Bibby AI: Een redactie-native agentisch platform voor academisch onderzoek, schrijven en publiceren

Samenvatting

Academische output wordt geproduceerd in een gefragmenteerde gereedschapsketen: literatuurontdekking in de ene applicatie, referentiebeheer in een andere, schrijven in een LaTeX-editor, handmatige opmaak volgens venuesjablonen, en indiening via weer een ander portaal. Elke scheidslijn tussen tools dwingt een contextwisseling, een formaatconversie of een handmatige kopieer-en-plakstap af, en de cumulatieve kosten overheersen de tijd die onderzoekers besteden aan activiteiten die geen onderzoek zijn. Wij presenteren Bibby AI, een editor-native platform dat deze gereedschapsketen samensmelt tot één enkele Research-Write-Publish-pijplijn, gebouwd rond een cloudgebaseerde LaTeX-editor. In tegenstelling tot assistenten die via een browserextensie aan een bestaande editor worden gekoppeld, beheert Bibby AI de volledige documentstatus, compilatiepijplijn en revisiegeschiedenis, waardoor de agenten retrieval-gestuurde citatie-invoeging, structurele bewerkingen en sjabloonconforme herformattering kunnen uitvoeren als eersteklas, verifieerbare bewerkingen in plaats van tekstsuggesties. Het platform integreert (i) innamepijplijnen die PDF, DOCX en handgeschreven wiskunde omzetten in schone LaTeX; (ii) een retrievallaag over wetenschappelijke metadata, verrijkt met patent-naar-artikel-citatiesignalen afkomstig uit USPTO PatentsView en het Marx-Fuegi-citatiecorpus, waarmee de translationele impact van kandidaatreferenties zichtbaar wordt; en (iii) taakgerichte agenten voor literatuurtriage, opstellen, reviseren en locatieopmaak, die rechtstreeks op de abstracte syntaxrepresentatie van het document werken. Bibby AI is in productie genomen en wordt gebruikt door meer dan 5.000 actieve onderzoekers van meer dan 50 deelnemende universiteiten. Wij beschrijven de architectuur, de ontwerpbeslissingen die editor-nativeness mogelijk maakt, en het raamwerk voor tijdswinst op workflowniveau dat wij gebruiken om het platform te evalueren ten opzichte van gefragmenteerde basislijnen.

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.