Paper2Rebuttal：一种用于透明作者回应辅助的多智能体框架

撰写有效的回应是高风险任务，需要精确对齐审稿人意图与论文内容。现有解决方案通常将其视为直接到文本生成问题，存在幻觉、忽视批评和缺乏可验证依据的问题。为解决这些限制，我们引入了RebuttalAgent，这是首个将回应生成重新定义为以证据为中心的规划任务的多智能体框架。我们的系统将复杂反馈分解为原子关注点，并通过合成压缩摘要与高保真文本动态构建混合上下文，同时集成自主且按需的外部搜索模块以解决需要外部文献的关注点。在起草前生成可检查的回应计划，确保每个论点都明确锚定在内部或外部证据上。我们在提出的RebuttalBench上验证了我们的方法，并证明我们的流程在覆盖率、忠实度和战略一致性方面优于强基线，为同行评审过程提供了一个透明且可控的助手。