PaperDebugger: Een op plug-ins gebaseerd multi-agentensysteem voor academisch schrijven, beoordelen en bewerken in de editor

PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing

December 2, 2025

Auteurs: Junyi Hou, Andre Lin Huikai, Nuo Chen, Yiwei Gong, Bingsheng He

cs.AI

Samenvatting

Grote taalmodellen worden steeds vaker geïntegreerd in academische schrijfwerkstromen, maar bestaande assistenten blijven extern aan de editor, wat een diepe interactie met de documentstatus, -structuur en revisiegeschiedenis verhindert. Deze scheiding maakt het onmogelijk om agent-gedreven, contextbewuste operaties rechtstreeks binnen LaTeX-editors zoals Overleaf te ondersteunen. Wij presenteren PaperDebugger, een in-editor, multi-agent en plugin-gebaseerde academische schrijfassistent die door LLM-gedreven redenering direct in de schrijfontgeving brengt. Het mogelijk maken van dergelijke in-editor-interactie is technisch niet-triviaal: het vereist een betrouwbare bidirectionele synchronisatie met de editor, fijnmazige versiebeheer en patching, veilig statusbeheer, multi-agent planning en uitbreidbare communicatie met externe tools. PaperDebugger adresseert deze uitdagingen via een door Chrome-goedgekeurde extensie, een Kubernetes-native orchestratielaag en een Model Context Protocol (MCP) toolchain die literatuurzoekopdrachten, referentielookup, documentscoring en revisiepijplijnen integreert. Onze demo toont een volledig geïntegreerde werkstroom, inclusief gelokaliseerde bewerkingen, gestructureerde reviews, parallelle agentuitvoering en diff-gebaseerde updates, verpakt in een gebruikersinterface (UI) met minimale inmenging. Vroege geaggregeerde analyses tonen actieve gebruikersbetrokkenheid aan en valideren de praktische haalbaarheid van een editor-native, agent-gedreven schrijfassistent. Meer details over deze demo en video zijn te vinden op 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.