长文档摘要新玩法：模拟学术评审的专家-编辑多智能体，逐步提问打磨摘要

做过长文档摘要的同学，大概率都踩过这些坑：文档太长塞不进上下文，分段再聚合又容易丢逻辑、漏重点；单模型写出来的摘要要么信息不全，要么细节出错，和原文对不上。

传统的思路要么卷模型上下文长度，要么卷分段聚合策略，但本质都是“一次性生成”，生成完就结束了。那能不能像人写文章一样，写完初稿，有人从内容上提意见，有人从文字上把把关，改几轮质量就上去了？

最近这篇论文就借鉴了学术评审的思路，提出了一个专家-编辑逐步提问多智能体框架（SQ2E）：让写初稿的作者Agent，先被专家Agent从语义内容上提问打磨，再被编辑Agent从文字一致性上检查修正，每轮提问都引导作者反思和修改摘要。实验显示，这种方法在多个长文档数据集上都比直接生成、分段聚合的效果稳定更好。

一、为什么要做逐步提问的多智能体？

长文档摘要的难点从来不是“写”，而是“抓重点”和“保准确”。文档长度一上来，模型的上下文处理能力跟不上，很容易出现信息遗漏、事实偏差。传统的分段-聚合方法，把文档拆成块分别摘要再拼起来，很容易丢失整体逻辑，块与块之间的衔接也容易出问题。

而多智能体的思路，是用分工协作代替单模型一次性输出。之前的研究已经证明，多角色、多轮迭代的智能体协作，在长文本生成、复杂推理上都比单模型表现更好。但在长文档摘要这个场景，怎么设计协作流程才最有效？

这篇论文的核心观察很有意思：针对性的提问，能刺激大模型重新审视自己生成的内容，发现之前没注意到的问题。比如问一句“原文里的关键术语有哪些？”，模型就会回去核对，把遗漏的关键信息补进摘要里。论文里的图1就展示了这个简单的例子：

图1 提问引导摘要优化的示例

原本的初稿只笼统提了方法，一问关键术语，模型就把具体的缩写和定义补进去了，摘要立刻更准确。

就这么简单的一个提问，比直接让模型“重写更好的摘要”效果还好。因为大模型有时候不是不会写，而是不知道该往哪个方向改，给一个具体的问题，就给了它明确的优化方向。

二、核心方法：专家-编辑四角色框架

基于这个思路，论文设计了完整的多智能体工作流，整体架构如图2所示，一共四个角色：作者、专家、编辑、评估者，流水线式协作。

图2 专家-编辑逐步提问多智能体整体流程

四个角色分工很清晰，完全对应学术出版的流程：

1. 1. 作者（Writer）：负责撰写初始摘要，以及根据提问修改自己的摘要。
2. 2. 专家（Expert）：聚焦语义内容，比如核心观点完不完整、关键信息有没有遗漏、和原文主旨对不对，负责提出内容层面的问题。
3. 3. 编辑（Editor）：聚焦文字层面，比如语法错误、事实一致性、表述准不准确，负责提出格式和文字校验类问题。
4. 4. 评估者（Evaluator）：每改完一版，评估者对比新版本和旧版本，判断修改有没有提升质量，好就保留新版本，不好就维持上一版。

整个流程分三步推进，先写初稿，再改内容，再校文字：

第一步：生成初始摘要

先采用最朴素的分段聚合思路：把长文档按章节拆成文本块，作者Agent给每块写局部摘要，再汇总成整篇文档的初始摘要。这就是后续待打磨的初稿。

第二步：专家提问，内容层面优化

专家先根据原文和初稿，制定提问计划。问题都是围绕摘要的核心质量维度设计的：完整性、连贯性、相关性、事实一致性。不是所有问题都一股脑抛出来，而是逐步提问。作者每回答一个问题，就反思一下自己的摘要需不需要修改，改完之后，评估者判断这版是不是更好。专家一轮最多提5个问题，可以多轮迭代。

这一步的核心是，用提问代替直接给修改意见。相比直接说“你这里写得不对”，问一个具体的问题，引导模型自己去原文里找答案、自己修正，效果更好，也不容易引入新的错误。

第三步：编辑提问，文字层面校验

专家改完内容，编辑再上场。编辑的问题更偏向事实核对和文字校验，而且采用是/否的简洁格式，比如“摘要里的数值和原文一致吗？”“有没有语法错误？”作者对照原文核对，有问题就修改，没问题就保持原样。同样每轮之后评估者做对比筛选。编辑一轮最多提4个问题。

为什么要分开专家和编辑两个角色？因为内容和文字是两个维度的优化。混在一起的话，模型很容易顾此失彼；分开逐步来，先保证内容对，再保证文字准，优化方向更清晰。

三、实验效果怎么样？

论文在两个经典的科学文献长文档数据集上做了实验：Arxiv和PubMed，文档长度统计如下表：

都是几千词的长文档，摘要只有两百词左右，属于典型的长文档短摘要场景。

测试了三个模型：Llama 3.1 8B、Llama 3.1 70B、DeepSeek-R1，对比了三种方法：直接生成（DG）、HERA基线方法、以及本文的SQ2E方法。评价指标用了ROUGE-1/2/L、BERTScore、FactCC，分别覆盖词汇重合度、语义相似度、事实一致性。

核心实验结果如表3所示：

表3 主要实验结果

以Arxiv数据集上的Llama 3.1 8B为例：

• • 直接生成的ROUGE-L是16.25，BERTScore 80.41，FactCC 54.33
• • SQ2E方法的ROUGE-L是16.89，BERTScore 81.38，FactCC 60.67

各项指标都有提升，尤其是FactCC提升很明显，说明事实准确性提高很多。DeepSeek-R1上提升也很稳定，ROUGE-L从17.88提升到20.22，BERTScore和FactCC也有上涨。

比较有意思的是Llama 3.1 70B的结果：ROUGE和BERTScore提升了，但FactCC反而下降了。论文推测可能是70B模型推理时的精度损失，和实验算力限制有关。这也侧面说明，好的Prompt设计和协作流程，有时候能让小模型逼近大模型的效果。

论文还统计了每轮有效提问的数量，如图3所示：

图3 专家和编辑的有效提问数量

专家的提问平均能带来3-4次有效优化，编辑的提问能带来2-3次有效修订。说明两个角色的提问都起到了实际作用，不是无效的轮次。而且不同模型、不同数据集上的有效提问数很稳定，说明这套提问机制的通用性不错。

四、价值与局限

总的来说，这个工作最值得参考的地方，是它没有堆复杂的Agent架构，也没有卷更大的模型，而是用很朴素的「逐步提问+角色分工」思路，就提升了长文档摘要的质量。

它的核心逻辑其实是：不要让模型一次做对，而是给它明确的优化方向，让它一步步改对。比起直接给一个“写得更好”的模糊指令，一个个具体的问题，就是一个个明确的优化抓手。

对于做落地的团队来说，这个思路的可复制性很强：不需要复杂的多智能体编排，不需要额外训练模型，只需要设计好角色、问题清单和评审流程，用现成的模型就能搭起来，落地成本很低。

当然也有局限：比如目前只在科学文献数据集上验证了，其他类型的长文档（比如报告、合同）效果还不确定；提问的数量和顺序还是预设的，还做不到完全动态自适应；评估者的判断也可能存在偏差。

未来可以优化的方向也很多：比如让模型自己动态决定该问什么问题、问几个，而不是固定上限；比如加入检索增强，提问的时候直接定位原文段落，核对更准；再比如把这种逐步提问的思路拓展到其他长文本生成任务。

结语

总的来说，这篇论文给长文档摘要提供了一个很务实的多智能体思路：不追求单模型一步到位，而是用角色分工+逐步提问的方式，模拟人工审稿的流程，一步步把摘要磨准。

很多时候我们做AI生成效果优化，总想着换更大的模型、用更复杂的算法，但其实有时候，把生成流程拆成“初稿-提问-修改-评审”的步骤，给模型明确的优化方向，用小模型也能做出不错的效果。

如果你在做长文档处理、智能体协作相关的工作，这种“提问引导迭代”的思路，很值得借鉴到你的方案里。

https://arxiv.org/pdf/2607.10390