把论文变成会干活的智能体：Paper2Agent 如何让科研代码可调用、可验证、可协作

论文一直是科学传播的基本单位，却也是一种被动媒介。读者看到一项方法后，往往还要自己找到代码仓库、配置环境、辨认输入输出，再把作者的实验流程改写为适用于新数据的分析。Paper2Agent 试图跨过这段距离：它不只让语言模型阅读论文，而是把论文背后的代码、数据、补充材料和分析流程转换为可调用的工具，再封装成远端模型上下文协议服务器，让通用智能体能够通过自然语言执行这套方法。

这项工作的关键不在于“让模型总结论文”，而在于把论文贡献变成经过测试、可以重复调用、并且能够与其他论文工具组合的科研接口。

斯坦福大学研究团队在《Nature》发表的论文中，用 AlphaGenome、Scanpy、TISSUE 等案例展示这一流程，并进一步让三个论文智能体协作，为银屑病相关位点 rs887314 寻找可能的目标基因。论文同时给出一个重要边界：可靠的执行能力不等于可靠的开放世界科学判断。对于假设选择、机制解释和研究方向，人类仍然必须承担最终责任。

论文为什么需要变成“可执行对象”

现代计算科学已经积累了大量公开论文、代码仓库和数据，但这些资产通常没有形成顺畅的使用路径。一个代码仓库即使公开，也可能缺少能够直接运行的环境说明；一个教程即使存在，也可能与新的输入结构、参数规模或依赖版本不匹配。对不熟悉软件工程的领域科学家来说，门槛尤其高。

AlphaGenome 是一个典型例子。它能够预测遗传变异对基因表达、剪接和染色质状态等调控过程的影响，但用户仍要安装环境、创建客户端、管理接口密钥、构造变异对象，并理解不同输出模态的含义。Paper2Agent 想把这些步骤收进工具层，让用户直接提出科学问题，例如某个变异如何在肌肉细胞中影响染色质可及性，而不必先成为该仓库的软件维护者。

这与只做论文问答的检索增强生成不同。检索增强生成仍以文本为答案边界，Paper2Agent 则把论文正文、补充表格、数据集、示例教程和执行代码都变成资源或函数。模型可以规划步骤、调用函数、读取返回文件、生成图表，并在错误出现后调整执行策略。论文由此从一个描述研究结果的文档，变成了一个有明确输入输出、可以复现实验、也能接受新任务的研究对象。

它也不是 Binder、CodeOcean 或“论文转代码”工作的简单延伸。容器可以复现环境，代码生成可以减少手写负担，但这些系统通常仍要求用户理解程序如何组织。Paper2Agent 增加了智能体接口、结构化资源和标准工作流提示模板，使自然语言成为调用科研能力的一层稳定入口。

Paper2Agent 的六步转换流程

系统使用 Claude Code 智能体开发工具包构建，由中心编排器协调多个职责不同的子智能体。每一步通过结构化 JSON 报告和约定文件传递结果，同一步中的多个教程可以并行处理。论文给出的完整流程包含六个阶段。

1. 找到并取得代码仓库

编排器先从正文、参考文献和补充材料中推断论文对应的代码仓库。如果识别失败、出现多个候选，或用户明确指定某个地址，就直接使用人工给出的仓库。随后下载代码、配置文件和必要的补充数据，并判断项目使用的语言。

2. 建立隔离运行环境

环境管理智能体分析依赖文件、安装方式和运行约束，在隔离工作空间中建立可重复的运行环境。它需要处理版本冲突、系统依赖和入口命令，并输出后续测试可共用的配置。

3. 发现可用教程

教程扫描智能体检查仓库中的示例、笔记本和文档，区分真正可执行的材料与一般说明，再建立候选教程索引。教程是后续提取工具和理解参数语义的重要证据，但不是绝对前提；论文后面还专门测试了没有可执行教程时的表现。

4. 执行并审计教程

教程执行智能体使用示例数据完整运行流程，保存输入、输出、图表、运行时间和隐含假设。它不只是检查代码是否“没有报错”，还要留下可供后续测试比对的参考结果。失败的运行会进入诊断与修复循环。

5. 提取工具并反复测试

工具提取与实现智能体把教程中的分析步骤改写为独立 Python 函数。它需要识别哪些步骤可以泛化，把写死的文件路径、阈值和列名参数化，规定文件式输入输出，并按照 MCP 工具规范添加装饰器。之后，测试验证智能体用原教程数据创建测试：预期文件必须存在，浮点结果与参考值允许 3% 误差，生成图的感知哈希汉明距离必须小于 20。

每个函数最多进行六轮“生成测试、执行、诊断、修复”。如果仍然失败，系统会移除它的 MCP 工具标记，使它不进入最终服务器。这样可以降低把不稳定代码暴露给上层智能体的风险，也解释了为什么工具数量不是越多越好。

6. 组装并部署 MCP 服务器

通过验证的工具最终被整合为一个 MCP 服务器，服务器带有清单、版本信息和基础安全默认值。每个工具保留指向原论文代码的链接，便于核查来源。服务器可以部署到 Hugging Face Spaces 等远端平台，减少本地依赖问题；任何兼容 MCP 的智能体都可以连接。

一个服务器包含三类组件。工具是可执行的科学分析函数；资源提供论文文本、代码、数据集、补充表格和图表等静态材料；提示模板则把复杂流程规定为正确顺序，例如先做质量控制，再做标准化、特征选择、降维、图构建和聚类。资源让智能体拥有上下文，工具负责真实执行，提示模板负责把多个工具组织成可重复的分析工作流。

AlphaGenome：22 个工具如何被验证

AlphaGenome 案例中，Paper2Agent 在没有人工介入的情况下生成 22 个工具，全部通过自动验证。整个转换在一台个人笔记本电脑上约用 45 分钟，成本约 14 美元。工具覆盖单个与批量变异评分、序列预测、组织本体探索和多类可视化。例如，score_variant_effect() 可以跨基因表达、剪接和染色质可及性等模态评估变异影响；visualize_variant_effects() 则生成对应图表。

工具参数不是针对教程写死的。上下文长度、组织或细胞类型、输出模态以及要展示的轨道都可以调整。每个工具还保留原代码链接，用户能够追溯某个预测究竟来自哪段实现。

基准设计

评估时，Paper2Agent 生成的智能体不能访问论文原文或原始仓库，只能使用 MCP 工具定义与问题。答案由两名领域专家依据预设评分规则独立判断，两人一致率为 96.7%。对照方法包括可以直接读取并执行仓库代码的 Claude + Repo，以及通用生物医学智能体 Biomni。每种方法独立运行五次。

AlphaGenome 基准	Paper2Agent	Claude + Repo	Biomni
15 个教程衍生问题	98.7 ± 1.3%	82.7 ± 3.4%	37.3 ± 4.0%
15 个新问题	100.0 ± 0.0%	78.7 ± 4.4%	56.0 ± 3.4%
30 个开放式研究问题	82.7 ± 2.4%	56.7 ± 2.3%	72.2 ± 2.2%

运行效率也有改善。教程衍生问题上，Paper2Agent 的中位运行时间比 Claude + Repo 和 Biomni 分别快 1.9 倍和 3.1 倍；新问题上分别快 2.9 倍和 3.8 倍。论文还报告，结果在提示词改写后仍然成立，把 Claude + Repo 的底层模型升级为 Claude Opus 4.6 后，专用工具层的优势依然存在。

一次结果分歧比“全对”更值得看

研究者让 AlphaGenome 智能体重新解释与低密度脂蛋白胆固醇相关的变异 chr1:109274968:G>T。系统自动规划变异评分、组织筛选、多模态可视化和报告生成，并优先给出 SORT1，而原论文更强调 CELSR2 和 PSRC1。

智能体选择 SORT1 的理由是：肝脏组织中的表达影响分位数为 0.99983，且 sortilin 直接参与低密度脂蛋白和极低密度脂蛋白分泌。研究者查询 GTEx 后也确认该变异是肝脏中 SORT1 的显著表达数量性状位点，P = 1.1 × 10−65。但问题并未因此简单解决：CELSR2 与 PSRC1 的 AlphaGenome 分位数都达到 0.99998，在 GTEx 肝脏中也同样显著，P 分别为 4.7 × 10−46 和 8.5 × 10−50。

这说明复杂位点可能同时影响多个邻近基因，单次预测排序不能自动等同于因果结论。更有价值的是，Paper2Agent 让研究者可以在一个提示下重新检验已发表解释，而无需重新搭建整条分析管线。它提供的是可审计的再分析能力，而不是替科学界宣布最终答案。

Scanpy：让工具顺序成为论文资产

Scanpy 是常用的单细胞转录组分析软件。Paper2Agent 聚焦其最常见的预处理与聚类功能，在个人笔记本电脑上约用 45 分钟、13 美元生成七个工具，全部通过验证。quality_control() 可以计算并绘制质量控制指标、过滤细胞与基因、检测双细胞。

单细胞分析真正困难的地方不只是某个函数如何调用，而是步骤顺序和参数选择。用户通常必须知道何时过滤、如何标准化、选择多少高变基因、使用什么邻居图和聚类参数。Paper2Agent 把这条流程写成 MCP 提示模板：先观察数据，再按质量控制、标准化、特征选择、降维、图构建、聚类和细胞类型注释推进。提示模板来自论文和代码仓库的自动提取，而不是另写一套手工编排。

测试使用四个未包含在 Scanpy 代码库中的公开单细胞数据集。智能体只需要数据路径，就能运行完整流程，并在质量控制后的细胞与基因数、聚类标记基因和参数设置上匹配人类研究者。研究者又把流程用于七组不同数据集，观察到它能够根据数据特征调整参数。另一项 TISSUE 案例则把这套方法扩展到带不确定性估计的空间转录组分析。

这个案例揭示了一个常被忽略的科研接口问题：只把函数包装成工具还不够，只有把“哪些步骤必须按什么顺序执行”也编码进系统，智能体才不会以看似合理却错误的方式组合调用。提示模板在这里不是额外说明文字，而是可重复工作流的一部分。

规模化评估：74% 成功率说明了什么

为了测试真实世界中的异质性，研究团队没有先筛掉质量较差的仓库，而是从 2025 年 12 月开始向前回溯，连续抽取 100 篇计算生物学论文；另选 26 篇以数据和发现为主的论文，以及来自人工智能、统计、计量经济、博弈论和天体物理等领域的 10 篇非生物计算论文。所有流程都没有人工清理、改代码或中途干预。

论文集合	规模	主要结果	失败或限制
计算生物学论文	100 篇	74 篇成功智能体化；599 个候选工具中 593 个通过验证；300 个教程问题准确率 91.2 ± 1.6%	缺少可执行代码、数据或模型文件，环境失败，脚本无法泛化
数据与发现型论文	26 篇	仅使用结构化资源层时，100 个综合问题准确率 89.0 ± 3.1%	没有可执行工具，重点转为文本、表格和补充材料的整合
非生物计算论文	10 篇、42 个任务	五次独立运行平均准确率 98.1 ± 0.8%	覆盖面有限，不能代表所有学科和编程范式

100 篇计算生物学论文中，74 篇实现完整智能体化。300 个教程衍生问题的准确率是 91.2%，高于直接访问仓库的 Sonnet 4 的 80.3%，也高于升级后的 Sonnet 4.6 的 86.3%。查询平均成本为 0.20 美元，直接使用 Sonnet 4 与论文和仓库时为 0.38 美元；单次查询延迟从 4.3 分钟降到 1.6 分钟。

在 26 篇数据与发现型论文中，即使没有成功构造执行工具，结构化资源层仍能取得 89.0% 的准确率，高于带浏览器能力的 Claude 基线 82.0%。论文报告该资源层方案便宜 34 倍、快 15 倍。10 篇非生物论文的 42 个执行任务上，系统达到 98.1%。这些数字共同说明：可执行工具是重要上限，但高质量资源组织和提示模板本身也能显著改善论文使用。

故障注入、领域外拒绝与消融实验

研究者在 AlphaGenome、命令行 Python 项目 POP-TOOLS 和命令行 R 项目 mlearner 中，分别注入缺失依赖、错误文件路径、函数或变量拼写错误、过时接口调用四类故障，共形成 12 个对抗配置。Paper2Agent 未事先获知故障，仍通过执行、诊断和修复恢复了可用 MCP 服务器。

在把论文与问题随机错配的领域外测试中，系统也报告了 100% 的正确拒绝率。消融实验进一步显示，多智能体分工、并行执行，以及独立测试验证与修复环节都会影响表现。特别是去掉测试验证后，工具正确性下降，说明“工具数量”和“可调用性”不能代替结果验证。

不过，74% 的成功率不应被包装成已经解决所有仓库可复现性。明确失败的原因包括代码缺失、数据或模型文件不可得、依赖环境无法恢复，以及脚本只适用于作者的一次性场景。Paper2Agent 反而把这些传统上模糊的复现障碍变成了可观察的诊断结果：一个论文能否顺利转换为智能体，本身可以成为衡量其开放程度的现实指标。

三个论文智能体协作寻找银屑病目标基因

论文的发现案例不是让单个智能体凭预测给出答案，而是把三个独立论文资产连接成协作网络。AlphaGenome 智能体负责计算变异影响；MPRA 耦联单细胞 CRISPR 干扰智能体提供调控元件扰动后的基因表达变化；CD4⁺ T 细胞 Perturb-seq 智能体提供全转录组基因敲低数据。

对于银屑病相关变异 rs887314，AlphaGenome 在 CD4⁺ T 细胞中把 GPR137 列为受影响最强的基因，RNA 测序分位数为 0.997。AI 协作系统在人工监督下检查另外两篇论文的正文、补充表格和差异表达统计后，提出十种可能的验证策略。人类研究者从这些方案中选择了“签名相关性分析”，用调控元件扰动后的下游表达变化去比较候选基因敲低后的表达变化。

研究团队对五个有敲低数据的高排位候选基因进行比较，并区分 Rest、Stim8hr 和 Stim48hr 三种培养条件。只有 GPR137 在刺激条件下与调控元件扰动签名显著一致：

• Stim8hr：Spearman 相关系数 r = 0.613，P = 3.79 × 10−3。
• Stim48hr：Spearman 相关系数 r = 0.630，P = 4.71 × 10−3。
• 两种刺激条件均通过 Benjamini–Hochberg 校正，FDR 小于 0.05。
• Rest 条件不显著：r = 0.29，P = 0.21。

BAD 与其他三个候选基因在三种条件下都没有显著相关。因此，论文把 GPR137 解释为可能的激活依赖型因果基因。这个结果与源 Perturb-seq 研究中“调节因子的作用会随 T 细胞刺激状态变化”的观察一致，也与激活 CD4⁺ T 细胞参与银屑病发病的既有认识相符。

更值得注意的是验证策略本身。原论文没有直接把“调控元件扰动签名”与“基因敲低签名”做跨屏幕、跨模态相关性比较。智能体在阅读两套材料后提出这种方法，再由人类选择和执行。这里体现的是“人在环上”的协作：AI 负责检索、组合和执行，人类决定哪些分析值得做，并判断证据是否足以支持结论。

论文的补充材料还展示了另一个 ADHD 案例。AlphaGenome 方法与 ADHD 全基因组关联数据连接后，智能体从 209 个候选变异中优先考虑 rs1626703，并提出它可能影响 MPHOSPH9 剪接、在谷氨酸能神经元中提高表达。论文明确把这一机制写成仍需实验验证的计算假设，而不是已经证实的发现。

它改变了什么，又没有被它改变什么

Paper2Agent 最直接的价值，是把“读懂论文”与“真正使用论文”之间的软件工程工作封装起来。研究者可以用自然语言发起可执行分析，每个工具都有来源链接，提示模板保存了正确流程，多个 MCP 也能接入同一智能体。这使复现、方法迁移和跨论文组合不再依赖某位读者是否熟悉原作者的代码风格。

它也为科研评价提出一个新的可能标准。既然代码、数据和示例的质量会直接影响论文能否被智能体化，那么“能否被可靠地转换为智能体”可以作为开放科学的压力测试。团队据此提出，未来期刊或许会在数据可用性和代码可用性之外增加“智能体可用性”声明，说明论文如何被封装为交互式工具、由谁维护、支持哪些任务。

可重复地执行一个流程，只能证明智能体忠实调用了作者的方法；它不能自动证明该方法回答了正确的科学问题，也不能证明开放式解释是唯一成立的。

论文对评估边界说得很清楚。开放式研究任务常常存在多个可辩护答案，以单一参考答案衡量的高分，主要反映系统能否忠实执行预设流程，而不是对所有分析路径的科学有效性。人类仍需选择研究方向、判断证据质量、处理相互冲突的机制解释，并对最终结论负责。

此外，把研究代码变成可执行智能体还会带来安全、知识产权和署名问题。远端服务器需要限制权限，用户需要知道工具可能执行哪些文件和网络操作，论文作者与代码维护者也需要处理贡献归属和责任边界。上游依赖持续变化，智能体及其验证测试需要像代码仓库和示例笔记本一样长期维护。Paper2Agent 没有消除这些工作，只是把它们从一次性读者负担变成了可共享、可审计的科研基础设施。

对科学智能体建设的现实启示

这项工作给出的第一点经验是“先验证工具，再交给智能体”。如果底层函数在新数据上不稳定，更强的语言模型只会更快地生成看似完整的结果。Paper2Agent 要求每个函数产出可检查的文件，并把数值与参考输出的误差限制在 3%、图表感知哈希距离限制在 20，再用测试循环剔除无法稳定的工具。这种设计比单纯增加模型上下文更接近可靠科研软件的工程方法。

第二点经验是“把工作流也当作知识”。只提供函数列表，智能体可能知道每个工具做什么，却不知道正确顺序。Scanpy 案例表明，论文中的方法顺序、参数检查和预期输出应当被封装成提示模板，而不是留给用户每次重新描述。

第三点经验是“让证据能够回到来源”。每个工具保留原代码链接，资源层保存论文、表格和数据，结果才有机会被审计。跨论文协作真正有价值的不是让多个模型互相聊天，而是把不同论文中可追溯的方法与数据按任务连接起来。

第四点经验是“用失败案例定义边界”。100 篇计算生物学论文中只有 74 篇成功智能体化，这个数字和 98% 以上的部分基准准确率同样重要。它提醒我们，论文智能体的瓶颈往往在代码完整性、数据可得性和环境可复现性，而不是界面是否足够自然语言化。

结语：从“阅读论文”走向“调用论文”

Paper2Agent 展示了一种新的科研传播形态：论文不再只是一个叙述结果的终点，也可以成为一个带有工具、资源、提示模板和验证记录的执行入口。它把方法论文与数据论文连接起来，让 AlphaGenome 的计算预测能够与 MPRA 和 Perturb-seq 的实验证据交叉，并最终形成可以被人类研究者审查的 GPR137 假设。

但这套系统的价值恰恰建立在它没有夸大自动化边界之上。它让智能体执行可重复的分析，却没有把科学判断交给智能体；它追求自然语言易用性，却以严格的工具验证为前提；它支持跨论文发现，却保留来源链接并强调实验确认。对于正在建设科学智能体、科研数据平台和可执行论文系统的人来说，这种“可调用、可追溯、可失败、可审计”的组合，比一个更大的通用科研助手口号更有实际参考价值。

原文与授权信息

原文：Jiacheng Miao, Joe R. Davis, Yaohui Zhang, Jonathan K. Pritchard, James Zou, “Reimagining research papers as interactive and reliable AI agents,” Nature 658, 1272–1280 (2026). DOI: 10.1038/s41586-026-11044-y。

来源：https://www.nature.com/articles/s41586-026-11044-y。本文基于论文正文、方法、图注和补充材料说明进行深度解读与中文改编；文中图片来自论文开放获取页面，遵循 CC BY-NC-ND 4.0 许可，版权归原作者及出版方所有。