Cercle Papier : Un Cadre Open-source pour la Découverte et l'Analyse de Recherche Multi-agent
Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework
April 7, 2026
Auteurs: Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal
cs.AI
Résumé
La croissance rapide de la littérature scientifique rend de plus en plus difficile pour les chercheurs la découverte, l'évaluation et la synthèse efficaces des travaux pertinents. Les progrès récents des modèles de langage de grande taille (LLM) multi-agents ont démontré un fort potentiel pour la compréhension de l'intention de l'utilisateur et sont entraînés à utiliser divers outils. Dans cet article, nous présentons Paper Circle, un système multi-agents de découverte et d'analyse de la recherche conçu pour réduire l'effort nécessaire pour trouver, évaluer, organiser et comprendre la littérature académique. Le système comprend deux pipelines complémentaires : (1) un Pipeline de Découverte qui intègre la recherche en ligne et hors ligne à partir de multiples sources, le scoring multi-critères, le classement tenant compte de la diversité et les sorties structurées ; et (2) un Pipeline d'Analyse qui transforme les articles individuels en graphes de connaissances structurés avec des nœuds typés tels que concepts, méthodes, expériences et figures, permettant un système de questions-réponses basé sur les graphes et une vérification de la couverture. Les deux pipelines sont implémentés dans un cadre d'orchestration multi-agents basé sur un LLM codeur et produisent des résultats entièrement reproductibles et synchronisés, incluant JSON, CSV, BibTeX, Markdown et HTML à chaque étape de l'agent. Cet article décrit l'architecture du système, les rôles des agents, les méthodes de recherche et de scoring, le schéma du graphe de connaissances et les interfaces d'évaluation qui forment ensemble le flux de travail de recherche Paper Circle. Nous évaluons Paper Circle à la fois sur la recherche de documents et sur la génération de synthèses d'articles, en rapportant le taux de succès, le MRR et le Rappel à K. Les résultats montrent des améliorations constantes avec des modèles d'agents plus performants. Nous avons rendu public le site web à l'adresse https://papercircle.vercel.app/ et le code à l'adresse 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.