Bibby AI: Eine Editor-native agentische Plattform für akademische Forschung, Schreiben und Publizieren

Zusammenfassung

Die akademische Ausgabe erfolgt über eine fragmentierte Werkzeugkette: Literaturrecherche in einer Anwendung, Referenzverwaltung in einer anderen, Schreiben in einem LaTeX-Editor, manuelle Formatierung entsprechend den Vorgaben der Konferenzplattform und Einreichung über ein weiteres Portal. Jede Grenze zwischen den Werkzeugen erzwingt einen Kontextwechsel, eine Formatkonvertierung oder einen manuellen Kopier-und-Einfüge-Schritt, und die kumulativen Kosten dominieren die Zeit, die Forscher für Tätigkeiten aufwenden, die keine Forschung sind. Wir stellen Bibby AI vor, eine editor-native Plattform, die diese Werkzeugkette zu einer einzigen Research-Write-Publish-Pipeline zusammenfasst, die auf einem Cloud-LaTeX-Editor aufbaut. Im Gegensatz zu Assistenten, die über eine Browsererweiterung an einen vorhandenen Editor angebunden werden, besitzt Bibby AI den vollständigen Dokumentzustand, die Kompilierungspipeline und den Revisionsverlauf, wodurch seine Agenten abrufgestützte Zitationseinfügungen, strukturelle Bearbeitungen und vorlagenkonforme Neuformatierungen als erstklassige, verifizierbare Operationen durchführen können, anstatt als Textvorschläge. Die Plattform integriert (i) Aufnahmepipelines, die PDF, DOCX und handgeschriebene Mathematik in sauberes LaTeX konvertieren; (ii) eine Abrufschicht über wissenschaftlichen Metadaten, angereichert mit Patent-zu-Publikations-Zitationssignalen, die aus USPTO PatentsView und dem Marx-Fuegi-Zitationskorpus gewonnen werden, und die translationale Wirkung von Referenzkandidaten sichtbar macht; sowie (iii) aufgabenspezifische Agenten für Literaturauswahl, Entwurf, Überarbeitung und Konferenzformatierung, die direkt an der abstrakten Syntaxdarstellung des Dokuments arbeiten. Bibby AI ist produktiv eingesetzt und bedient mehr als 5.000 aktive Forscher an über 50 abonnierenden Universitäten. Wir beschreiben die Architektur, die Designentscheidungen, die durch die Editor-Nativität ermöglicht werden, und das Framework zur Zeitersparnis auf Workflow-Ebene, das wir zur Bewertung der Plattform im Vergleich zu fragmentierten Baselines verwenden.

English

Academic output is produced across a fragmented toolchain: literature discovery in one application, reference management in another, writing in a LaTeX editor, formatting against venue templates by hand, and submission through yet another portal. Each boundary between tools forces a context switch, a format conversion, or a manual copy-paste step, and the cumulative cost dominates the time researchers spend on activities that are not research. We present Bibby AI, an editor-native platform that collapses this toolchain into a single Research-Write-Publish pipeline built around a cloud LaTeX editor. Unlike assistants that attach to an existing editor through a browser extension, Bibby AI owns the full document state, compilation pipeline, and revision history, which allows its agents to perform retrieval-grounded citation insertion, structural edits, and template-compliant reformatting as first-class, verifiable operations rather than text suggestions. The platform integrates (i) ingestion pipelines that convert PDF, DOCX, and handwritten mathematics into clean LaTeX; (ii) a retrieval layer over scholarly metadata enriched with patent-to-paper citation signals derived from USPTO PatentsView and the Marx-Fuegi citation corpus, surfacing the translational impact of candidate references; and (iii) task-scoped agents for literature triage, drafting, revision, and venue formatting that operate directly on the document's abstract syntax representation. Bibby AI is deployed in production and serves more than 5,000 active researchers across more than 50 subscribing universities. We describe the architecture, the design decisions that editor-nativeness makes possible, and the workflow-level time-savings framework we use to evaluate the platform against fragmented baselines.