PaperOrchestra Outline Agent工作原理：1次LLM调用如何生成驱动全局的outline.json

【免费下载链接】PaperOrchestraAn automated AI research-paper writer based off Googles PaperOrchestra papers implementation through a skills - benchmark autoraters using any coding agent (Claude Code, Cursor, Antigravity, Cline, Aider). No API keys, no LLM SDKs.项目地址https://gitcode.com/gh_mirrors/pa/PaperOrchestra点击查看免费下载PaperOrchestra 是一个自动化学术论文写作框架的开源实现而它的Outline Agent大纲智能体正是整条流水线的总指挥——仅用1 次 LLM 调用就把 idea.md、实验日志等原始研究素材融合成一份严格遵循 JSON Schema 的outline.json随后驱动绘图、文献综述、章节写作等所有下游智能体协同工作。这篇文章带你完整拆解它的工作原理。为什么1次LLM调用如此重要在 PaperOrchestra 的五步流水线中Outline → Plotting → Literature Review → Section Writing → Content RefinementOutline Agent 负责 Step 1。原始论文统计的各智能体 LLM 调用成本如下智能体LLM 调用次数角色Outline AgentStep 11一次性产出全局大纲Plotting AgentStep 2~20–30按绘图计划渲染图表Literature Review AgentStep 3~20–30按检索策略搜索文献Section Writing AgentStep 41单轮多模态写作Content Refinement AgentStep 5~5–7模拟评审与修订也就是说大纲是整个流水线中调用最便宜、影响却最大的产物它相当于给后面所有智能体下发施工图纸。Step 2 和 Step 3 之所以能并行运行正是因为它们各自消费的是outline.json里互不重叠的两个键。流水线全貌可参考 skills/paper-orchestra/references/pipeline.md。四份输入与必须综合的全局指令Outline Agent 读取工作区中的四个输入文件workspace/inputs/idea.md—— 方法论与核心贡献摘要workspace/inputs/experimental_log.md—— 实验结果、消融研究、指标workspace/inputs/template.tex—— 会议 LaTeX 模板提供章节骨架workspace/inputs/conference_guidelines.md—— 页数限制与格式规则它的 system prompt 逐字复刻自论文附录 F.1App. F.1, pp. 40–44见 skills/outline-agent/references/prompt.md。其中最关键的一条全局指令是Do not analyze inputs in isolation. You must synthesize information across all provided documents for every step.这正是1次调用能成立的前提不是分别摘要四份文件而是在同一上下文里做跨文档综合——从 idea.md 提取机制、从实验日志提取数字证据、从模板取章节骨架、从会议指南推导文献截止时间cutoff_date一次推理完成。outline.json 的三大计划键输出必须且只能是一个 JSON 对象包含三个顶层键。人机可读的字段说明在 skills/outline-agent/references/outline-schema.md机器可读的 JSON Schema 在 skills/outline-agent/references/outline_schema.json。1️⃣ plotting_plan绘图计划一个 FigureSpec 对象数组每张图 6 个字段且枚举值被严格锁死完整清单见 skills/outline-agent/references/allowed-values.md字段约束figure_idsnake_case 语义化命名如fig_framework_overview禁止出现单词 Figureplot_type只能是plot统计图或diagram概念/架构图data_source只能是idea.md/experimental_log.md/bothaspect_ratio限定 12 种比例如16:9、4:3、1:1objective若为 plot必须写明具体图表类型如 Radar Chart这一步的意义在于它把该画哪些图、用什么数据、什么版式提前决策好。下游 Plotting Agent 只需照着执行即可无需再做创作性判断。下面这张架构分层图正是示例项目中plot_type: diagram、data_source: idea.md的产物2️⃣ intro_related_work_plan文献检索策略这一键不写论文内容而是给下游 Literature Review Agent 下达搜索指令并且强制把 Introduction 与 Related Work 严格分层避免引用重叠Introduction宏观语境10–20 篇定义 Hook大背景与 Problem Gap待验证的问题缺口并给出 3–5 条检索方向——问题紧迫性证据、综述、奠基性工作。Related Work微观技术基线30–50 篇把领域切成2–4 个方法论簇每个簇配备五件套methodology_cluster技术类别、sota_investigation_mission找 SOTA 的任务、limitation_hypothesis假设的缺陷点、limitation_search_queries定位缺陷的具体查询、bridge_to_our_method我们的方法如何弥补。另有一条关键时间线规则禁止检索{cutoff_date}之后发表的论文——截止时间从conference_guidelines.md推导如 ICLR 2025 → cutoff 2024 年 10 月防止论文引用未来。3️⃣ section_plan分节写作计划把 Abstract、Methodology、Experiments、Conclusion 等章节展开为结构树附带三条硬性要求层级完整性若存在子节 X.1则 X.2 必须存在禁止孤儿子节内容具体化content_bullets 必须指向源材料的具体位置。禁止 Describe the model要求 Formalize the X mechanism using Eq. 3 from idea.md引用提示citation_hints全覆盖每个数据集、优化器、指标、基础模型哪怕 AdamW、ResNet 这种再常见不过的东西都必须有引用提示且只允许两种格式确知作者与标题Author (Exact Paper Title)否则research paper or technical report introducing [名称]严禁猜测或编造作者——因为这些提示会被下游当成检索词错误的作者名会污染整条引用链。硬约束确定性校验器兜底LLM 的一次调用终究是非确定的PaperOrchestra 用一个纯确定性脚本兜底skills/outline-agent/scripts/validate_outline.py。它在 JSON Schema 校验之外还执行语义检查figure_id必须匹配^[a-z0-9_]$且fig_前缀后不得再含 figure禁止孤儿子节层级规则related_work_strategy.subsections必须有 2–4 个簇论文原文规则plot_type: plot但 objective 未指明图表类型时给出 WARNING。python skills/outline-agent/scripts/validate_outline.py workspace/outline.json # 退出码 0 通过允许 warning1 结构或语义错误规则很明确校验不通过就修 JSON 再验绝不允许带着非法 outline 进入 Step 2/3——因为所有下游智能体都直接解析这份 schema。校验通过后Outline Agent 还会把核心主张、叙事张力、大纲决策以自由文本追加到research_brief.md的 §1模板见 skills/shared/research_brief_template.md。真实案例一份 541 行的 outline.json 驱动了 22 页报告仓库中的 examples/agentic-security-report/ 是一次完整跑通的真实案例其 workspace/outline.json 包含6 张图计划、4 个 Related Work 簇、10 个章节、78 条引用提示一次性通过了校验器。例如市场增长图计划被写成{ figure_id: fig_market_growth_gen_ai_cybersecurity, plot_type: plot, data_source: experimental_log.md, objective: Visual summary (Bar/Line Combo Chart) showing Gen AI cybersecurity market expansion from $8.65B (2025) to $35.5B (2031)..., aspect_ratio: 16:9 }下游 Plotting Agent 照单渲染数据全部来自实验日志最终该大纲驱动整条流水线产出了 22 页、零 LaTeX 错误的技术报告评审模拟分数从 71.85 一路提升到 77.70。关键文件速查文件说明skills/outline-agent/SKILL.md智能体主指令读 prompt → 读四输入 → 综合 → 输出 → 校验skills/outline-agent/references/prompt.md论文附录 F.1 的逐字 system promptskills/outline-agent/references/outline_schema.json机器可读 JSON Schemaskills/outline-agent/references/example-output.json论文给出的完整输出范例skills/outline-agent/scripts/validate_outline.py确定性校验脚本docs/architecture.md七技能如何组合成流水线的架构详解总结一次调用三重收益成本收益大纲只花 1 次调用却替后面 60 次调用定好了方向质量收益枚举值 Schema 语义校验器把 LLM 的自由发挥框进可机读、可校验的契约里协同收益三个顶层键天然无共享状态Step 2/3 得以并行整篇论文平均 ~39.6 分钟跑完。一句话概括Outline Agent 用 1 次综合推理把模糊的研究素材编译成可执行的全局施工图纸这就是 PaperOrchestra 多智能体流水线能又快又稳的根本原因。赞分享【免费下载链接】PaperOrchestraAn automated AI research-paper writer based off Googles PaperOrchestra papers implementation through a skills - benchmark autoraters using any coding agent (Claude Code, Cursor, Antigravity, Cline, Aider). No API keys, no LLM SDKs.项目地址https://gitcode.com/gh_mirrors/pa/PaperOrchestra点击查看免费下载相关推荐OpeniLink Hub AI Agent Tool Calling 原理LLM 如何自动选择并调用 20 App 工具OpeniLink Hub AI Agent Tool Calling 原理LLM 如何自动选择并调用 20 App 工具 OpeniLink Hub 是一后端前端即时通讯AI 应用MCP 服务插件系统MoneyPrinterV2视频生成原理LLMTTSAI绘画如何协同工作MoneyPrinterV2视频生成原理LLMTTSAI绘画如何协同工作 一、视频自动化生产的痛点与解决方案 在短视频内容爆炸的时代创作者面临三大核心痛AI 应用人工智能工作流自动化媒体生成RPAKong 语义合成如何统一整个二进制的命名约定1 次 LLM 调用的原理与实战Kong 语义合成如何统一整个二进制的命名约定1 次 LLM 调用的原理与实战 Kong 语义合成Semantic Synthesis是 Kong 二进制上一篇大麦抢票脚本从登录到下单的一键自动抢票自动化助手下一篇Windows终极PDF处理工具3步免费安装Poppler完整指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考