创建账户

行业观点

如果论文可以使用 Paper2Agent 变成能协作的智能体：对研究者的可能影响与执行、判断的分工

发布日期2026-09-28

阅读时长约 11 分钟

出品理文协同科研团队

2026 年 9 月 16 日 Nature 刊出的 Paper2Agent，尝试把论文与代码转换成可调用的智能体，45 分钟、约 14 美元即可复现一个新方法。若这条路走得通，执行可以交出去，方向与证据的判断仍由研究者负责。

2026 年 9 月 16 日，Nature 发表了一篇开放获取论文《Reimagining research papers as interactive and reliable AI agents》，提出一个设想：把一篇论文连同它的代码与数据，重构成可以交互、可以被校验的智能体。在论文给出的 AlphaGenome 案例里，这套流水线生成了 22 个可调用工具，耗时 45 分钟、成本约 14 美元，全部通过自动校验。

论文把这种产出称为「虚拟通讯作者」：如果转换成功，正文、补充材料、数据集、代码与工作流会被组织成可以直接调用的形态，作者给它的名字是「智能体原生知识」（agent-native knowledge）——知识不再以静态文本的形式等人来读，而是以一个能响应查询的实体形式等人来用。

有一点需要先说明：这仍是一次方法学探索，还没有成为行业共识。在论文的规模测试中，100 篇计算生物学论文有 26 篇未能完成转换，能否转换取决于它的代码能否在受控环境中复现它自己声明的结果。也就是说，并非所有论文都能变成智能体，「论文可以被调用」目前更接近一个值得认真对待的方向。

这里还需要一句概念上的说明。这类智能体以 MCP（Model Context Protocol，模型上下文协议）服务器的形式交付：论文里的方法被包装成一组标准化工具，接入 Claude Code 这类对话式科研工具后，就能用自然语言调用。在此之前，一篇计算类论文是否「可复用」，取决于作者有没有写完整文档、读者愿不愿意花几周排错，两件事都没有机制去约束。

论文信息Nature，2026 年 9 月 16 日，DOI: 10.1038/s41586-026-11044-y（开放获取）
研究团队斯坦福大学 Jiacheng Miao、Joe R. Davis、Yaohui Zhang、Jonathan K. Pritchard、James Zou
规模测试100 篇计算生物学论文，74 篇完成转换（26 篇未能转换），599 个候选工具中 593 个通过校验
校验口径数值误差 3% 以内、图像感知哈希汉明距离小于 20、每条函数最多 6 次尝试
论文的分工设计人类科学家提出高层级的科学假设，智能体负责执行与交叉验证

能力拆解

四项能力

Paper2Agent 尝试接过去的工作：四项能力与交付前的验收

按论文与公开说明的表述，这套流水线尝试接过去的是四件事。它们的共同点是，每一项都要落到可执行、可核对的证据上。

生成假设沿着论文自身的脉络，提出值得检验的新猜想
提出验证策略给出可操作的实验或分析设计，而不是停留在设想
规模化执行分析把论文里的方法真正跑起来，并对新数据批量应用
可靠与可重复每个工具交付前先跑测试，对照原论文结果校验

每一项能力都要对着原论文的数字验收

第三项是与「把论文读一遍」最本质的区别：在这套设计里，方法的可执行性被写进了交付标准。论文的六步流水线中，第四步是让代码在隔离环境中端到端跑通并记录参考输出，之后所有步骤都要对着这份基准验收。

验收线是具体的：预期文件必须出现；数值误差要在 3% 以内；图像要通过感知哈希比对，汉明距离小于 20；每条函数最多获得 6 次尝试机会，反复失败的会被排除在最终交付之外。转换过程因此同时是一次自动化审计：一篇论文能否变成可调用的智能体，取决于它的代码能否在受控环境中复现它自己声明的结果。

规模测试给出了实际通过率：100 篇计算生物学论文中 74 篇完成转换，提出的 599 个候选工具里 593 个通过校验；在 300 道由教程派生的基准题上，准确率为 91.2% ± 1.6%，而把同一个代码仓库直接交给通用编码工具为 80.3% ± 2.3%。AlphaGenome 案例的 22 个工具全部通过校验，运行时间的中位数比直接调用代码仓库缩短约 1.9 倍，全程没有人工干预。

同样的模型、同样的代码仓库，唯一的差别是方法有没有被组织成一份带校验、可调用的说明书。

基于 Miao et al., Nature, 2026 中 91.2% 与 80.3% 对照结果的分析

路径推演

三点推演

如果这条路继续走：论文形态可能被改写的三点

把视野拉远一点，这项工作可能的意义不止在工具层面。如果「方法可被调用」这件事继续推进，论文被生产、被使用、被评价的方式可能出现三方面的变化。以下三点更接近推演，还不是已经发生的事实。

一、从静态文档到可调用的实体

过去，一篇论文的终点是发表：一份 PDF、一份补充材料、一个代码仓库链接。如果方法被转换成接口，论文的存在方式可能从「被阅读的对象」变成「能响应请求的实体」，可以被查询、被调用，也可以被校验。

这一层还可能反向影响投稿本身。论文作者预判，期刊未来或许会要求在 data availability、code availability 之外，增加一项 agent availability 声明。如果这成为惯例，可能被改写的不只是投稿清单，还有「什么算发表了」这条边界。同一时间，关于 AI 如何进入评审流程的规则边界也在被讨论，可参考AI 与同行评审：为什么出版社的“禁令”失效。

二、从个人使用到智能体之间互相调用

第二条线索更具提示性：智能体可以在没有人为编排的情况下互相配合。论文把三篇论文的智能体串起来——AlphaGenome 的智能体、一个 MPRA 偶联 scCRISPRi 筛选的智能体、一个 Perturb-seq 的智能体——让它们交叉比对预测与实验数据、自行查阅手稿与补充表格，为银屑病位点 rs887314 排序候选因果基因，最终指向 GPR137，在刺激条件下与实验数据的相关系数 ρ = 0.613（P = 3.79×10⁻³），静息状态下则不显著。

这已经超出「工具调用」的范畴。如果方法论文的智能体与数据论文的智能体之间能自行分工，跨学科连接的带宽就可能不再完全由研究者个人的时间决定。

三、从描述结果到可扩展的研究资产

第三条线索涉及论文的价值形态：能被调用的方法会获得额外的使用与复用机会，论文也因此有机会从「一次性描述结果的文档」变成「可以持续被支取的研究资产」。

但扩展性有代价，这部分需要如实看待。在 26 篇数据与发现类论文的 100 道综合题上，Paper2Agent 的准确率为 89.0% ± 3.1%，对照为 82.0% ± 3.8%，同时成本低 34 倍、速度快 15 倍。89.0% 意味着大约每十次查询就有一次答案不对，而在一个被包装成「可靠智能体」的界面里，使用者通常不会为这个比例预留心理余量。

同期公开的 ScienceIDE 项目（arXiv:2609.19134）把这件事写进了评分规则：严格成功要求通过私有的科学校验，仅完成编译或运行不算数；其修复得分定义为 r = max(0, (r − f) / (1 − f))，其中 f 是未修复版本的得分，「什么都没改」因此得零分。可运行、可复现、结果正确，是三个需要分开检查的层次。

实验暴露出的，是可运行的代码与经过验证的科学执行之间的差距。

ScienceIDE: Turning World's Scientific Codebase into Agent Learnable Environments, arXiv:2609.19134, 2026

人在回路

分工与边界

人在回路：方向与证据的判断由谁负责

论文对这种协作模式有一个明确的命名：human-in-the-loop，人在回路。按作者的设计，人类科学家负责提出高层级的科学假设，AI 合作者负责执行与交叉验证。这不只是一种措辞上的谨慎，它对应着流程里两条不同的责任线。

它可以做生成假设、设计验证、规模化执行分析，并提升方法的可重复与复用
你负责选择研究方向，评估证据的质量与可靠性
它的定位增强科学发现的工具，而不是自主或权威的科学结论来源

一个位点的因果基因，指向了两种答案

这条责任线为什么无法省略，论文里有一个细节可以说明。团队让 AlphaGenome 的智能体重新审视一个问题：为什么单碱基变异 chr1:109274968:G>T 与坏胆固醇相关？智能体把 SORT1 排在首位，而原论文强调的是 CELSR2 与 PSRC1。

看起来像是智能体答错了。GTEx 数据给出的答案却是：这三个基因在肝脏都有显著 eQTL，SORT1 的 P 值为 1.1×10⁻⁶⁵。不是它答错了，而是这类位点的因果基因指派本身就困难，不同证据链会支持不同的候选。Zou 把这一点视为优势：研究者可以用它重新评估已发表的结论，而不必先设计一套全新实验。

同一件事也从另一面说明：一个能正确复现方法、正确调用数据的智能体，仍然会把选项摆到一个需要人来判断的岔路口。它把可能性列了出来，做判断的是研究者。

它是增强科学家的工具，而不是自主产出科学结论的工具；「能复现」不等于「结论正确」。

Miao et al.《Reimagining research papers as interactive and reliable AI agents》, Nature, 2026（DOI: 10.1038/s41586-026-11044-y）中作者的自我定位

给研究者的三件事

如果这条路径继续推进，研究者可以做的动作很具体，而且都不在工具层面。

先想清楚要回答什么问题，再让工具去执行。把论文交给智能体之前，先写下你要验证的假设，以及它成立所依赖的前提。方向由人给出，工具才有一个可校验的目标。
想清楚凭什么相信它的证据。逐条验收证明的是方法能被复现，不是结论一定成立。当一次查询存在约十分之一的出错率时，判断证据质量的能力比调用工具的能力更关键。
在把方法交给工具之前，先把论证交给同行。哪些论证站得住、哪些会被质疑、哪些需要修改，属于另一类问题：它既不在流水线里，也不在任何一份可执行文件里。

这类判断有一个特点：越靠近自己的作品，越难看清。投稿前的准备因此不只是把方法整理成可调用的形态，还包括在正式评审之前，让另一个人以审稿人的视角读一遍论证。

理文的协同科研与卓越科研服务从诊断问题出发：协同科研会匹配同领域科研专家通读文章、初稿或研究计划，定位制约研究进展的关键因素并给出专属方案；卓越科研则一路托管到投稿。如果只有一篇稿件需要一轮系统检查，可以从科研文章评议开始：由同领域具名科学家交付哪些论证站得住、哪些会被质疑、哪些需要修改。参与评议的科学家在科研专家页面实名可查；也可以先看我们协助作者完成高影响力期刊发表的真实成功案例。

原始研究：Miao, J., Davis, J. R., Zhang, Y., Pritchard, J. K. & Zou, J.《Reimagining research papers as interactive and reliable AI agents》, Nature, 2026, DOI: 10.1038/s41586-026-11044-y（开放获取）。文中 Paper2Agent 的能力、准确率、成本与耗时数据均引自该文及其公开代码库，尚未经第三方独立复现；ScienceIDE 的评分规则引自其 2026 年预印本（arXiv:2609.19134）。

参考来源

References

参考来源与延伸阅读

以下为本文涉及的一手来源与官方依据，供读者与研究者进一步核验。

常见问题

FAQ

常见问题解答

什么是 Paper2Agent？它和普通的文献阅读工具有什么区别？

它的目标是把论文变成可调用的方法，而不只是可读的文本。Paper2Agent 会把正文、补充材料、数据集、代码与工作流一起处理，产出以 MCP 服务器形式交付的工具与工作流，尝试生成假设、提出验证策略、规模化执行分析；每个工具交付前都要跑测试，并对照原论文结果校验。需要说明的是，这仍是一次方法学探索：100 篇测试论文中有 26 篇未能完成转换，基准题准确率为 91.2%，直接访问同一代码仓库的通用工具为 80.3%。

Paper2Agent 会自主产出科学结论吗？

论文给出的定位是增强科学发现的工具，而不是自主或权威的科学结论来源。作者把这种协作写成 human-in-the-loop：人类科学家提出高层级的科学假设，AI 合作者负责执行与交叉验证。研究者仍需对研究方向的选择、证据质量的评估负最终责任。这个分工不针对某项具体能力，它划分的是流程里两条不同的责任线。

如果论文可以被调用，对作者可能意味着什么？

如果这类工具真的可用，最直接的影响是复用门槛下降：方法以接口形式交付后，其他研究者可以在新数据上直接调用，论文获得额外的使用与复用机会。更深一层的影响在投稿口径上，论文作者预判期刊未来可能要求在 data availability、code availability 之外增加一项 agent availability 声明。若这类声明成为惯例，「什么算发表了」的边界会被重新讨论。

论文的方法能被调用起来，就说明结论可靠吗？

不等于。交付前的校验是能否对上原论文的数字，数值误差在 3% 以内、图像通过感知哈希比对即算通过，验的是可复现性而不是正确性。论文披露 100 篇测试论文中有 26 篇无法完成转换，资源层准确率约 89%。可运行、可复现、结果正确是三个需要分开检查的层次，结论是否成立要另行判断。

青年研究者应该怎样使用这类工具？

先想清楚要回答什么问题、凭什么相信它的证据，再把方法交给工具去执行。论文给出的分工是：人负责提出高层级的科学假设与判断证据质量，智能体负责执行、交叉验证与规模化分析。此外，投稿前值得让同领域科学家以审稿人视角读一遍全文——哪些论证站得住、哪些会被质疑、哪些需要修改，属于工具不参与判断的那一类问题。

继续探索科研洞察

下一步

论文被调用之后，判断仍然在研究者手里

理文的协同科研服务从诊断问题出发，匹配同领域科研专家定位制约研究进展的关键因素；如果只有一篇稿件需要系统检查，可以从科研文章评议开始。

从科研文章评议开始了解协同科研与卓越科研

← 返回科研洞察