的领先幅度。最大收益出现在替换无约束生成的场景。

局限二：评估 Agent 漏掉细微的推理缺陷时，契约不会触发修正。稿件可以结构合规而论证薄弱。需要更丰富的评估信号和更专门的批评模块。

局限三：契约约束结构与视觉义务，不生成缺失的科学证据。研究故事残缺，稿件会逻辑自洽但内容有洞。需要检索或证据验证环节在生成前补全输入。

此外，论文声明稿件正文与插图主要由 Story2Proposal Agent 自己生成，人类只负责系统设计和实验整理。

07开源与资源

论文原文与 HTML 全文见页首按钮，版本为 arXiv:2603.27065v1，2026 年 3 月 28 日提交，归类 cs.CL。论文正文没有给出代码仓库或数据集发布地址，Jericho 研究语料也没有给出获取链接。实验的原始分数在论文 Table 2 和 Table 3 中按评审逐列给出，可直接复核。

08对数据与评测行业的意义

质量必须在生产过程中被约束，交付后检查只能发现问题，无法消除问题。

• TASK DATA任务数据要带可校验的结构义务契约把「每个图必须出现一次、引用必须解析」写成机器可查的规则。长程任务数据同理，每个任务应附带必须满足的产物清单和引用关系，标注时就逐项勾验。
• VERIFIER验证器要分层，确定性检查放在最后一道Renderer 的校验是确定性的，评估 Agent 的判断是概率性的。前者保证底线，后者承担语义。把两者混成一个打分器，底线就守不住。
• EVALUATION评测要拆维度，并保留逐评审明细八个维度加十位评审的矩阵，让每一处提升都能定位到具体维度与具体人。单一总分掩盖分歧，E3 与 E8 的反差只有明细才看得见。
• LIMIT结构合规不等于科学正确论文自己承认契约管不到推理质量。验证器必须单独覆盖证据与推理，这部分仍需领域专家，也是高质量数据的价值所在。

对 DataManing 的判断很明确：生成式管线的瓶颈已经从模型能力转到约束与验证的工程化。谁能提供带结构义务的任务数据、分层的验证器和维度化的评测，谁就决定下一代长程 Agent 的可靠性上限。

09引用

@article{qian2026story2proposal,
  title   = {Story2Proposal: A Scaffold for Structured Scientific Paper Writing},
  author  = {Qian, Zhuoyang and Shi, Wei and Lin, Xu and Ling, Li and Luo, Meng and others},
  journal = {arXiv preprint arXiv:2603.27065},
  year    = {2026}
}