Papierkreis: Ein Open-Source-Framework zur Multi-Agenten-Forschungserkennung und -analyse
Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework
April 7, 2026
Autoren: Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal
cs.AI
Zusammenfassung
Das rasante Wachstum der wissenschaftlichen Literatur erschwert es Forschenden zunehmend, relevante Arbeiten effizient zu entdecken, zu bewerten und zu synthetisieren. Jüngste Fortschritte bei Multi-Agenten-Großsprachmodellen (Large Language Models, LLMs) haben ein großes Potenzial für das Verständnis von Nutzerabsichten gezeigt, und sie werden zunehmend darauf trainiert, verschiedene Werkzeuge zu nutzen. In diesem Beitrag stellen wir Paper Circle vor, ein Multi-Agenten-System zur Entdeckung und Analyse von Forschungsliteratur, das darauf abzielt, den Aufwand für das Auffinden, Bewerten, Organisieren und Verstehen akademischer Literatur zu reduzieren. Das System umfasst zwei komplementäre Pipelines: (1) eine Discovery-Pipeline, die Offline- und Online-Recherche aus mehreren Quellen, Bewertung nach mehreren Kriterien, diversitätsbewusstes Ranking und strukturierte Ausgaben integriert; und (2) eine Analyse-Pipeline, die einzelne Artikel in strukturierte Wissensgraphen mit typisierten Knoten wie Konzepte, Methoden, Experimente und Abbildungen umwandelt, um graphenbasiertes Frage-Antworten und Abdeckungsverifikation zu ermöglichen. Beide Pipelines sind in einem auf Coder-LLM basierenden Multi-Agenten-Orchestrierungsframework implementiert und erzeugen an jedem Agentenschritt vollständig reproduzierbare, synchronisierte Ausgaben inklusive JSON, CSV, BibTeX, Markdown und HTML. Dieser Beitrag beschreibt die Systemarchitektur, Agentenrollen, Retrieval- und Bewertungsmethoden, das Wissensgraphen-Schema und die Evaluierungsschnittstellen, die gemeinsam den Paper Circle-Forschungsarbeitsablauf bilden. Wir benchmarken Paper Circle sowohl für die Literaturrecherche als auch für die Erstellung von Literaturübersichten und berichten Hit Rate, MRR und Recall@K. Die Ergebnisse zeigen konsistente Verbesserungen mit leistungsfähigeren Agentenmodellen. Wir haben die Website unter https://papercircle.vercel.app/ und den Code unter https://github.com/MAXNORM8650/papercircle öffentlich zugänglich gemacht.
English
The rapid growth of scientific literature has made it increasingly difficult for researchers to efficiently discover, evaluate, and synthesize relevant work. Recent advances in multi-agent large language models (LLMs) have demonstrated strong potential for understanding user intent and are being trained to utilize various tools. In this paper, we introduce Paper Circle, a multi-agent research discovery and analysis system designed to reduce the effort required to find, assess, organize, and understand academic literature. The system comprises two complementary pipelines: (1) a Discovery Pipeline that integrates offline and online retrieval from multiple sources, multi-criteria scoring, diversity-aware ranking, and structured outputs; and (2) an Analysis Pipeline that transforms individual papers into structured knowledge graphs with typed nodes such as concepts, methods, experiments, and figures, enabling graph-aware question answering and coverage verification. Both pipelines are implemented within a coder LLM-based multi-agent orchestration framework and produce fully reproducible, synchronized outputs including JSON, CSV, BibTeX, Markdown, and HTML at each agent step. This paper describes the system architecture, agent roles, retrieval and scoring methods, knowledge graph schema, and evaluation interfaces that together form the Paper Circle research workflow. We benchmark Paper Circle on both paper retrieval and paper review generation, reporting hit rate, MRR, and Recall at K. Results show consistent improvements with stronger agent models. We have publicly released the website at https://papercircle.vercel.app/ and the code at https://github.com/MAXNORM8650/papercircle.