LogicTree-RAG: Logic Tree-guided Retrieval-Augmented Generation for Long-form Patent Drafting

📄 arXiv: 2609.30943v1 📥 PDF

作者: Jiaqi Zhu, Naili Xing, Hexiang Pan, Haotian Gao, Jianwei Yin, Xiaokui Xiao, Beng Chin Ooi

分类: cs.AI

发布日期: 2026-09-25

备注: Accepted by NeurIPS 2026

💡 一句话要点

提出LogicTree-RAG以解决长篇专利撰写中的逻辑结构与技术推理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长篇文本生成 专利撰写 逻辑树 检索增强生成 技术文档 多专家协作 自动化文档生成

📋 核心要点

  1. 现有方法往往只关注部分章节的生成，或依赖手动提纲，限制了专利撰写的自动化和一致性。
  2. 本文提出LogicTree-RAG，通过构建层次逻辑树作为组织框架，实现技术披露的系统性和逻辑性生成。
  3. 实验结果显示，LogicTree-RAG在内容质量和语言一致性上显著优于现有LLM基线，且生成效率高。

📝 摘要（中文）

长篇技术文本生成在知识密集型工作流程中至关重要，但对于大型语言模型（LLMs）而言，由于需要全球一致的逻辑结构和忠实的技术推理，这一任务仍然具有挑战性。专利撰写是这一挑战的典型实例，要求通过多专家协作生成合法合规且技术详尽的文档。现有方法往往集中于部分章节生成或依赖手工制作的提纲，限制了在实际环境中的可扩展自动化。本文提出了LogicTree-RAG，一个逻辑树引导的检索增强生成框架，利用层次逻辑树作为全球组织骨架来组织和支撑技术披露，而无需依赖专家定义的撰写先验。每个逻辑树节点代表一个技术元素，通过证据引导的递归生成构建。混合遍历机制将逻辑树映射到专利章节，实现可控且平衡的生成。大量实验表明，LogicTree-RAG在内容质量和语言一致性上持续优于强基线，并实现了更长的结构化生成和高效的标记使用，展示了逻辑中心生成在复杂技术文档撰写中的有效性。

🔬 方法详解

问题定义：本文旨在解决长篇专利撰写中逻辑结构不一致和技术推理不足的问题。现有方法多集中于局部生成，缺乏全局一致性，难以满足专利文档的复杂需求。

核心思路：论文提出的LogicTree-RAG框架通过构建逻辑树来引导生成过程，确保生成内容的逻辑性和技术准确性。逻辑树的层次结构有助于组织信息，使得生成过程更加系统化。

技术框架：该框架包括逻辑树的构建、证据引导的递归生成和混合遍历机制。逻辑树的每个节点代表一个技术元素，生成过程通过递归方式逐步构建，最终通过遍历机制将逻辑树映射到专利的各个章节。

关键创新：最重要的创新在于引入逻辑树作为生成的组织骨架，避免了对专家定义的依赖，使得生成过程更加灵活和可控。这一设计与传统方法的本质区别在于其系统性和逻辑性。

关键设计：在实现过程中，采用了证据引导的生成策略，确保每个节点的生成都有充分的技术依据。同时，混合遍历机制的设计使得生成的章节在内容上保持平衡，增强了整体文档的连贯性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LogicTree-RAG在内容质量和语言一致性上显著优于强基线，具体表现为生成内容的逻辑性和技术准确性提升，且在生成效率上实现了高标记利用率，支持更长的结构化文本生成。

🎯 应用场景

该研究的潜在应用领域包括专利撰写、技术文档生成及其他需要高逻辑性和技术性的文本生成任务。通过提高生成效率和质量，LogicTree-RAG能够为法律和技术行业提供更高效的文档处理工具，推动自动化文档生成的进程。

📄 摘要（原文）

Long-form technical text generation underpins knowledge-intensive workflows, yet remains challenging for large language models (LLMs) due to the need for globally consistent logical structuring and faithful technical reasoning beyond local coherence. Patent drafting is a canonical instance of this challenge, demanding holistic generation of a legally compliant and technically exhaustive document through sustained multi-expert collaboration. Existing approaches often focus on partial section generation or rely on manually crafted outlines, limiting scalable automation in realistic settings. In this work, we propose LogicTree-RAG, a logic tree-guided retrieval-augmented generation framework that induces a hierarchical logic tree as a global organizational backbone to organize and ground technical disclosures, without relying on expert-defined drafting priors. Each node in the logic tree represents a technical element and is constructed through evidence-guided recursive generation. A hybrid traversal mechanism then maps the logic tree into patent sections, enabling controllable and section-balanced generation. Extensive experiments show that LogicTree-RAG consistently improves content quality and language conformity over strong LLM-based baselines and achieves longer structured generation with high token efficiency, demonstrating the effectiveness of logic-centric generation for complex technical document drafting.