PaperDebugger: Un Sistema Multiagente Basado en Complementos para la Escritura, Revisión y Edición Académica Dentro del Editor
PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing
December 2, 2025
Autores: Junyi Hou, Andre Lin Huikai, Nuo Chen, Yiwei Gong, Bingsheng He
cs.AI
Resumen
Los modelos de lenguaje a gran escala se integran cada vez más en los flujos de trabajo de escritura académica; sin embargo, los asistentes existentes permanecen externos al editor, lo que impide una interacción profunda con el estado del documento, su estructura y el historial de revisiones. Esta separación hace imposible dar soporte a operaciones agentivas y conscientes del contexto directamente dentro de editores de LaTeX como Overleaf. Presentamos PaperDebugger, un asistente de escritura académica basado en plugins, multiagente e integrado en el editor, que lleva el razonamiento impulsado por LLM directamente al entorno de escritura. Habilitar esta interacción dentro del editor es técnicamente complejo: requiere una sincronización bidireccional confiable con el editor, un control de versiones y aplicación de parches granular, una gestión segura del estado, una planificación multiagente y una comunicación extensible con herramientas externas. PaperDebugger aborda estos desafíos mediante una extensión aprobada para Chrome, una capa de orquestación nativa de Kubernetes y una cadena de herramientas Model Context Protocol (MCP) que integra búsqueda de literatura, consulta de referencias, puntuación de documentos y pipelines de revisión. Nuestra demostración muestra un flujo de trabajo totalmente integrado, que incluye ediciones localizadas, revisiones estructuradas, ejecución paralela de agentes y actualizaciones basadas en diferencias (diff), todo encapsulado en una interfaz de usuario (UI) de mínima intrusión. Los análisis agregados preliminares demuestran un compromiso activo de los usuarios y validan la practicidad de un asistente de escritura agentivo y nativo del editor. Se pueden encontrar más detalles sobre esta demostración y un vídeo en https://github.com/PaperDebugger/PaperDebugger.
English
Large language models are increasingly embedded into academic writing workflows, yet existing assistants remain external to the editor, preventing deep interaction with document state, structure, and revision history. This separation makes it impossible to support agentic, context-aware operations directly within LaTeX editors such as Overleaf. We present PaperDebugger, an in-editor, multi-agent, and plugin-based academic writing assistant that brings LLM-driven reasoning directly into the writing environment. Enabling such in-editor interaction is technically non-trivial: it requires reliable bidirectional synchronization with the editor, fine-grained version control and patching, secure state management, multi-agent scheduling, and extensible communication with external tools. PaperDebugger addresses these challenges through a Chrome-approved extension, a Kubernetes-native orchestration layer, and a Model Context Protocol (MCP) toolchain that integrates literature search, reference lookup, document scoring, and revision pipelines. Our demo showcases a fully integrated workflow, including localized edits, structured reviews, parallel agent execution, and diff-based updates, encapsulated within a minimal-intrusion user interface (UI). Early aggregated analytics demonstrate active user engagement and validate the practicality of an editor-native, agentic writing assistant. More details about this demo and video could be found at https://github.com/PaperDebugger/PaperDebugger.