Bibby AI : une plateforme agentive native de l'éditeur pour la recherche, l'écriture et la publication académiques

Résumé

La production académique s'effectue au sein d'une chaîne d'outils fragmentée : la découverte de la littérature dans une application, la gestion des références dans une autre, la rédaction dans un éditeur LaTeX, la mise en forme manuelle selon les modèles des conférences, et la soumission via un portail supplémentaire. Chaque passage d'un outil à l'autre impose un changement de contexte, une conversion de format ou un copier-coller manuel, et le coût cumulé domine le temps que les chercheurs consacrent à des activités qui ne relèvent pas de la recherche. Nous présentons Bibby AI, une plateforme intégrée à l'éditeur qui condense cette chaîne d'outils en un pipeline unique Recherche-Rédaction-Publication, bâti autour d'un éditeur LaTeX cloud. Contrairement aux assistants qui se greffent à un éditeur existant via une extension de navigateur, Bibby AI possède l'intégralité de l'état du document, de la chaîne de compilation et de l'historique des révisions, ce qui permet à ses agents d'effectuer l'insertion de citations fondée sur la recherche, les modifications structurelles et le reformatage conforme aux modèles comme des opérations vérifiables de premier ordre, et non de simples suggestions textuelles. La plateforme intègre (i) des pipelines d'ingestion qui convertissent les fichiers PDF, DOCX et les mathématiques manuscrites en LaTeX propre ; (ii) une couche de recherche sur les métadonnées savantes, enrichie de signaux de citation entre brevets et articles provenant de USPTO PatentsView et du corpus de citations Marx-Fuegi, mettant en lumière l'impact translationnel des références candidates ; et (iii) des agents spécialisés par tâche pour le tri de la littérature, la rédaction, la révision et la mise en forme selon les modèles de conférence, qui opèrent directement sur la représentation syntaxique abstraite du document. Bibby AI est déployé en production et sert plus de 5 000 chercheurs actifs dans plus de 50 universités abonnées. Nous décrivons l'architecture, les décisions de conception rendues possibles par l'intégration à l'éditeur, et le cadre d'évaluation des gains de temps au niveau du flux de travail que nous utilisons pour comparer la plateforme aux approches fragmentées de référence.

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.