专家与编辑协作的多智能体逐步提问框架实现长文档摘要

背景

随着大语言模型（LLM）在新闻摘要等任务中展现出潜力，长文档摘要（long-document summarization）仍是一个挑战——许多文档的长度超出 LLM 的输入限制。现有方法往往依赖截断或分块处理，导致信息丢失或上下文不连贯。同时，多智能体（multi-agent）方法开始被用于增强 LLM 的固有推理与生成能力。在此背景下，研究者希望利用多智能体协作，以分步提问的方式引导模型逐步改进长文档摘要的质量。

核心内容

本文提出一种名为 Stepwise Questioning Expert-Editor Multi-Agent Framework 的多智能体框架，专门用于长文档摘要任务。该框架包含三类智能体：专家（Expert）、编辑（Editor）和摘要生成者（Summarizer）。其中，专家和编辑的角色是协同工作，通过向摘要生成者提出关于文档不同方面的分步问题，并提供针对性的修订线索，从而引导其逐步优化已有摘要。

具体而言，整个过程并非一次性生成最终摘要，而是采用迭代式提问-修订循环：专家负责从文档内容中识别关键维度（如主题、事实、结构等），并生成引导性问题；编辑基于这些问题对当前摘要进行评审，指出不足并给出具体的修改提示；摘要生成者则根据这些提示对摘要进行更新。随着步骤推进，问题逐渐聚焦于更细粒度的内容，使最终摘要更加全面、准确且忠于原文。

为验证方法有效性，研究者在两个具有代表性的长文档科学数据集上进行了实验，并使用广泛认可的自动评价指标（如 ROUGE 等）进行评估。结果表明，所提出方法在各项指标上均显著优于基线，证明了分步提问的多智能体协作机制对提升长文档摘要效果的有效性。

注：原文中提及 “agent investment” 一词，在上下文中可能指 “agent integration”（智能体集成）或类似概念，但本文在翻译时保留其原拼写，不做主观修正。

关键要点

• 提出一种多智能体框架，包含专家、编辑和摘要生成者三种角色，通过分步提问与线索反馈实现迭代式摘要优化。
• 专家智能体负责识别文档不同方面的关键内容并生成引导性问题；编辑智能体基于问题审查当前摘要，提供具体修改线索；摘要生成者据此更新摘要。
• 该方法不依赖对整个文档一次性处理，而是通过多轮问答逐步细化，有效缓解了长文档超出输入限制的问题。
• 实验在两种长文档科学数据集上进行，采用自动指标（如 ROUGE）评估，结果证明该方法优于传统摘要方法。
• 框架具有通用性，可与其他 LLM 结合使用，不改动模型本身而仅通过外部智能体协作增强能力。

意义与影响

本工作的意义在于提出了一种轻量级且可扩展的思路：无需对 LLM 进行微调或修改其架构，仅通过引入外部多智能体协作流程，即可显著提升长文档摘要的性能。这种分步提问-修订机制模拟了人类专家与编辑协作审稿的认知过程，使模型能够逐步逼近高质量摘要。此外，该框架为多智能体系统在 NLP 任务中的应用提供了新范式，特别是针对输入长度受限的场景。未来，该方法有望推广至其他需要长文本理解与生成的任务（如报告摘要、法律文档分析、文献综述等），并为更复杂的多智能体协作设计提供参考。