[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-paper-circle-multi-agent-research-discovery-zh":3,"tags-paper-circle-multi-agent-research-discovery-zh":30,"related-lang-paper-circle-multi-agent-research-discovery-zh":41,"related-posts-paper-circle-multi-agent-research-discovery-zh":45,"series-research-98422b28-f1f4-4453-b6f6-3eac1e1c899c":82},{"id":4,"title":5,"content":6,"summary":7,"source":8,"source_url":9,"author":10,"image_url":11,"keywords":12,"language":18,"translated_content":10,"views":19,"is_premium":20,"created_at":21,"updated_at":21,"cover_image":11,"published_at":22,"rewrite_status":23,"rewrite_error":10,"rewritten_from_id":24,"slug":25,"category":26,"related_article_id":27,"status":28,"google_indexed_at":29,"x_posted_at":10,"tweet_text":10,"title_rewritten_at":10,"title_original":10,"key_takeaways":10,"topic_cluster_id":10,"embedding":10,"is_canonical_seed":20},"98422b28-f1f4-4453-b6f6-3eac1e1c899c","Paper Circle 用多代理 LLM 做研究探索","\u003Cp>科學文獻的增長速度，已經快到很多研究者跟不上。真正的痛點也不只是「找得到論文」而已。你還要判斷哪些值得看、怎麼分類、怎麼整理成可重用的結構。\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.06170\">Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework\u003C\u002Fa> 就是針對這條工作流下手。\u003C\u002Fp>\u003Cp>這篇論文把研究工作拆成兩條管線：一條負責 discov\u003Ca href=\"\u002Fnews\u002Fservicenow-ai-help-desk-pricing-trick-zh\">er\u003C\u002Fa>y，一條負責 analysis。它的目標不是做一個單純的文獻搜尋器，而是把原本很零碎的文獻回顧流程，改造成更有結構、可重現，也更容易自動化的系統。\u003C\u002Fp>\u003Cp>從摘要看，Paper Circle 想解的不是抽象問題，而是很實際的研究日常：如何有效找文獻、如何評估文獻、如何組織文獻、以及如何把文獻內容轉成可操作的知識。這對做研究的人有用，對做研究工具、內部知識系統、或技術團隊的資訊檢索流程也同樣有參考價值。\u003C\u002Fp>\u003Ch2>它到底想解什麼痛點\u003C\u002Fh2>\u003Cp>這篇論文的出發點很直接。當科學產出越來越多，研究者花在搜尋和篩選的時間也跟著增加。摘要把這個問題描述成：有效發現、評估與綜整文獻，變成一個難以負荷的工作。這種感受對做過系統性回顧、比較多篇方法論、或追蹤某個技術領域演進的人來說，應該都很熟悉。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775628233980-5qlq.png\" alt=\"Paper Circle 用多代理 LLM 做研究探索\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Paper Circle 想減少的，是文獻工作裡幾個最耗時的環節：找論文、評分、整理、理解。它不是只幫你把搜尋結果列出來，而是希望一路把結果整理成後續可以直接使用的格式。這也是它和一般聊天式研究助理最大的差別。\u003C\u002Fp>\u003Cp>摘要也把它放進目前很熱的 multi-agent LLM 流派裡。作者提到，近年的多代理大型語言\u003Ca href=\"\u002Fnews\u002Fhierarchical-planning-latent-world-models-zh\">模型\u003C\u002Fa>，在理解使用者意圖與使用工具方面很有潛力。Paper Circle 的做法，是把這種能力用在研究探索與論文分析，而不是泛用對話。\u003C\u002Fp>\u003Ch2>系統怎麼運作\u003C\u002Fh2>\u003Cp>Paper Circle 的架構分成兩條互補流程。第一條是 Discovery Pipeline。它結合離線與線上檢索，從多個來源抓資料，再透過多準則評分與考慮多樣性的排序，輸出結構化結果。白話一點說，就是它不只想搜尋得廣，還想排序得更聰明，避免結果太重複、太單一。\u003C\u002Fp>\u003Cp>第二條是 Analysis Pipeline。它不把論文當成一大段純文字，而是把內容轉成結構化知識圖譜。這個圖譜使用有型別的節點，像是 concepts、methods、experiments、figures。這種設計的重點，是讓系統可以對論文內容做更細的推理，而不是只產生一段摘要。\u003C\u002Fp>\u003Cp>摘要也提到，知識圖譜可以支援 graph-aware question answering 和 coverage verification。意思是，系統不只可以拿圖譜來回答問題，還能檢查重要內容有沒有被涵蓋到。對文獻分析來說，這比單純摘要更接近「可檢查、可追蹤」的工作方式。\u003C\u002Fp>\u003Cp>這兩條管線都建在 coder LLM-based 的 multi-agent orchestration framework 裡。摘要沒有把每個 agent 的提示詞或互動細節全部展開，但架構意圖很清楚：不同 agent 負責不同步驟，讓搜尋、排序、抽取、分析分工處理，再把結果同步起來。\u003C\u002Fp>\u003Cp>這種同步也很實用。因為 Paper Circle 在每個 agent 步驟都會輸出多種格式，包括 JSON、CSV、BibTeX、Markdown 和 HTML。對工程師來說，這代表它不是只做展示，而是有考慮到後續整合：可以接資料庫、接 citation flow、接網頁介面，也可以接內部報表或自動化管線。\u003C\u002Fp>\u003Ch2>論文證明了什麼\u003C\u002Fh2>\u003Cp>摘要明確說，Paper Circle 對兩個任務做了 benchmark：paper retrieval 和 paper review generation。使用的指標是 hit rate、MRR、以及 Recall at K。這些都是很標準的檢索導向評估方式，方向合理，也符合它的任務設定。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775628238167-2z42.png\" alt=\"Paper Circle 用多代理 LLM 做研究探索\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>但摘要沒有公開完整 benchmark 數字，所以沒辦法只靠這段文字判斷提升幅度有多大。也就是說，我們知道它有做評估、也知道它用了哪些指標，但看不到具體分數。這點對想比較不同工具的人來說，是目前最明顯的資訊缺口。\u003C\u002Fp>\u003Cp>摘要另外給了一個很重要的訊號：結果顯示，隨著 agent 模型變強，系統表現也會持續改善。這代表 Paper Circle 的效果，不只是來自流程設計，也跟底層代理模型能力有關。換句話說，框架本身有用，但模型選擇仍然是關鍵變因。\u003C\u002Fp>\u003Cp>除了評估結果，這篇論文還把系統架構、agent 角色、檢索與評分方法、知識圖譜 schema，以及 evaluation interf\u003Ca href=\"\u002Fnews\u002Fmempalace-100-percent-claim-scrutiny-zh\">ace\u003C\u002Fa>s 都講了出來。從摘要能看出來，它不是一個只停留在概念層的想法，而是一個完整工作流的設計，並且強調有公開釋出。\u003C\u002Fp>\u003Cp>知識圖譜 schema 也是這篇的核心貢獻之一。把論文拆成 concepts、methods、experiments、figures 這類有型別節點，代表系統可以用比純文字摘要更機器可讀的方式表達內容。這對後續做問答、比對、覆蓋檢查，都是很實際的基礎。\u003C\u002Fp>\u003Ch2>對開發者有什麼影響\u003C\u002Fh2>\u003Cp>如果你在做研究工具、企業內部知識搜尋，或是面向技術團隊的文獻助手，Paper Circle 提供了一個很清楚的設計方向：把搜尋、排序、抽取、分析拆成多個 agent，各自負責一段流程。這通常比把所有事情塞進單一大 prompt 更容易除錯，也更容易擴充。\u003C\u002Fp>\u003Cp>尤其是 structured outputs 這件事，很值得注意。JSON、CSV、BibTeX、Markdown、HTML 幾乎涵蓋了從程式整合、引用管理、文件輸出，到前端展示的常見需求。對開發者來說，這種輸出形式比單純自然語言更容易接進既有系統。\u003C\u002Fp>\u003Cp>另一個值得借鏡的地方，是分析管線裡的 knowledge graph。很多文獻工具會停在 embedding 搜尋或文字摘要，但這篇論文顯示，若把論文內容轉成有型別節點的圖譜，就能支援更精準的問題與覆蓋檢查。對需要做深度閱讀輔助的產品，這是一個很實用的替代路線。\u003C\u002Fp>\u003Cp>不過，這也不是沒有代價。多代理系統通常會碰到協調成本、維護成本、以及模型依賴問題。摘要沒有提供延遲、成本、資料來源範圍或失敗模式，所以目前還不能判斷它在真實場景裡有多穩、多快、或多省。\u003C\u002Fp>\u003Cul>\u003Cli>Discovery pipeline：離線與線上檢索、多準則評分、考慮多樣性的排序\u003C\u002Fli>\u003Cli>Analysis pipeline：把論文轉成具型別節點的知識圖譜\u003C\u002Fli>\u003Cli>輸出格式：JSON、CSV、BibTeX、Markdown、HTML\u003C\u002Fli>\u003Cli>評估任務：paper retrieval、paper review generation\u003C\u002Fli>\u003Cli>評估指標：hit rate、MRR、Recall at K\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>限制與還沒回答的問題\u003C\u002Fh2>\u003Cp>這篇摘要最大的限制，就是沒有公開完整 benchmark 細節。雖然知道它評估了 retrieval 和 review generation，也知道用了哪些指標，但沒有數字就很難比較，也很難判斷改善幅度是否足以支撐實際導入。\u003C\u002Fp>\u003Cp>摘要也沒有交代資料集大小、涵蓋哪些來源、處理速度、成本、或失敗案例。這些都是多代理 LLM 系統落地時很重要的資訊。因為一旦進到真實工作流，系統可能不是只看準確率，還要看穩定性、可維護性，以及是否會因為代理互動而變得太重。\u003C\u002Fp>\u003Cp>知識圖譜的實際效果也是一個開放問題。摘要說它能做 question answering 和 coverage verification，但沒有說在不同類型論文上是否都一樣好用，也沒有說要不要額外人工整理。這會直接影響它能不能從 demo 走到日常使用。\u003C\u002Fp>\u003Cp>即便如此，Paper Circle 的方向還是很清楚：它想把文獻工作做得更結構化、更可重現，也更容易自動化。對開發者來說，這種把研究流程拆解成可組合元件的思路，本身就很值得參考。\u003C\u002Fp>\u003Cp>摘要最後也提到，這個專案有公開網站與程式碼。雖然我們不能從摘要補充更多外部資訊，但至少可以確認作者是把它當成可檢視、可延伸的框架在釋出。對想研究 multi-agent workflows、檢索排序、或知識抽取的人來說，這會是一個值得追的案例。\u003C\u002Fp>\u003Cp>總結來說，Paper Circle 不是在回答「LLM 能不能幫你找論文」這種粗問題，而是在處理更實際的下一步：找完之後怎麼評、怎麼整理、怎麼結構化、怎麼讓後續分析真的可用。這正是研究工具最常卡住、但也最有價值的地方。\u003C\u002Fp>","Paper Circle 用多代理 LLM 把找論文、排序、整理到知識圖譜分析串成流程，目標是讓文獻探索更可重現，也更容易整合進工具。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.06170",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775628233980-5qlq.png",[13,14,15,16,17],"multi-agent LLM","research discovery","knowledge graph","paper retrieval","literature review","zh",0,false,"2026-04-08T06:03:34.360477+00:00","2026-04-08T06:03:34.294+00:00","done","6efe6563-f907-4492-aeb3-c2f2b2c15c7d","paper-circle-multi-agent-research-discovery-zh","research","967a20e6-1955-460b-a039-80d76a0e604a","published","2026-04-08T09:00:47.856+00:00",[31,33,35,37,39],{"name":15,"slug":32},"knowledge-graph",{"name":17,"slug":34},"literature-review",{"name":14,"slug":36},"research-discovery",{"name":13,"slug":38},"multi-agent-llm",{"name":16,"slug":40},"paper-retrieval",{"id":27,"slug":42,"title":43,"language":44},"paper-circle-multi-agent-research-discovery-en","Paper Circle Uses Multi-Agent LLMs for Research","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":26},"667b72b6-e821-4d68-80a1-e03340bc85f1","turboquant-seo-shift-small-sites-zh","TurboQuant 與小站 SEO 變化","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778840440690-kcw9.png","2026-05-15T10:20:27.319472+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":26},"381fb6c6-6da7-4444-831f-8c5eed8d685c","turboquant-vllm-comparison-fp8-kv-cache-zh","TurboQuant 與 FP8 實測結果","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778839867551-4v9g.png","2026-05-15T10:10:36.034569+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":26},"c15f45ee-a548-4dbf-8152-91de159c1a11","llmbda-calculus-agent-safety-rules-zh","LLMbda 演算替 AI 代理人立安全規則","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778825503412-mlbf.png","2026-05-15T06:10:34.832664+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":26},"0c02225c-d6ff-44f8-bc92-884c8921c4a3","low-complexity-beamspace-denoiser-mmwave-mimo-zh","更簡單的毫米波波束域去噪器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778814650361-xtc2.png","2026-05-15T03:10:30.06639+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":26},"9d27f967-62cc-433f-8cdb-9300937ade13","ai-benchmark-wins-cyber-scare-defenders-zh","為什麼 AI 基準賽在資安領域的勝利，應該讓防守方警醒","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778807450006-nofx.png","2026-05-15T01:10:29.379041+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":26},"bc402dc6-5da6-46fc-9d66-d09cb215f72b","why-linux-security-needs-patch-wave-mindset-zh","為什麼 Linux 安全需要「補丁浪潮」思維","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778741449813-s2wn.png","2026-05-14T06:50:24.052583+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"9f50561b-aebd-46ba-94a8-363198aa7091","openclaw-agents-manipulated-self-sabotage-zh","OpenClaw Agent 會自己搞砸自己","2026-03-28T03:03:18.786425+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"11f22e92-7066-4978-a544-31f5f2156ec6","vega-learning-to-drive-with-natural-language-instructions-zh","Vega：使用自然語言指示進行自駕車控制","2026-03-28T14:54:04.847912+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"a4c7cfec-8d0e-4fec-93cf-1b9699a530b8","drive-my-way-en-zh","Drive My Way：個性化自駕車風格的實現","2026-03-28T14:54:26.207495+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"dec02f89-fd39-41ba-8e4d-11ede93a536d","training-knowledge-bases-with-writeback-rag-zh","用 WriteBack-RAG 強化知識庫提升檢索效能","2026-03-28T14:54:45.775606+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"3886be5c-a137-40cc-b9e2-0bf18430c002","packforcing-efficient-long-video-generation-method-zh","PackForcing：短影片訓練也能生成長影片","2026-03-28T14:55:02.688141+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"72b90667-d930-4cc9-8ced-aaa0f8968d44","pixelsmile-toward-fine-grained-facial-expression-editing-zh","PixelSmile：提升精細臉部表情編輯的新方法","2026-03-28T14:55:20.678181+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00"]