Prompt-to-Paper：面向生物信息学的自主AI论文生成系统
大型语言模型虽已能端到端生成学术手稿，但现有系统普遍存在三大硬伤：生成的论断无法在可验证文献中确定性地溯源、实验结果经常被编造而非真实执行、缺乏标准化的多维评估框架来衡量AI生成稿件是否达到发表质量。近日，一篇发表于arXiv的论文提出了Prompt-to-Paper——一个专为生物信息学设计的多智能体框架，通过三项集成创新直接回应了上述评估缺口。
三大核心创新
1. 确定性检索增强生成（RAG）管道
系统采用章节感知的相关性评分与雪球引用扩展机制，将每个论断都锚定在60至100篇论文的可验证语料库中。与传统RAG不同，该管道确保每一条生成内容都有确切的文献支持，而非模型“凭空捏造”。
2. 自主编码智能体
该智能体能够执行真实的计算生物学实验，直接产出真实的数值结果，彻底取代了以往系统常见的合成或虚构输出。这意味着论文中的图表和数据均来自实际运行的程序，而非语言模型臆想。
3. 八维自动质量评分器
系统引入了一个标准化的质量评估工具，以已发表论文的近似参考统计量为基准，并附加明确的幻觉惩罚。评分器从八个维度对稿件进行打分，提供可重复的量化评价，从而驱动质量改进循环。
质量提升循环
Prompt-to-Paper 内置了一个上下文丰富的修订器，每次迭代后，系统会根据当前质量得分选择三种研究动作之一（例如重新实验、调整写作或深入检索）。每十次迭代触发一次深度研究循环，重新运行实验并基于更强的输出重新撰写手稿。这一机制使得稿件质量在0-100分的尺度上平均提升**+17.96分**，最高提升达**+26.04分**。
验证结果与成本
研究团队在五个生物信息学案例上验证了系统。所有五个案例均生成了符合投稿格式的PDF，且零越界引用。作为外部检查，一位人类评审员对五篇稿件给出了平均7.0/10的评分。更令人印象深刻的是，每篇论文的生成成本仅约0.31美元，远低于传统人工撰写或使用商业AI写作服务的花费。
行业意义
Prompt-to-Paper 的出现标志着AI学术写作从“内容生成”向“可验证研究”的重要转变。它通过将文献溯源、真实实验执行与量化质量评估有机结合，有望大幅降低生物信息学领域的研究门槛，加速科学发现。然而，该系统目前仍局限于生物信息学子领域，其通用性和对复杂实验的适配能力尚待进一步检验。