知识卡片：ReCite：面向忠实引用的智能体推理框架

• 一句话结论：ReCite 是一个解耦式智能体引用推荐框架，主张把引文匹配从“相似性检索”转向“主张级逻辑推理”，通过反思性验证与自校正循环提升严格引用准确率，并在实验中以轻量级模型超过大规模生成模型。

• 事件概述或研究问题：准确引用是学术写作的基础，但人工阅读海量文献越来越困难，自动引文推荐因此变得重要。现有检索增强架构虽然基本避免了“生成不存在的论文”这类捏造问题，但依赖语义相似性的系统仍会出现“误引”：检索到的论文真实存在，却在逻辑上无法支撑作者的具体主张。作者认为，准确引用的关键是主动对“主张层面”进行推理，而不仅是文本相似度匹配。

• 方法/产品要点：

  • 提出解耦式（decoupled）智能体框架 ReCite；
  • 协同三个能力：位置感知（location perception）、意图感知查询规划（intent-aware query planning）、反思性验证（reflective verification）；
  • 使用合成的推理轨迹训练智能体；
  • 智能体验证“主张—证据”一致性；当检索到的候选缺乏逻辑支持时，触发自我校正循环；
  • 目标是将文献匹配建立在可验证的逻辑之上，而非语义重叠。

• 主要结果或产业意义：实验显示，这一轻量级框架在严格引用准确率（strict citation accuracy）上优于当前最先进的大规模生成模型。具体评测数据集、对比模型和提升幅度待核实。产业意义在于为自动化学术写作、辅助文献综述和智能写作工具提供更可靠的引用基础。

• 为什么重要：已有相关智能体工作（如 Argus、SheetCompass、AdaPrefix-GRPO）分别侧重长效运行、表格推理和强化学习信号控制；本条目的增量在于聚焦“学术引用忠实性”这一具体场景，明确指出语义相似性检索无法保证引文与主张之间的逻辑关系，并给出以“主张级推理 + 自校正”为核心的智能体方案。它把引文推荐由相关性匹配推向逻辑严谨性验证，对自动化学术写作的可信度建设有直接意义。

• 局限与不确定性：

  • 目前仅见摘要，未提供完整系统架构、训练数据规模、推理轨迹合成方式等细节，待核实；
  • “严格引用准确率”的具体定义、计算方式和数值未在材料中给出，待核实；
  • 对比的“大规模生成模型”具体名称、参数量及实验设置待核实；
  • 是否开源代码、是否提供评测基准待核实；
  • 实验覆盖的学科领域或写作场景尚不明确，待核实。

• 可用于图书/PPT/简报的角度：

  • 智能体如何解决“引了真论文但逻辑不对”的深层问题；
  • 从“语义匹配”到“主张级推理”的范式转变；
  • 轻量级智能体框架 vs 大规模生成模型的效率与准确性权衡；
  • 面向科研写作助手、论文润色工具和学术诚信基础设施的应用前景。

• 与既有脉络的关系：本条是对智能体在学术工作流中应用方向的补充，特别是将“长篇推理智能体”与“引文推荐准确性”连接起来；与前序卡片相比，新增了“反思性引用验证”和“自我纠错检索”的问题视角。

• 原始材料：

  • 英文标题：ReCite: Agentic Reasoning for Faithful Citation
  • arXiv ID：2609.09156v1
  • 作者：Yuyang Huang, Bobo Li, Jiajia Song, Yuzhe Ding, Chong Teng, Fei Li, Donghong Ji
  • 提交/更新时间：2026-09-08T17:59:50Z
  • 类别：cs.CL
  • URL：https://arxiv.org/abs/2609.09156v1
  • 摘要原文：见上述来源材料。