Papieren Cirkel: Een Open-source Multi-agent Onderzoeksontdekking en Analyse Framework
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
Samenvatting
De snelle groei van wetenschappelijke literatuur maakt het voor onderzoekers steeds moeilijker om relevante publicaties efficiënt te ontdekken, te evalueren en te synthetiseren. Recente vooruitgang in multi-agent large language models (LLM's) heeft een sterk potentieel getoond voor het begrijpen van gebruikersintentie en ze worden getraind om diverse tools te gebruiken. In dit artikel introduceren we Paper Circle, een multi-agent onderzoeksontdekkings- en analysesysteem dat is ontworpen om de inspanning die nodig is om academische literatuur te vinden, beoordelen, organiseren en begrijpen te verminderen. Het systeem bestaat uit twee complementaire pijplijnen: (1) een Ontdekkingspijplijn die offline- en online-retrieval uit meerdere bronnen integreert, samen met scoring op basis van meerdere criteria, diversiteitsbewuste rangschikking en gestructureerde outputs; en (2) een Analysepijplijn die individuele artikelen omzet in gestructureerde kennisgrafieken met getypeerde nodes, zoals concepten, methoden, experimenten en figuren, waardoor grafiekbewuste vraagbeantwoording en dekkingverificatie mogelijk wordt. Beide pijplijnen worden geïmplementeerd binnen een op coder-LLM gebaseerd multi-agent orchestration-framework en produceren volledig reproduceerbare, gesynchroniseerde outputs – waaronder JSON, CSV, BibTeX, Markdown en HTML – bij elke agentstap. Dit artikel beschrijft de systeemarchitectuur, agentrollen, retrieval- en scoringsmethoden, kennisgrafiekschema en evaluatie-interfaces die gezamenlijk de Paper Circle-onderzoeksworkflow vormen. We evalueren Paper Circle op zowel artikelretrieval als het genereren van artikelenreviews, en rapporteren hitrate, MRR en Recall@K. Resultaten tonen consistente verbeteringen met sterkere agentmodellen. We hebben de website openbaar vrijgegeven op https://papercircle.vercel.app/ en de code op 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.