针对学术界普遍存在的审稿回复撰写难题，上海交通大学 AutoLab 团队推出了一款名为 Paper2Rebuttal 的 AI 框架。它创新性地采用多智能体协作模式，将回复过程从直接生成转变为证据驱动的规划任务，有效解决了传统方法中常见的幻觉与信息遗漏问题，为科研工作者提供了全新的自动化辅助方案。
智能速览
首个将审稿回复建模为多智能体任务的AI框架。
采用证据驱动模式，先规划证据再生成回复，确保准确性。
能将复杂审稿意见原子化拆解，并逐一匹配相应证据。
支持自动检索外部文献，增强回复的专业性和说服力。
精华内容
Paper2Rebuttal 的核心价值在于其结构化的处理逻辑，它并非简单地“一键生成”，而是模拟了学者撰写高质量回复的真实思维过程，确保了每一点回应都有据可依。
多智能体协作
该框架的最大创新在于引入了多智能体系统来共同完成回复任务。传统的单模型方法常将 rebuttal 视作直接的文本生成，容易出现“一本正经地胡说八道”，即编造不存在的实验数据或结论，也容易忽略审稿人提出的部分批评意见。Paper2Rebuttal 通过多个智能体分工合作，从源头上规避了这些问题。
这种多智能体框架的设计，使其新颖性评分达到了8分（满分10），被认为是解决当前 AI 生成内容可信度低的有效探索路径。
证据驱动规划
框架的核心工作流程是“证据先行”。收到审稿意见后，系统首先会进行“原子拆解”，将复杂的、宏观的评论分解为一系列具体、微小的问题点。
接着，每个智能体会针对这些原子化的问题点，从原文中或通过外部检索来规划、寻找相应的证据。只有当证据准备充分后，系统才会进入最终的回复撰写阶段。这种先规划再写作的模式，确保了回复的每一个细节都有坚实的依据，大大降低了事实性错误的风险。
外部知识增强
为了提升回复的学术深度和说服力，Paper2Rebuttal 整合了外部文献检索功能。当审稿意见涉及某些前沿观点或质疑研究背景时，框架可以自动搜索相关的学术论文作为支撑材料。
这一功能不仅节省了研究者手动查找文献的时间，更能使回复显得更加专业和严谨，有力地回应审稿人的关切。这种将内部稿件信息与外部知识库相结合的能力，是其在影响力评分中获得7分的重要原因。
当前局限与展望
尽管该框架功能强大，但并非万能。目前其主要短板在于无法处理“建议补充实验”这一类审稿意见。因为AI无法替代实际进行科学研究的过程，对于这类需要动手操作才能完成的任务，它束手无策。
因此，当前阶段它更定位为一个高效的“思路整理器”和“初稿生成器”。最终高质量的 rebuttal 仍需研究者在此基础上进行深度修改和润色，但已极大地减轻了初期的认知负担。
Paper2Rebuttal 框架为学术界提供了一个高效、严谨的审稿回复辅助工具，其结构化的证据规划思路值得借鉴。尽管目前尚有局限，但它已经显著降低了 rebuttal 的认知负荷。随着技术的迭代，AI 将在多大程度上重塑学术交流的协作范式，值得持续关注。
