Círculo de Papel: Uma Estrutura de Código Aberto para Descoberta e Análise de Pesquisa Multiagente
Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework
April 7, 2026
Autores: Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal
cs.AI
Resumo
O rápido crescimento da literatura científica tem tornado cada vez mais difícil para os pesquisadores descobrir, avaliar e sintetizar trabalhos relevantes de forma eficiente. Avanços recentes em modelos de linguagem de grande escala (LLMs) multiagente demonstraram um forte potencial para a compreensão da intenção do usuário e estão sendo treinados para utilizar várias ferramentas. Neste artigo, apresentamos o Paper Circle, um sistema multiagente de descoberta e análise de pesquisas projetado para reduzir o esforço necessário para encontrar, avaliar, organizar e compreender a literatura acadêmica. O sistema compreende dois pipelines complementares: (1) um Pipeline de Descoberta que integra recuperação offline e online de múltiplas fontes, pontuação multicritério, classificação com consciência da diversidade e saídas estruturadas; e (2) um Pipeline de Análise que transforma artigos individuais em grafos de conhecimento estruturados com nós tipados, como conceitos, métodos, experimentos e figuras, permitindo questionamento com consciência do grafo e verificação de cobertura. Ambos os pipelines são implementados dentro de um framework de orquestração multiagente baseado em LLM codificador e produzem saídas sincronizadas e totalmente reproduzíveis, incluindo JSON, CSV, BibTeX, Markdown e HTML em cada etapa do agente. Este artigo descreve a arquitetura do sistema, os papéis dos agentes, os métodos de recuperação e pontuação, o esquema do grafo de conhecimento e as interfaces de avaliação que, juntos, formam o fluxo de trabalho de pesquisa do Paper Circle. Avaliamos o Paper Circle tanto na recuperação de artigos quanto na geração de revisões de artigos, relatando taxa de acerto, MRR e Recall@K. Os resultados mostram melhorias consistentes com modelos de agente mais fortes. Disponibilizamos publicamente o website em https://papercircle.vercel.app/ e o código em 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.