当论文写作变成交响乐:Google PaperOrchestra 让五个 AI 乐手合奏一篇 LaTeX
当论文写作变成交响乐:Google PaperOrchestra 让五个 AI 乐手合奏一篇 LaTeX
你刚跑完实验,结果漂亮得能上 CVPR。但接下来的一周才是真正的噩梦:打开 main.tex,光标在空白的 Introduction 上一闪一闪,你开始翻 Evernote 里凌乱的灵感笔记、Excel 里的实验日志、Zotero 里 200 篇没读的参考文献——然后你意识到,从"我有结果"到"我有一篇能投的论文"之间,隔着一整条流水线。
2026 年 5 月,Google Cloud AI Research 的 Yiwen Song、Yale Song、Tomas Pfister 和 Jinsung Yoon 在 arXiv 放出了 PaperOrchestra(arXiv:2604.05018),代码同步开源。半年后,它在 GitHub Trending 上一天涨了 1529 颗星,总星数突破 4193。
它做的事听起来简单:把你的原始素材(idea 草稿 + 实验日志)变成能投会议的 LaTeX 手稿。但实现方式不简单——它不是一个"大模型写论文",而是一个多智能体交响乐团。
五个乐手,各管一段
PaperOrchestra 的核心是把论文写作拆成五个专职 agent,每个只干自己擅长的事:
| Agent | 职责 | 类比 |
|---|---|---|
| Outline | 规划论文结构,决定每节放什么 | 交响乐的指挥,决定谁在什么时候演奏 |
| Literature Review | 搜索、排序、整合相关文献 | 首席小提琴,负责引出主题 |
| Section Writing | 按大纲写各节正文 | 各声部乐手,按谱演奏 |
| Content Refinement | 反思和打磨已有内容 | 调音师,确保各声部和谐 |
| Plotting | 从代码生成图表 | 打击乐手,用视觉冲击力收尾 |
这个拆法不是随便切的。论文写作的瓶颈从来不是"写不出字",而是上下文管理:一个 LLM 同时记住你的实验数据、200 篇参考文献、会议模板格式、章节间的逻辑一致性——context window 撑不住。PaperOrchestra 的解法是让每个 agent 只看它需要的上下文:Outline agent 不需要知道你引用了哪篇论文的公式 3,Plotting agent 不需要管 Introduction 的叙事节奏。
这就像一个交响乐团里,小提琴手不需要记住大提琴的乐谱,但指挥知道所有人该怎么配合。
文献综述:自动搜索 + 语义优先级
最硬核的 agent 是 Literature Review。它不是简单地把论文标题塞进 Related Work,而是:
- 用 Semantic Scholar API 搜索相关论文
- 按语义相关性排序(不是按引用数或时间)
- 提取每篇论文的核心贡献
- 在正文中自然引用,而不是堆砌
这意味着你不用再花一周时间读 200 篇论文找 30 篇能引的。PaperOrchestra 做的是"读-筛-引"一条龙。当然,它读的方式是 LLM 摘要 + 全文检索,不是人类那种逐字精读——但对于"写 Related Work 时需要知道哪篇论文提出了什么方法"这个场景,够用了。
从实验日志到图表:Plotting Agent 的活
论文里最耗时的不是写字,是画图。Plotting agent 接收你的实验代码(比如一个 plot_loss.py),自动运行、生成图表,还能根据论文叙事调整图表样式。这解决了一个很实际的问题:实验代码和论文图表之间永远有一道鸿沟,你跑实验用的脚本和最终出现在论文里的 figure_1.pdf 往往差了八百次手动调参。
一条命令跑完整个流水线
使用上,PaperOrchestra 提供了一个 CLI:
python paper_writing_cli.py \
--raw_materials_dir /path/to/your/notes/ \
--latex_template_dir /path/to/cvpr2025_template/ \
--output_dir /path/to/output/ \
--use_plotting true
你给它三样东西:原始素材目录(idea 草稿 + 实验日志)、LaTeX 模板(比如 CVPR 2025)、输出目录。它吐出一篇结构完整的 LaTeX 手稿。还有一个 Streamlit 交互式 demo,可以逐步审查每个 agent 的输出。
支持 Gemini 和 OpenAI 两种模型后端,你可以给 writer agent 用强模型(比如 Gemini Pro),给 reflection agent 用快模型(比如 GPT-4o-mini),在成本和质量之间找平衡。
它能替代人类写手吗?
PaperOrchestra 的定位很明确:不是替代人类写论文,而是替代"从素材到初稿"这段最痛苦的体力劳动。论文的真正价值——选题洞察、实验设计、叙事判断——仍然是人类研究员的领地。但那些"把实验日志翻译成 Method 节"、"把 30 篇论文整理成 Related Work"、"按 CVPR 模板调格式"的活,它确实能省掉 80% 的时间。
Google Research 自己也标注了"This is not an officially supported Google product"——这是一个研究项目,不是产品。但代码是 Apache 2.0 开源的,你可以自己改 agent 的 prompt、加新的 agent、换模型后端。
更大的图景:论文写作的"工厂化"
PaperOrchestra 不是第一个自动写论文的系统,但它是第一个把论文写作真正拆成多 agent 流水线的开源框架。之前的方案要么是单 prompt 让 GPT-4 从头写到尾(质量不可控),要么是商业闭源服务(不可定制)。
多 agent 的好处是可调试性:如果文献综述部分写得不好,你只需要调 Literature Review agent 的 prompt,不用动整个流水线。这就像工厂里某一道工序出了问题,你修那道工序就行,不用重新设计整条产线。
当 AI 研究的产出速度越来越快,论文写作的瓶颈越来越不在"想"而在"写"。PaperOrchestra 把"写"这一环自动化了,让研究员能把时间花在真正需要人类判断的地方——想新的 idea、设计更聪明的实验、判断哪些结果值得深挖。
这大概就是"交响乐团"这个比喻的精髓:不是让一个 AI 做所有事,而是让多个专职 AI 各司其职,最后合奏出一篇完整的论文。指挥仍然是你。
项目链接:google-research/paper-orchestra
论文:arXiv:2604.05018
License:Apache 2.0