Paper2Agent löst ein praktisches Problem: Zwischen einer veröffentlichten Rechenmethode und ihrer Anwendung auf neue Daten liegen oft Quellcode, Abhängigkeiten und komplizierte Eingaben. Das System übersetzt Arbeit, Code und Zusatzmaterial in Werkzeuge, die über das Model Context Protocol (MCP) von KI-Anwendungen aufgerufen werden können.
Der technische Kern ist mehr als ein Chat über ein PDF. Spezialisierte Teilagenten richten die Umgebung ein, kapseln Funktionen und testen Ausgaben gegen Referenzdateien, Zahlen und Abbildungen. Werkzeuge, die wiederholt nicht validiert werden können, sollen aus dem fertigen Server ausgeschlossen werden. Der Quellcode und Beispiele sind öffentlich verfügbar.
In den Fallstudien des Entwicklerteams wurden mehr als 100 Paper-Agenten erstellt. Für den AlphaGenome-Agenten entstanden 22 Werkzeuge in rund 45 Minuten zu Kosten von etwa 14 US-Dollar. Je nach Testaufgabe berichtet die Arbeit Genauigkeiten zwischen 82 und 100 Prozent. Diese Werte stammen aus ausgewählten Aufgaben und aus der Bewertung durch das Team, das das System entwickelt hat.
Damit ist die wichtigste Grenze klar: Eine Übereinstimmung mit Referenzausgaben zeigt, dass ein Werkzeug erwartete Ergebnisse reproduziert. Sie beweist weder, dass die Ausgangsstudie richtig ist, noch dass neue Daten außerhalb der Tests korrekt verarbeitet werden. Auch Sprachmodell, Laufzeitumgebung, Datenzugang und manuelle Ergänzungen beeinflussen das Ergebnis.
Paper2Agent kann Methoden leichter zugänglich und prüfbarer machen. Für Forschung sollte ein erzeugter Agent deshalb wie ausführbarer Begleitcode behandelt werden: Versionen festhalten, Eingaben dokumentieren, Ausgaben gegen Referenzen testen und wichtige Ergebnisse unabhängig reproduzieren. Interaktivität ist ein nützliches Werkzeug, aber kein Ersatz für wissenschaftliche Kontrolle.