先搞懂：什麼是 AI 代理？
一般的聊天 AI 是「你問、它答」，AI 代理（agent）則會自己動手做事：它可以安裝軟體、呼叫工具、執行程式，再把結果整理回報給你。Paper2Agent 做的事情，就是把一篇論文變成這樣一個代理。
從被動文件到會動手的代理
多數論文是拿來讀的，不是拿來用的。研究者想套用論文裡的方法，通常得先安裝作者的軟體、搞懂資料要怎麼餵進去，光是這一步就可能卡上好幾天。
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，把這一步省掉了：使用者用白話提問，代理直接執行論文本身的程式碼來回答。這項研究已刊登在《Nature》期刊。
整套做法分成三段，各由一個代理負責：
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。
通過測試的工具，會連同論文文字、資料和常用分析步驟，用 Model Context Protocol（MCP）打包。MCP 是一套讓 AI 存取外部工具和資料的共通規格，可以想成 AI 世界的通用插座。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%。失敗的主因是缺程式碼、缺資料，或軟體裝不起來。
三個代理一起找乾癬基因
最受矚目的實驗，是讓三個論文代理分工合作。AlphaGenome 代理先預測：在 CD4+ T 細胞（一種調控免疫反應的白血球）中，和乾癬有關的基因位點，對 GPR137 這個基因影響最大。
研究者再接上另外兩篇既有論文的代理比對資料，結果五個候選基因中只有 GPR137 吻合，而且只出現在受刺激的細胞裡。整個過程沒有做任何新的實驗，用的都是既有資料。
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
對研究機構來說，Paper2Agent 最值得看的不是準確率，而是那 26 篇失敗的論文：缺程式碼、缺資料、環境裝不起來。
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，但程式和資料常散落在個人電腦裡，計畫結案後就沒人維護。如果知識管理只停留在「PDF 歸檔」，未來就接不上代理化的工作方式。
比較務實的第一步有兩件事：
把程式碼、資料和執行環境當成研究成果的一部分交付，而不只是交一份報告。
先訂好內部資料的存取權限、維護責任和功勞歸屬規則，再來談讓報告「開口說話」。
來源
Earth.com，Research papers can now become AI agents that answer questions（2026-10-04）：https://www.earth.com/science/research-papers-can-now-become-ai-agents-that-answer-questions/
Nature News，AI tool turns any paper into an 'agent' that can collaborate and answer complex queries（2026-09-16）：https://www.nature.com/articles/d41586-026-02899-2
論文：Miao, J., Davis, J. R., Zhang, Y., Pritchard, J. K. & Zou, J., Nature (2026)：https://doi.org/10.1038/s41586-026-11044-y