【技术解析】PaperBanana多智能体流水线：如何实现顶会级Figure自动生成

2024年的某个深夜，我盯着屏幕上手绘的方法框图发呆。箭头连错、字体不齐、配色混乱——这些问题几乎折磨过每一个科研工作者。我们投入数月做实验，却在最后「画图」这一步消耗大量时间，逻辑清晰的研究因为一张劣质Figure而大打折扣。

核心痛点：AI绘图工具为何难以胜任学术插图

传统的图像生成模型（DALL·E、VLM等）存在根本性缺陷：模块与文字对不上、字体乱码、箭头逻辑错误。这些模型追求「好看」，却忽视了学术插图最核心的要求——「正确」。

学术插图是论文叙事的组成部分，必须忠实反映算法逻辑、数据关系和科研规范。一张合格的Figure需要：模块间逻辑关系准确、数据表达符合科研标准、图直接服务于论文论证。这不是装饰需求，而是科研表达的基本规范。

技术方案：PaperBanana的多智能体协作架构

北大与GoogleCloudAIResearch团队推出的PaperBanana，采用了多智能体流水线架构，彻底改变了学术插图生成方式。

第一阶段：结构化规划。系统检索参考范例，对原始论文进行结构化描述，在审美规范约束下生成初稿。第二阶段：视觉转化。视觉代理将文本描述转化为图像或代码绘图，此处采用AI写代码（基于Gemini-3-Pro）再生成统计图的技术路线，避免了直接生成导致的数据错误。

第三阶段：迭代优化。评论代理对照原始论文内容持续纠错打磨，经多轮迭代后输出满足语义正确性与顶会审美标准的论文级插图。

覆盖场景与核心能力

PaperBanana覆盖四类学术插图：方法流程图、模型结构示意图、概念性框架图、高精度统计图。系统支持从零生成和润色增强两种模式。

润色模式的价值在于：输入草图或初版框图，自动美化重排布局、统一风格。视觉增强后的图通过颜色区分功能模块、用虚线和分区框强化层次结构、箭头走向更加明确，整体观感接近顶会论文标准范式。

实践验证与结论

对比实验表明：AI直接绘制虽然精美，但经常在数字上出错；代码驱动方式（AI写绘图代码再生成）是目前最可靠的方案，兼顾精度与美观。

PaperBanana的意义超越了工具本身，它代表了一种「科研表达方式自动规范化」的新范式。对于科研工作者而言，这意味着可以把更多时间留给真正重要的研究本身。