Paper Circle: фреймворк с открытым исходным кодом для обнаружения и анализа исследований с использованием мультиагентных систем
Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework
April 7, 2026
Авторы: Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal
cs.AI
Аннотация
Быстрый рост объема научной литературы затрудняет для исследователей эффективное обнаружение, оценку и синтез релевантных работ. Недавние достижения в области мульти-агентных больших языковых моделей (LLM) продемонстрировали значительный потенциал в понимании намерений пользователя, и их обучают использованию различных инструментов. В данной статье мы представляем Paper Circle — мульти-агентную систему для поиска и анализа исследований, предназначенную для снижения усилий, необходимых для поиска, оценки, организации и понимания академической литературы. Система состоит из двух взаимодополняющих конвейеров: (1) Конвейера обнаружения, который интегрирует офлайн- и онлайн-поиск из множества источников, оценку по нескольким критериям, ранжирование с учетом разнообразия и структурированный вывод; и (2) Конвейера анализа, который преобразует отдельные статьи в структурированные графы знаний с типизированными узлами, такими как концепции, методы, эксперименты и иллюстрации, что позволяет осуществлять граф-ориентированные вопросно-ответные взаимодействия и проверку покрытия. Оба конвейера реализованы в рамках мульти-агентной оркестровой платформы на основе кодерных LLM и производят полностью воспроизводимые, синхронизированные выходные данные, включая JSON, CSV, BibTeX, Markdown и HTML, на каждом шаге работы агента. В статье описываются архитектура системы, роли агентов, методы поиска и оценки, схема графа знаний и интерфейсы оценки, которые вместе формируют исследовательский рабочий процесс Paper Circle. Мы проводим тестирование Paper Circle как по поиску статей, так и по генерации обзоров статей, сообщая показатели hit rate, MRR и Recall@K. Результаты демонстрируют стабильное улучшение с более мощными агентными моделями. Мы публично выпустили веб-сайт по адресу https://papercircle.vercel.app/ и код по адресу 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.