大型语言模型（LLM）代理正日益嵌入文献分析、稿件起草和审稿等科研工作流。现有系统虽能实现自主发现和稿件生成，却未解决治理难题：在缺乏强制人工批准或制品级可追溯性的 AI 辅助流程中，思想、方法、结果和主张会无控制地传播。\ \ 本文提出 Paper Pilot，一套面向应用科学的人工参与专家系统，实现证据可追溯的稿件生成。系统沿用协同代理推理工程（CARE）方法，将其映射到稿件开发流程，核心包括稿件所有者审批闸口、明确的“不通过”标准、主张分类、审计日志、顾问 LLM 评审以及证据锁定的修订控制。\ \ 框架在从创意到主张的全链路设定八个审批闸口，并区分文献支撑的主张与制品支撑的主张，要求报告的数值和解释必须可追溯到已批准的证据。系统提示已公开，可部署于 ChatGPT、Gemini、Claude 或机构内部 LLM 环境。\ \ 作为首轮实证验证，本文在受控、机械评分的基准上评估了引用追溯层，使用两款商业 LLM、真实 arXiv 论文且不引入 LLM 判官：在无闸口的草稿生成中，模型在引用压力下伪造最高 25% 的文献且未标记证据缺口；而在 Paper Pilot 的证据锁定规则下，同样模型的伪造引用为 0，且将植入的缺口显式呈现为占位符。对结果追溯、修订和对抗鲁棒性的初步结果亦指向相同趋势，完整评估留待后续工作。\ \ Paper Pilot 将 LLM 辅助写作定位为受控的人机决策支持过程，而非全自动作者流水线。\ \ 点评