ARTICLE · 1093948
从静态 PDF论文 到可交互 AI Agent(斯坦福实操案例)
从静态 PDF论文 到可交互 AI Agent(斯坦福实操案例)
斯坦福医学院教授 James Zou 有一句很尖锐的话："从石头上刻字到纸上打字，纸并不比石头好多少。" 一篇 2024 年发表的论文，和一篇 1994 年的论文，在载体上有什么区别？PDF 翻页更快了，搜索更方便了，仅此而已。 知识的形态仍然是被动的：它描述结论，但不执行结论；它记录方法，但不运行方法；它引用前人，但不与前人对话。 Zou 团队在 2026 年 9 月发表于《Nature》的论文里，给出了一个截然不同的答案：Paper2Agent——把一篇学术论文（正文、图表、代码、数据）自动转换成一个 MCP Server。 任何支持 MCP 协议的 AI Agent（比如 Claude Code、Codex）挂载之后，就可以用自然语言直接调用这篇论文里的方法。
Paper2Agent 给自己的定位很巧妙——"虚拟通讯作者"。 它不是你常见的"论文问答机器人"。 问答机器人做的事情是 RAG：把论文切块，召回相关段落，让大模型基于段落生成答案。本质上还是在"读文本"。 而 Paper2Agent 做的事情是：让一个 AI Agent 变成这篇论文的"化身"——它知道知识是怎么被生产出来的，能解释每一步选择，能把方法应用到你的新数据上，甚至能主动找到其他论文的 Agent 并与之协作。 用 Zou 的话说，知识载体从"描述结论的文本"变成了"能跑出结论的系统"。
整个流水线由中央 orchestrator 调度多个专职子 agent 并行工作，分为四个阶段。 第一阶段：代码库识别与抽取。 Agent 不是从正文中"理解"方法，而是直接定位论文关联的 GitHub 仓库、补充材料里的脚本和数据。代码才是方法最精确的说明书。 第二阶段：环境配置。 在隔离的虚拟环境里安装所有依赖，记录版本号。环境本身就是方法的一部分。 第三阶段：工具合成与 MCP Server 生成。 这是最关键的一步。Agent 从论文的教程（tutorial）而非正文里抽取工具。教程是论文方法最接近"可执行规范"的形态——自带输入输出样例，天然可测。Agent 把教程里的每一步操作包装成带参数的 MCP 工具，配上 JSON Schema 描述。 第四阶段：测试、精炼与部署。 专职的 Test-Verifier-Improver agent 生成测试用例、执行、诊断失败、打补丁，循环迭代。参照标准只用教程自带的样例——确保对数值结果和可视化结果的忠实复现。 反复失败的函数，直接摘除 MCP 装饰器，不进最终的 server。 宁可少几个工具，也不能让一个会静默出错的工具有机会被调用。 这个"宁缺毋滥"的策略是整个系统可信度的基石。
Paper2Agent 最让我兴奋的设计，是它对论文的摄取方式。 传统思路是让 AI "读"论文。 但论文里没写的东西远比写了的多： 为什么阈值取 0.25 而不是 0.3？哪组参数试过不行？Supplement 里的默认值、数据版本、随机种子——这些决定结果的东西，正文里往往一笔带过。 Paper2Agent 的做法是： 让 worker agents 在隔离虚拟环境里，把论文的研究从零复现一遍。 复现一遍，等于把那些隐性的执行细节在执行轨迹里显式化。 这一步把"文档理解"问题转成了"程序合成 + 测试"问题——而后者有明确的是非判定标准。这是它能做到可靠的底层原因。 知识不是被"理解"的，是被"执行"的。只有跑通了，才算真正拿到了这篇论文的方法。
MCP（Model Context Protocol）是一个开放标准，让 AI 应用以统一接口连接外部系统。 它把 N 个 agent 框架和 M 个工具之间的集成问题，从 N×M 压缩到 N+M。 每个生成的 Paper2Agent server 暴露三类原语： Tools——论文方法包装成的可调用函数，带参数、带校验。让方法真正可执行，而不是被描述。 Resources——手稿、代码链接、数据集、图表。保留可溯源的原始上下文，随时可以 @ 引用。 Prompts——编码好的多步工作流。比如 Scanpy 数据分析里"正确的预处理顺序"，这种专家才知道的操作次序，被固化成模板，新人直接调用就不会踩坑。 为什么是 MCP 而不是 RAG？ RAG 返回的是"文本片段"，模型拿到后仍需自己推断怎么做； MCP 返回的是可调用的能力加结构化结果。 前者是"告诉你别人怎么做的"，后者是"替你做一遍"。
前面说的都是单篇论文的 agent 化。 但 Zou 团队最看重的，是第三件事——Agent-to-Agent 协作。 传统科研里，跨学科的知识连接受限于人类注意力带宽。你不知道某篇论文存在，或者知道但没精力读完并动手试。Agent 化之后，连接成本从"读一篇论文、配环境、跑通"降到"一次工具调用"。 论文里给出了两个案例。 案例一：ADHD 研究。 两篇毫无关系的论文被 agent 化——一篇是预测基因突变如何影响基因组的工具（AlphaGenome），一篇是 ADHD 患病风险的 GWAS 研究。两个 agent 自动对接后，从 209 个候选变异中锁定了 rs1626703，并推断其通过改变 MPHOSPH9 基因的剪接与表达来影响谷氨酸能神经元。这个关联此前未被报道。 案例二：银屑病研究。 三个 paper agent 串联协作——AlphaGenome agent、MPRA 偶联 scCRISPRi 筛选 agent、CD4+ T 细胞 Perturb-seq agent——共同优先排序银屑病的致病基因。 Zou 的愿景是大规模的"手稿相亲"：数百万个 paper agent 在运行时互相发现交集、自动协作。这本质上是把"跨学科合作"从靠人脉、靠会议、靠运气，变成了靠能力发现和自动匹配。
团队在 AlphaGenome 上生成了 22 个 MCP 工具，在个人笔记本上约 3 小时、无人干预完成。 教程查询和新颖查询均达到 100% 成功率。运行耗时中位数方面，教程类基准较 Claude+Repo 快 1.8 倍，较 Biomni 快 3.1 倍；新颖查询快 3.2 倍和 4.6 倍。 Scanpy agent 生成 7 个工具约 45 分钟，在四个公开数据集上的细胞数、基因数、top marker gene 结果均与人类研究者一致。 规模化测试覆盖 100 篇 bioRxiv 计算生物学论文，无需人工策展。团队目前已创建 100 多个 paper agent。
论文信息：Miao et al., "Paper2Agent: autonomous generation of machine-actionable scientific papers", Nature, September 2026. 代码 MIT 开源：github.com/jmiao24/Paper2Agent
关于作者：本文基于斯坦福医学院 2026 年 9 月 16 日发布的 Paper2Agent 研究及 James Zou 团队公开访谈整理解读。 James Zou 团队介绍
James Zou（邹佳城） 职位：斯坦福大学医学院生物医学数据科学副教授（Associate Professor of Biomedical Data Science），斯坦福人工智能实验室（SAIL）核心成员。 学术背景：哈佛大学应用数学博士，曾在微软研究院、Broad Institute 从事计算生物学研究，后加入斯坦福。 研究方向交叉性极强：横跨机器学习理论、计算基因组学、医学 AI 三大领域，长期关注"AI 如何改变科学研究本身的方式"。 公众影响力：经常在 Nature、Science、NEJM 等顶刊发表评论与论文，是"AI for Science"方向最具公众能见度的学者之一。 Jiacheng Miao（苗佳程） 职位：斯坦福医学院博士后学者，Paper2Agent 论文的第一作者（lead author）。 角色：负责框架的核心工程实现，包括多 agent 编排、MCP server 生成流水线的设计与开发。
Zou 实验室的全称是Zou Lab, Stanford Medicine，官方定位是： 但更准确地说，这个团队做的事情可以概括为三层： 第一层：用 AI 理解生物医学数据。早期工作集中在基因组学、蛋白质结构预测、单细胞测序等方向的算法开发。 第二层：用 AI 评估和改进医疗 AI 系统本身。包括医学大模型的可信度、公平性、幻觉检测、临床决策支持的安全性——这是 Zou 近年来非常活跃的方向。 第三层：用 AI 重新设计"科研流程"本身。Paper2Agent 属于这一层，也是目前最具范式突破性的一条线。核心问题是：如果 AI 已经能读论文、能写代码、能跑实验，那"做科研"这件事的架构应该怎么重新设计？ 主要资助方包括Chan-Zuckerberg Biohub、NIH、NSF 等； 实验室隶属于斯坦福大学医学院生物医学数据科学系，同时与斯坦福 AI Lab、Chan-Zuckerberg Biohub San Francisco 有紧密合作关系； 团队规模不大但产出密度极高，常年保持每年多篇 Nature/Science 子刊级别论文。
一、从"刻在石头上"到"活在系统里"
二、核心命题：从 passive artifact 到 active embodiment
三、它是怎么做到的：四个阶段，一群 worker agent
四、最反直觉的一步：不是"读懂"，是"重做"
五、MCP：给知识一个"文件系统"
六、真正的增量：Agent 之间会互相找
一、核心人物
二、团队定位
"Developing machine learning methods to analyze and design biomedicine."