面对CVPR等顶会的Rebuttal，研究者常因审稿意见刁钻和时间紧迫而苦恼。现有大语言模型虽能写，却易编造内容，逻辑难核查。RebuttalAgent工具应运而生，它通过多智能体协作，将Rebuttal重构为“决策-证据-规划”流程，旨在提供一个透明、可控、基于证据的辅助方案，有效解决AI写作的幻觉问题。
智能速览
RebuttalAgent是一个基于证据的多智能体Rebuttal辅助框架。
它将写作流程重构为“决策-证据-规划”，避免直接生成内容。
多智能体分工协作，精准定位问题并寻找文献证据。
工具会将控制权交还给作者，通过生成具体任务清单来指导实验补充。
精华内容
传统的AI写作助手在Rebuttal场景下显得力不从心，核心问题在于其“黑盒”特性和无法保证事实准确性。RebuttalAgent正是为解决这一痛点而生，它重塑了人机协作的写作模式。
传统AI的局限
直接使用现有大语言模型（LLM）撰写Rebuttal存在致命缺陷。这些模型虽然文本生成流利，但容易产生“幻觉”，即编造论文中不存在或无法验证的内容。同时，其生成的逻辑链条往往是隐性的，难以进行事实核查与校对，这在要求严谨的学术反驳中是难以接受的，增加了被审稿人进一步质疑的风险。
重构写作流
RebuttalAgent摒弃了“一键生成”的黑盒模式，将Rebuttal写作过程重新定义为一个清晰的“决策-证据-规划”三步流程。首先，它会智能拆解审稿人的意见，识别出核心的原子问题。其次，系统会自动在论文原文或ArXiv等学术数据库中检索，为每个问题寻找确凿的证据支持。最后，基于这些证据，生成一份可供作者审查和修改的回复计划。
多智能体协作
该流程由多个功能明确的AI智能体协同完成。“提取器”负责精准识别并分解审稿人意见中的具体问题点。“搜索器”则专注于外部文献的挖掘与检索，为论点提供坚实的学术依据。“策略家”则基于已有证据，构思反驳的逻辑与结构。这种分工协作的方式，确保了每一步都有据可查，大大提升了回复的可靠性。
作者掌握控制权
一个关键的设计是，RebuttalAgent并不试图包办一切。当分析发现需要补充实验才能有力反驳时，它不会生成虚假数据，而是生成一份具体的To-Do List。这份清单清晰地列出了需要作者去完成的任务，从而将最终的决策权和创造权交还给研究者本人，让AI真正成为辅助工具，而非取代者。
