Bibby AI: Uma Plataforma Agêntica Nativa para Editores para Pesquisa, Escrita e Publicação Acadêmica

Resumo

A produção acadêmica ocorre em uma cadeia de ferramentas fragmentada: descoberta de literatura em um aplicativo, gerenciamento de referências em outro, escrita em um editor LaTeX, formatação manual de acordo com modelos de conferências e submissão por meio de outro portal. Cada fronteira entre ferramentas exige uma mudança de contexto, uma conversão de formato ou uma etapa manual de copiar e colar, e o custo acumulado domina o tempo que os pesquisadores gastam em atividades que não são pesquisa. Apresentamos o Bibby AI, uma plataforma nativa do editor que condensa essa cadeia de ferramentas em um único pipeline Pesquisar-Escrever-Publicar construído em torno de um editor LaTeX em nuvem. Diferentemente de assistentes que se acoplam a um editor existente por meio de uma extensão de navegador, o Bibby AI possui o estado completo do documento, o pipeline de compilação e o histórico de revisões, o que permite que seus agentes realizem inserção de citações baseada em recuperação, edições estruturais e reformatação conforme modelos como operações verificáveis de primeira classe, em vez de sugestões de texto. A plataforma integra (i) pipelines de ingestão que convertem PDF, DOCX e matemática manuscrita em LaTeX limpo; (ii) uma camada de recuperação sobre metadados acadêmicos enriquecida com sinais de citação entre patentes e artigos derivados do USPTO PatentsView e do corpus de citações Marx-Fuegi, revelando o impacto translacional de referências candidatas; e (iii) agentes com escopo de tarefa para triagem de literatura, redação, revisão e formatação de acordo com o veículo de publicação, que operam diretamente na representação de sintaxe abstrata do documento. O Bibby AI está implantado em produção e atende mais de 5.000 pesquisadores ativos em mais de 50 universidades subscritoras. Descrevemos a arquitetura, as decisões de projeto que a natureza nativa do editor possibilita e o framework de economia de tempo no nível do fluxo de trabalho que utilizamos para avaliar a plataforma em comparação com linhas de base fragmentadas.

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.