之前发过一篇《用AI写毕业论文的完整踩坑实录》，讲的是查重、AIGC 检测这些”业务坑”。这篇换个角度：一个完整论文周期跑下来，我对 AI Agent 协作本身学到的几堂课——这些经验不只适用于写论文，做任何 AI 辅助的长周期项目都用得上。
对应的工具箱已开源：github.com/luodeCoding/ai-thesis-writing
第一课：多 Agent 轮流编辑，会互相”回退”
论文这种长周期项目，不可能只用一个 AI：这个模型写初稿便宜，那个模型改格式细心。问题来了——后一个 Agent 不知道前一个改了什么，会把它认为”不对”的地方改回去。
真实事故：Agent A 把节点数从代码里核实后改成 11 个；第二天 Agent B 凭”印象”觉得不对，又改回 10 个。
解法：给 Agent 们建”交接班”机制。
1 | PLAN.md → 唯一权威进度文件（时间线 + 任务清单 + 质量指标） |
规矩只有一条：任何 Agent 接手前必须先读这两个文件，改完必须更新它们。 没有记忆文件的 Agent，每天都是第一天上班的实习生。
第二课：数据类修改，必须有”可验证来源”
Agent（和人一样）会凭感觉写数字。”13 项功能”还是”17 项”？它上次说是 13，这次可能就写 17。
定的铁律是：论文里所有数字，必须能回溯到代码或源表格。 不确定就现场验证：
1 | grep add_node src/agents/*.py | wc -l # 节点数，以代码为准 |
代码是唯一事实来源，论文描述与代码不一致时改论文，不改代码。
配套做法：写一个一致性检查脚本，把互斥术语组、互斥数字组传进去全文扫描，降重改写后必跑：
1 | python3 check_consistency.py . --glob "*.md" \ |
第三课：把”学校要求”做成 Agent 的硬约束输入
这是花最多返工成本换来的经验。学校发的格式规范散落在通知、模板、评分表好几个文件里，Agent 不知道，写出来的东西格式全错，定稿后返工。
解法是一个”摄入工作流”：**先把所有官方文件喂给 AI，合并生成一份 school-requirements-spec.md**：
- 归档：学校文件原件放
school-docs/，只读不动 - 提取：PDF 用 pymupdf（图片型 PDF 提图给视觉模型读）、.doc 用 textutil、.docx 用 python-docx
- 生成规范：数字保留原文、写成”必须/不得/≥/≤”的硬约束、按主题分章
- 使用协议：写/改论文前必须加载它；学校发新通知，先更新它再动笔
本质上这就是现在流行的 context engineering：Agent 的输出质量上限，取决于你喂给它的约束质量。
第四课：让 Agent 自查，比人盯有效
论文有三道关：查重、AIGC 检测、一致性。每一道都让 Agent 先自查一遍：
- 内部查重：jieba 分词 + TF-IDF + 余弦相似度，查出绪论和结论重复 60% 这类结构性问题
- AIGC 检测：双模式——有模型环境用检测模型，没有就降级为规则模式（AI 味关键词密度评分）
- 一致性：术语漂移、数字矛盾扫描
Agent 生成 → 脚本检测 → Agent 修复 → 再检测，这个闭环跑几轮，比人逐段盯效率高得多。
第五课：Agent 协作也要有”门禁”
收尾阶段最容易出的问题是：Agent 为了”显得有产出”，硬找毛病制造新改动。定的规矩是：
- 正文达标后只做回归验证 + 口径核对，不做新改动
- 问题分级：🔴 必须修 / 🟠 应该修 / 🟡 可以改，🔴 清零才准交付
- 提交前把老师通知拆成硬指标，逐条对照实测，输出对照表——不凭”应该够”下结论
写在最后
这五堂课其实是一句话：把 Agent 当团队管，而不是当工具用。 工具用完就丢，团队需要交接文档、事实来源、输入约束、自查闭环和交付门禁。
所有方法论和脚本都在仓库里：ai-thesis-writing，当前 v1.2.0，欢迎 Star。
相关链接：
- 上一篇：用AI写毕业论文的完整踩坑实录
- 相关：公司级iOS项目迭代开发SOP
- 相关：个人iOS独立开发SOP