Círculo de Papel: Un Marco de Descubrimiento y Análisis de Investigación Multiagente de Código Abierto
Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework
April 7, 2026
Autores: Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal
cs.AI
Resumen
El rápido crecimiento de la literatura científica ha dificultado cada vez más que los investigadores descubran, evalúen y sinteticen de manera eficiente trabajos relevantes. Los recientes avances en modelos de lenguaje grande (LLM) multiagente han demostrado un gran potencial para comprender la intención del usuario y se están entrenando para utilizar diversas herramientas. En este artículo, presentamos Paper Circle, un sistema multiagente de descubrimiento y análisis de investigación diseñado para reducir el esfuerzo necesario para encontrar, evaluar, organizar y comprender la literatura académica. El sistema comprende dos pipelines complementarios: (1) un Pipeline de Descubrimiento que integra la recuperación offline y online de múltiples fuentes, la puntuación multicriterio, la clasificación consciente de la diversidad y las salidas estructuradas; y (2) un Pipeline de Análisis que transforma artículos individuales en grafos de conocimiento estructurados con nodos tipados como conceptos, métodos, experimentos y figuras, permitiendo la respuesta a preguntas con conciencia del grafo y la verificación de cobertura. Ambos pipelines se implementan dentro de un marco de orquestación multiagente basado en un LLM codificador y producen salidas completamente reproducibles y sincronizadas, incluyendo JSON, CSV, BibTeX, Markdown y HTML en cada paso del agente. Este artículo describe la arquitectura del sistema, los roles de los agentes, los métodos de recuperación y puntuación, el esquema del grafo de conocimiento y las interfaces de evaluación que, en conjunto, forman el flujo de trabajo de investigación de Paper Circle. Evaluamos Paper Circle tanto en la recuperación de artículos como en la generación de revisiones de artículos, reportando la tasa de aciertos, MRR y Recall@K. Los resultados muestran mejoras consistentes con modelos de agentes más potentes. Hemos publicado públicamente el sitio web en https://papercircle.vercel.app/ y el código en https://github.com/MAXNORM8650/papercircle.
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.