本协议定义 PaperFit 系统在 VTO 迭代过程中保护学术内容完整性的强制性机制。适用于所有修复 Agent（code-surgeon-agent、semantic-polish-agent）和质量门禁验收流程。
核心原则：VTO 的目标是排版优化，而非内容编辑。任何实质性学术内容的删除、篡改或语义漂移均被视为严重违规。
所有 .tex 文件内容应按以下分类处理：
| 内容类别 | 示例 | 可修改性 | 说明 |
|---|---|---|---|
| C0：排版控制 | \vspace, \hspace, \begin{table}, \includegraphics[width=...] |
✅ 自由修改 | 纯 LaTeX 控制序列，无语义内容 |
| C1：元数据 | \title{}, \author{}, \affiliation{}, \keywords{} |
可调整格式，不可删改内容 | |
| C2：引用键 | \cite{smith2023deep}, \label{fig:result}, \ref{tab:ablation} |
❌ 禁止修改 | 必须保持原样，不可增删 |
| C3：公式与符号 | $\alpha$, \begin{equation}, $x \in \mathbb{R}^n$ |
❌ 禁止修改 | 公式结构、变量定义不可改 |
| C4：数据与结果 | 表格中的数值、accuracy=95.2%、p<0.001 |
❌ 禁止修改 | 实验数据、统计结果绝对不可改 |
| C5：学术论述 | 正文段落、结论、讨论、贡献陈述 | ❌ 禁止删除/篡改 | 核心保护对象——实质性学术内容 |
| C6：图表标题 | \caption{Performance comparison...} |
可统一标点格式，不可删改描述 | |
| C7：参考文献条目 | \bibitem{}, .bib 文件内容 |
❌ 禁止修改 | 参考文献列表不可改 |
在执行任何修复之前，code-surgeon-agent 必须执行以下步骤：
# 伪代码示例
def classify_content_context(tex_content, target_line_range):
"""
识别目标行范围内的内容类型
返回：{
'primary_type': 'C5', # C0-C7
'contains_academic_content': True,
'safe_to_modify': False,
'boundary_notes': 'Contains substantive conclusions paragraph'
}
"""分类规则：
- 若目标区域包含完整的句子（有主语 + 谓语）→ C5
- 若目标区域包含数值数据（
XX%,p=...,accuracy=...）→ C4 - 若目标区域仅包含
\begin{...},\end{...}, 参数 → C0 - 若目标区域包含
$...$或\[...\]→ C3
在修改之前，对待修改的学术内容部分（非 LaTeX 命令）计算语义哈希：
# 提取学术内容（过滤掉 LaTeX 命令）
grep -v '^\\[a-z]' target_section.tex | sed 's/\\[a-z]*{//g' | sed 's/}//g' > academic_content.txt
# 计算哈希
sha256sum academic_content.txt > pre_repair_hash.txt或使用 Python：
import hashlib
def extract_academic_content(tex_snippet):
"""过滤 LaTeX 命令，提取纯文本学术内容"""
import re
# 移除 LaTeX 命令
text = re.sub(r'\\[a-zA-Z]+(?:\[[^\]]*\])?(?:\{[^}]*\})?', '', tex_snippet)
# 移除环境标记
text = re.sub(r'\\begin\{[^}]+\}|\\end\{[^}]+\}', '', text)
return text.strip()
def semantic_hash(tex_content):
"""计算学术内容的语义哈希"""
academic = extract_academic_content(tex_content)
return hashlib.sha256(academic.encode()).hexdigest()
# 修复前
pre_hash = semantic_hash(original_section){
"pre_repair_snapshot": {
"timestamp": "2026-04-11T22:30:00Z",
"defect_id": "A1",
"target_file": "aaai24_antibody.tex",
"target_line_range": [412, 425],
"content_type": "C5",
"semantic_hash": "a3f8b9c2d1e4f5a6b7c8d9e0f1a2b3c4d5e6f7a8b9c0d1e2f3a4b5c6d7e8f9a0",
"academic_word_count": 87,
"sentence_count": 4
}
}修复完成后，必须执行以下验证：
# 修复后
post_hash = semantic_hash(repaired_section)
if pre_hash != post_hash:
# 学术内容发生了变化
original_sentences = extract_sentences(original_section)
repaired_sentences = extract_sentences(repaired_section)
deleted = set(original_sentences) - set(repaired_sentences)
added = set(repaired_sentences) - set(original_sentences)
if deleted:
raise ContentIntegrityViolation(
f"Academic content deleted during repair: {deleted}"
)def count_academic_words(tex_content):
"""统计纯学术词汇数量（排除 LaTeX 命令）"""
academic = extract_academic_content(tex_content)
# 简单分词：按空格和标点分割
words = re.findall(r'\b[a-zA-Z]+\b', academic)
return len(words)
pre_word_count = count_academic_words(original_section)
post_word_count = count_academic_words(repaired_section)
# 允许 5% 的浮动（用于必要的语义微调）
if abs(post_word_count - pre_word_count) / pre_word_count > 0.05:
flag_for_manual_review("Academic word count changed by more than 5%")对于论文的关键章节（Abstract, Introduction, Conclusions），必须验证其核心段落仍然存在：
# config/content_boundaries.yaml
critical_sections:
- label: "Abstract"
start_pattern: "\\begin{abstract}"
end_pattern: "\\end{abstract}"
min_sentences: 3
min_words: 100
- label: "Conclusions"
start_pattern: "\\section{Conclusion}"
end_pattern: "(?=\\section{|\\bibliography|\\end{document})"
min_sentences: 2
min_words: 50当检测到内容完整性违规时，系统必须：
- 记录到
state.json的content_changes数组 - 在诊断报告中标注
- 继续流程，但标记为"需人工复核"
- 暂停自动修复流程
- 生成
content_diff_report.md，列出具体变更 - 等待用户确认后再继续
- 立即中止 VTO 流程
- 自动回滚到修复前备份
- 生成
CRITICAL_CONTENT_VIOLATION.md报告 - 向用户发出警报
{
"violation_level": 3,
"action_taken": "auto_rollback",
"rollback_target": "data/backups/aaai24_antibody_20260411_223000.tex",
"violation_details": {
"section": "Conclusions",
"deleted_sentences": [
"These findings demonstrate the practical utility of our approach.",
"Future work will explore extensions to multi-modal settings."
],
"deleted_word_count": 47
}
}quality-gatekeeper-agent 在验收时必须增加内容完整性检查门：
| 检查项 | 证据来源 | 通过条件 |
|---|---|---|
| 学术内容哈希无重大变化 | content_integrity_check.json |
哈希差异 <5% 或已人工确认 |
| 无实质性内容删除 | content_diff_report.md |
无级别 3 违规 |
| 关键章节完整 | critical_sections_check.json |
Abstract/Conclusions 段落存在 |
验收逻辑：
- 若内容完整性检查失败 →
CONTINUE（回滚后重试）或BLOCKED（需人工介入） - 仅当内容完整性通过时，才允许输出
DONE
在 diagnostic_report_round{N}.md 中增加以下章节：
## 内容完整性验证
- 修复前学术内容哈希：`a3f8b9c2...`
- 修复后学术内容哈希：`a3f8b9c2...`（一致 ✅ / 不一致 ⚠️）
- 学术词汇数量变化：1234 → 1230（-0.3% ✅）
- 关键章节检查：
- Abstract：完整 ✅
- Conclusions：完整 ✅
- 内容变更详情：无实质性内容变更（仅排版调整）- 创建
scripts/content_integrity_check.py：实现语义哈希、内容提取、差异对比功能 - 创建
config/content_boundaries.yaml：定义关键章节的识别规则和最小阈值 - 更新
state_manager.py：增加pre_repair_snapshot和content_integrity字段 - 更新
diagnostic_report.template.md：增加内容完整性验证章节 - 完成内容完整性能力校验与验证闭环：覆盖语义哈希、内容提取与差异对比
- 更新
code-surgeon-agent.md：在"第三步：备份源文件"之后增加"第四步：内容边界检测与哈希计算" - 更新
quality-gatekeeper-agent.md：增加"第五道门：内容完整性" - 集成到 VTO 闭环：在 orchestrator 中调用 content_integrity_check.py
本协议扩展以下现有文档：
code-surgeon-agent.md中的"保持语义：不更改任何学术内容"原则 → 本协议提供强制执行机制quality-gatekeeper-agent.md中的验收标准 → 本协议增加第五道门vto_taxonomy.yaml中的semantic_constraints→ 本协议提供验证方法
协议版本: 1.0
生效日期: 2026-04-11
最后更新: 2026-04-11（测试套件完成：26/26 测试通过）