先搞懂：什麼是 AI 代理？

AI 代理（agent）不只回答問題，還會自己安裝軟體、呼叫工具、執行程式並回報結果。Paper2Agent 就是把一篇論文變成這樣的代理。

從被動文件到會動手的代理

研究者想套用論文的方法，通常得先安裝作者的軟體、搞懂資料格式，光這一步就可能花上好幾天。Earth.com 10 月 4 日報導，史丹佛大學博士後研究員 Jiacheng Miao 與副教授 James Zou 等人開發的 Paper2Agent 省掉了這一步：使用者用白話提問，代理直接執行論文的程式碼回答。研究已刊登於《Nature》。

  • 架環境：第一個代理負責安裝程式碼需要的軟體環境。

  • 做工具：第二個代理把論文的主要方法包裝成其他 AI 也能呼叫的工具。

  • 驗結果：第三個代理拿論文裡報告的結果和圖表逐一測試，反覆失敗的工具直接淘汰。

Paper2Agent 三個代理流程：架環境、包裝工具、對照論文結果測試，最後打包成 MCP
Paper2Agent 的三段流程

通過測試的工具會連同論文文字、資料和常用分析步驟，以 Model Context Protocol（MCP）打包。MCP 是讓 AI 存取外部工具和資料的共通規格；Zou 形容，MCP 讓論文變成代理容易存取的形式，「幾乎像一套歸檔系統」。

數字怎麼說

以 Google DeepMind 的基因體模型 AlphaGenome 為例，系統在大約 45 分鐘內、完全不用人介入就建出 22 個工具，在個人筆電上就能執行，花費只有 14 美元。

在 30 個需要串接多個工具的開放式研究問題上，代理得分 82.7%；直接讀程式碼的 Claude 只有 56.7%，另一個研究助理 Biomni 是 72.2%。

擴大測試時，100 篇計算生物學論文中有 74 篇成功轉成代理，提出的 599 個工具有 593 個通過測試；在 300 個問題上得分 91.2%，高於直接讀程式碼的 80.3%。

Paper2Agent 測試數據：82.7% 成功率、100 篇轉成 74 篇、599 個工具通過 593 個、45 分鐘建 22 個工具、花費 14 美元
關鍵數字

三個代理一起找乾癬基因

最受矚目的實驗讓三個論文代理分工：AlphaGenome 代理預測，在 CD4+ T 細胞（調控免疫反應的白血球）中，乾癬相關基因位點對 GPR137 影響最大；接上另兩篇論文的代理比對後，五個候選基因中只有 GPR137 吻合，且只出現在受刺激的細胞。整個過程只用既有資料，沒有做新實驗。

限制也很清楚

作者強調，代理不是獨立的科學家：研究方向仍由研究者決定，證據也仍要由人來評估。發布代理的人得持續維護底層軟體；安全、所有權和學術功勞怎麼歸屬，也都還沒有答案。作者也建議，期刊未來或許可以要求論文附上「代理可用性」聲明。

對臺灣的意義

Paper2Agent 那 26 篇失敗的論文，原因是缺程式碼、缺資料或環境裝不起來，對研究機構很有參考價值。臺灣的研究法人和大學每年產出大量計畫報告與實驗資料，程式和資料常存在個人電腦裡，結案後無人維護；要配合代理化的工作方式，知識管理需要超越「PDF 歸檔」。

左邊是堆滿 PDF 與紙箱的舊檔案室，右邊是程式碼、資料與環境整齊歸位、AI 代理可直接運作的研究室
研究成果交付示意
  • 把程式碼、資料和執行環境與報告一起當成研究成果交付。

  • 先訂好內部資料的存取權限、維護責任和功勞歸屬規則。

來源