Reimaginando artigos de pesquisa como agentes de IA interativos e confiáveis

Detalhes sobre a implementação do Paper2Agent

O Paper2Agent converte um artigo de pesquisa e sua base de código pública em um servidor MCP pronto para produção e, em seguida, expõe esse servidor a uma interface de agente de IA. Implementamos isso como um sistema multi-agente usando o SDK de agente do Claude Code, onde um agente orquestrador central coordena sub-agentes especializados por meio de um pipeline de seis etapas. Cada sub-agente é definido por um prompt estruturado que especifica seu papel, ferramentas permitidas (por exemplo, leitura/escrita de arquivos, execução de shell e acesso à web) e o esquema de saída esperado. O orquestrador despacha sub-agentes sequencialmente entre as etapas e em paralelo dentro das etapas quando vários tutoriais são processados simultaneamente.

O pipeline prossegue por seis etapas, com os dados fluindo entre elas por meio de relatórios JSON padronizados e convenções de arquivos:

1. 1.

   Localizar e baixar a base de código. O Paper2Agent primeiro tenta identificar automaticamente o repositório de código associado a partir do texto do manuscrito, referências ou materiais suplementares. Se a identificação automática falhar, se retornar múltiplos candidatos ou se o usuário preferir especificar um repositório específico, a URL do repositório pode ser fornecida diretamente. Uma vez identificado, a base de código é clonada ou baixada, juntamente com recursos associados, como dados suplementares ou arquivos de configuração. As saídas para esta etapa são o repositório clonado e a linguagem detectada.

2. 2.

   Configuração do ambiente. O sub-agente gerenciador de ambiente fornece um ambiente virtual limpo e isolado para o repositório. A entrada é o repositório clonado, e as saídas são um ambiente virtual isolado e arquivos de configuração de teste.

3. 3.

   Descoberta de tutoriais. O sub-agente scanner de tutoriais varre o repositório para localizar materiais educacionais e de referência úteis e produz um índice de tutoriais candidatos para ferramentas. As entradas são o repositório clonado e um filtro de tutorial opcional. A saída é um arquivo JSON representando um índice de arquivos classificado.

4. 4.

   Execução e auditoria de tutoriais. O sub-agente executor de tutoriais executa os tutoriais selecionados de ponta a ponta com seus dados de exemplo, captura entradas, saídas, figuras e restrições de tempo de execução, e registra quaisquer suposições implícitas que devem ser explicitadas. As entradas são arquivos-fonte do tutorial, ambiente virtual ativado e relatório do scanner. As saídas são notebooks executados e relatórios de execução por tutorial.

5. 5.

   Extração, teste e refinamento de ferramentas. Esta etapa envolve dois sub-agentes operando em sequência. Primeiro, o extrator-implementador de ferramentas de tutorial converte cada tutorial executado em um módulo Python autônomo contendo funções reutilizáveis. Ele identifica etapas de análise generalizáveis, parametriza valores codificados rigidamente (caminhos de arquivo, limites, nomes de colunas), impõe entradas e saídas baseadas em arquivos e decora cada função como uma ferramenta MCP. Em segundo lugar, o verificador-aprimorador de testes cria arquivos de teste por função usando os próprios dados de exemplo do tutorial como verdade fundamental. Os testes verificam se os arquivos de saída esperados são gerados; funções que falham repetidamente têm seus decoradores de ferramentas MCP removidos e são excluídas do servidor final. As entradas são notebooks executados, ambiente virtual e relatório do scanner. As saídas são módulos de ferramentas, arquivos de teste por função, logs de teste e resumos.

6. 6.

   Montagem do servidor MCP. O orquestrador integra todos os módulos de ferramentas validados em um servidor MCP unificado com um manifesto, versionamento e padrões básicos de segurança, pronto para ser usado por um orquestrador ou agente co-cientista.