Paper2Agent overblik og kildegrundlag
MarkTechPost beskriver Paper2Agent som et system fra Stanford, ledet af Jiacheng Miao og James Zou, der konverterer en forskningsartikel og dens kodebase til en Model Context Protocol (MCP) server, som MCP‑kompatible agenter kan bruge via naturligt sprog. MarkTechPost angiver også, at arbejdet blev publiceret i Nature 16. september 2026. Denne artikel bygger på MarkTechPosts gennemgang som sekundær kilde og på et understøttende indlæg fra AWS’ maskinlæringsblog for HCLS‑perspektivet. Projektets hostede side på paper2agent.ai er med som reference til tilgængelighed.
Af hensyn til kildepræcision er oplysninger om publiceringsdato, licens, afhængigheder, hostede instanser og benchmarks i denne tekst eksplicit markeret som rapporteret af MarkTechPost, medmindre andet fremgår. Læsere bør konsultere originalpublikationen og projektets repository, når disse links er tilgængelige, før formel dokumentation skrives.
Hvad Paper2Agent gør ifølge MarkTechPost
MarkTechPost skriver, at Paper2Agent konverterer en artikel og dens tilhørende kode til en MCP‑server. Pointen, som MarkTechPost fremhæver, er, at MCP‑kompatible agenter – her nævnes eksempelvis Claude Code – kan kalde metodernes funktioner via naturligt sprog. Ifølge MarkTechPost gør det forskningsmetoder kørbare som værktøjer og mindsker friktionen fra PDF til praktisk eksekvering.
MarkTechPost angiver, at koden er MIT‑licenseret og kan installeres som en “skill” til Claude Code eller Codex. Ifølge samme kilde findes der præbyggede servere for AlphaGenome, Scanpy og TISSUE på Hugging Face Spaces, og en hostet udgave er tilgængelig på paper2agent.ai.
Pipeline og validering som beskrevet i kilden
Ifølge MarkTechPost kører Paper2Agent på Claude Code’s agent‑SDK med en central orkestrator, der fordeler opgaver til specialiserede underagenter i seks trin. De seks trin beskrives således: lokalisér og hent kodebasen; byg et isoleret miljø; scan og indekser tutorials; kør tutorials ende‑til‑ende og gem referenceoutputs; udtræk værktøjer fra tutorials som parameteriserede MCP‑tools; og kør en test‑verificering, før værktøjerne samles til én MCP‑server.
Valideringsporten beskrives som streng i MarkTechPost. Et værktøj består kun testen, når forventede filer findes, numeriske outputs matcher inden for 3 procent, og figurer matcher referencebilleder via perceptuel hash med Hamming‑afstand under 20. Verificeringsagenten får op til seks forsøg per funktion; værktøjer, der fortsat fejler, udelukkes fra den endelige server.
Serverens komponenter ifølge MarkTechPost
MarkTechPost angiver, at hver Paper2Agent‑server eksponerer tre komponenter: MCP‑tools, som indkapsler metodens trin som eksekverbare funktioner; MCP‑resources, der rummer manuskript, kodelinks, datasæt og figurer; og MCP‑prompts, som koder flertrins‑arbejdsflows – MarkTechPost nævner eksempelvis korrekt præprocesseringsorden i Scanpy.
Formålet er, ifølge MarkTechPost, at en agent både får værktøjerne og den relevante kontekst uden manuel sammenbinding.
Benchmarks og eksempler rapporteret af MarkTechPost
MarkTechPost gengiver en AlphaGenome‑måling, hvor Paper2Agent på cirka 45 minutter og til omkring 14 amerikanske dollar byggede 22 værktøjer, som alle bestod valideringen uden menneskelig indgriben. På 15 tutorial‑spørgsmål rapporteres en score på 98,7 ± 1,3 procent mod 82,7 ± 3,4 for “Claude + Repo” og 37,3 ± 4,0 for Biomni. På 15 nye spørgsmål rapporteres 100,0 ± 0,0 procent mod 78,7 ± 4,4 og 56,0 ± 3,4. På 30 åbne spørgsmål rapporteres 82,7 ± 2,4 mod 56,7 ± 2,3 og 72,2 ± 2,2. MarkTechPost anfører, at resultaterne dækker fem kørsler, bedømt af to eksperter med 96,7 procent enighed.
Denne artikel gengiver ovenstående tal som rapporteret af MarkTechPost. Læsere, der planlægger at anvende tallene i praksis, bør orientere sig i de primære materialer, når de er tilgængelige, for fulde metodebeskrivelser.
Publicering og tilgængelighed som rapporteret
MarkTechPost skriver, at Paper2Agent blev publiceret i Nature 16. september 2026. Ifølge samme kilde er koden MIT‑licenseret, løsningen kan installeres som “skill” til Claude Code eller Codex, der findes præbyggede servere på Hugging Face Spaces for AlphaGenome, Scanpy og TISSUE, og en hostet udgave er tilgængelig på paper2agent.ai. Læsere, der skal bruge formelle referencer, bør dobbelttjekke den officielle Nature‑side for DOI og supplement, når linket er tilgængeligt.
Den hostede side på paper2agent.ai er opført som projektets adresse. Denne artikel refererer til den side som projektets hostede udgangspunkt, uden yderligere tekniske detaljer.
Afhængigheder og modelvalg ifølge MarkTechPost
MarkTechPost angiver, at pipelinekørslen sker via Claude Code’s agent‑SDK, og at det beskrevne arbejde anvender Claude Sonnet 4. I den gengivne beskrivelse står et centralt orkestreringslag for styring af underagenter, som udfører de seks trin frem mod en samlet MCP‑server. Disse implementeringsdetaljer er gengivet her, som de er rapporteret af MarkTechPost.
MarkTechPost nævner også, at MCP er protokollaget, der gør det muligt for MCP‑kompatible agenter at bruge de genererede servere. Eksemplet, der fremhæves, er Claude Code.
HCLS‑forbehold fra AWS’ maskinlæringsblog
AWS’ maskinlæringsblog beskriver et velkendt problem i sundheds‑ og life‑science‑arbejdsgange: agenter bygget på foundation‑modeller kan misbruge beslutningsrammer, selv når retningslinjerne er kendt. Blogindlægget peger på variantklassifikation med ACMG/AMP‑kriterier som eksempel, hvor outputs kan se korrekte ud, men hviler på forkerte kriterier eller springer vigtige trin over. Ifølge AWS kan den type fejl have regulatoriske og patientsikkerhedsmæssige konsekvenser.
Sammenholdt med MarkTechPosts beskrivelse af Paper2Agent indebærer AWS’ forbehold, at reproducerbare outputs fra en artikel ikke i sig selv dokumenterer korrekt anvendelse i kliniske arbejdsgange. Det er en domænespecifik pointe fra AWS‑kilden, som læsere i HCLS bør medregne.
Kildeproveniens og kontrolpunkter
Udsagn om publiceringsdato, licens, teknisk afhængighed, tilgængelighed af hostede instanser samt benchmarks er gengivet fra MarkTechPost. HCLS‑forbeholdene er gengivet fra AWS’ maskinlæringsblog. Projektets tilgængelighed henviser til paper2agent.ai som oplyst i MarkTechPost.
Før formel brug i dokumentation foreslås følgende kontrolpunkter: bekræft publiceringsdetaljer via den endelige Nature‑reference; verificér den oplyste MIT‑licens i projektets officielle repository; og bekræft tilgængeligheden af de nævnte Hugging Face Spaces og den hostede instans, inklusive deres aktuelle status.
