PaperDebugger : Un système multi-agents à base de plugins pour la rédaction, la relecture et l'édition académiques dans l'éditeur
PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing
December 2, 2025
papers.authors: Junyi Hou, Andre Lin Huikai, Nuo Chen, Yiwei Gong, Bingsheng He
cs.AI
papers.abstract
Les modèles de langage à grande échelle sont de plus en plus intégrés aux flux de travail de rédaction académique, pourtant les assistants existants demeurent externes à l'éditeur, empêchant une interaction approfondie avec l'état du document, sa structure et son historique de révisions. Cette séparation rend impossible la prise en charge d'opérations agentives et contextuelles directement au sein des éditeurs LaTeX comme Overleaf. Nous présentons PaperDebugger, un assistant de rédaction académique intégré à l'éditeur, multi-agents et basé sur des extensions, qui intègre directement le raisonnement piloté par les LLM dans l'environnement d'écriture. Permettre une telle interaction intégrée est techniquement complexe : cela nécessite une synchronisation bidirectionnelle fiable avec l'éditeur, un contrôle de version granulaire et un correctif, une gestion sécurisée de l'état, une planification multi-agents et une communication extensible avec des outils externes. PaperDebugger relève ces défis grâce à une extension approuvée par Chrome, une couche d'orchestration native Kubernetes et une chaîne d'outils Model Context Protocol (MCP) qui intègre la recherche bibliographique, la consultation des références, l'évaluation des documents et les pipelines de révision. Notre démonstration présente un flux de travail entièrement intégré, incluant des modifications localisées, des relectures structurées, une exécution parallèle d'agents et des mises à jour basées sur les différences, le tout encapsulé dans une interface utilisateur à intrusion minimale. Les premières analyses agrégées démontrent un engagement actif des utilisateurs et valident la praticité d'un assistant d'écriture agentif natif de l'éditeur. Plus de détails sur cette démonstration et une vidéo sont disponibles à l'adresse 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.