Den explosionsartade tillväxten av vetenskaplig litteratur har fått forskare att strömma in i data, vilket gör det nästan omöjligt att snabbt hitta, utvärdera och sammanfatta relevant arbete. Ett nytt öppen-källkodssystem kallat Paper Circle syftar till att lösa denna kris genom att sätta in ett team av AI-agenter som fungerar som en dedikerad forskningsassistent. Istället för att tvinga människor att manuellt sortera igenom tusentals dokument, jagar dessa agenter autonomt efter publikationer, betygsätter deras relevans och organiserar resultaten i strukturerade kunskapsgrafer. Systemet drivs av två specialiserade flöden: ett som hämtar och rankar litteratur från flera källor samtidigt som det säkerställer mångfaldiga resultat, och ett annat som bryter ner enskilda publikationer till typade noder såsom koncept, metoder, experiment och figurer för att möjliggöra djupgående analys. Denna metod accelererar inte bara upptäckten utan möjliggör också frågesvar med grafmedvetenhet för att verifiera hur väl en samling publikationer täcker ett specifikt ämne.

Benchmark visar att användning av starkare agentmodeller konsekvent förbättrar träffhastighet och recall, vilket bevisar att smartare AI-team kan hantera komplexa forskningsuppgifter effektivare än någonsin tidigare. Forskare kan nu tillgå systemet online och ladda ner koden för att bygga egna anpassade arbetsflöden för akademisk upptäckt.

Källa: Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework av Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal, https://arxiv.org/abs/2604.06170