阅读用结构、写作用散文：多智能体文档写作中的非对称结构条件化

撰写正式文档的多智能体流水线既要阅读请求方的表格，又要针对表格写作。我们报告一个已部署的标书应答系统，它在主权约束下运行开源权重模型，并以同一机构实际提交的人类标书作为对照评估。在一次系统没有可用范文的盲评比较中，LLM评判者在55个真值章节中的40个上评定系统答案不逊于人类提交的答案，在4个上更好，未遗漏任何章节，总共标记了一处无依据断言。对评判者识别出的每一个差距进行分类显示，68%是系统自身来源中不存在的内容——即人类作者掌握而流水线从未获得的知识——因此15个不利判定中只有6个涉及系统本可避免的缺陷。与真值的偏差更多是信息可得性问题而非写作质量问题，不区分两者的评估会低估这类系统。在此背景下，我们报告一种条件化非对称性。将文档渲染为结构化标记而非平铺散文能改进抽取，这一点已广为确立，我们在三个阅读任务上复现了它。但这一收益不能迁移到条件化上：在配对比较中，把标书的指令（instruction）材料从散文转换为嵌套XML，使答案质量从74%降至48%。我们进一步发现，点名某种被禁止的构造会使其集中而非消除——96%的残留缺陷落在提示明确点名的两种形式中；而将随机标注与确定性窗口函数耦合，会在字节完全相同的文件上把抽取的需求条数从68变为51。结构应属于模型阅读之处；散文与自施的测试应属于模型写作之处。