Paper2Agent transforma trabalhos de pesquisa em agentes de IA interativos

Um novo framework open‑source de Stanford

No dia 4 de outubro de 2026, uma equipa de investigação da Universidade de Stanford revelou o framework open‑source denominado Paper2Agent. Segundo a própria equipa, o sistema tem a capacidade de transformar qualquer trabalho científico publicado em um assistente de IA interativo, que pode ser consultado através de uma interface de linguagem natural. O anúncio foi feito simultaneamente numa nota de imprensa da Stanford Medicine e num artigo da publicação tecnológica alemã t3n. Ambas as fontes sublinham que o código‑fonte está disponível gratuitamente, permitindo que investigadores, estudantes e empresas ativem estudos sem necessidade de conhecimentos avançados de programação. O objetivo do projecto é fechar a lacuna entre a publicação formal e a aplicação prática, ao converter o conteúdo de um artigo num modelo dialogável. Desta forma, os investigadores podem verificar mais rapidamente se os métodos descritos são adequados para os seus próprios dados.

O Paper2Agent funciona em três etapas principais. Primeiro, um modelo de linguagem pré‑treinado analisa o ficheiro PDF e extrai sistematicamente os elementos de conhecimento mais relevantes – contexto, metodologia, resultados e conclusões – estruturando‑os num formato legível por máquinas. Em seguida, a partir desses dados estruturados, é criado um servidor denominado Model Context Protocol (MCP), que serve como base de conhecimento centralizada. Por fim, o framework gera uma rede de agentes especializados, cada um responsável por uma parte específica do estudo, como a análise estatística, a metodologia experimental ou a interpretação dos resultados. Os utilizadores podem interagir com o sistema completo através de uma interface de chat, colocando perguntas ou dando instruções que são executadas pelos agentes correspondentes. O resultado é um assistente interativo que não só devolve factos, mas também pode aplicar os procedimentos descritos no artigo a novos conjuntos de dados, sejam eles hipotéticos ou reais.

Processo técnico: do PDF ao sistema multi‑agente

O núcleo do processo reside no servidor Model Context Protocol, que funciona como uma camada API entre o conteúdo extraído e os agentes. Assim que a análise do PDF está concluída, as diferentes secções – introdução, métodos, resultados, discussão – são convertidas em objetos JSON que possuem identificadores únicos. Esses identificadores permitem que os agentes acedam de forma direcionada às informações relevantes, sem a necessidade de analisar novamente todo o texto. O servidor também suporta a transmissão de contexto, de modo que um agente que verifica a significância estatística pode recuperar a tabela de resultados gerada por outro agente. Graças a esta arquitetura modular, o sistema pode ser escalado facilmente e aplicado a vários artigos ao mesmo tempo. A comunicação ocorre através de pedidos HTTP padronizados, o que garante compatibilidade tanto com ambientes de cloud comuns como com computadores locais.

Cada agente na rede Paper2Agent está treinado para uma tarefa específica e pode gerar respostas ou executar acções de forma autónoma. Por exemplo, um agente de metodologia pode reconstruir a disposição experimental descrita no artigo e sugerir ao utilizador quais parâmetros deveriam ser ajustados para um novo conjunto de dados. Um agente de resultados, por outro lado, pode interpretar tabelas e figuras, extrair métricas estatísticas e traduzi‑las em declarações compreensíveis. Ao dividir o trabalho em componentes especializados, reduz‑se o risco de interpretações erróneas, porque cada agente opera apenas com o contexto que lhe foi atribuído. Simultaneamente, a camada de protocolo central permite que vários agentes colaborem em simultâneo numa mesma consulta complexa.

Custos e esforço – o que os utilizadores podem esperar

Um dos principais promessas do Paper2Agent é a baixa barreira de entrada. De acordo com as informações fornecidas pela equipa de Stanford, a configuração completa da pipeline para um único artigo pode ser realizada em menos de uma hora, sendo que a maior parte do tempo é dedicada ao carregamento do ficheiro PDF e ao arranque do servidor MCP. O consumo computacional é estimado em cerca de 15 dólares americanos por artigo, valor que corresponde ao uso de instâncias de cloud padrão para o modelo de linguagem necessário e para a componente de servidor. Como o código‑fonte está publicado sob uma licença open‑source, os interessados podem hospedar a infraestrutura por conta própria ou adaptá‑la aos seus recursos, sem incorrer em taxas de licenciamento.

• Fazer perguntas
• Aplicar métodos a novos conjuntos de dados
• Combinar múltiplos agentes de artigos

As possibilidades de aplicação prática vão desde a pesquisa rápida de literatura até à validação prototípica de novos experimentos. Um cientista de dados, por exemplo, poderia transformar um artigo recém‑publicado sobre classificação de imagens num agente e testar imediatamente se a arquitetura de rede descrita produz melhores resultados num conjunto de dados próprio. No ensino, a ferramenta pode ser utilizada para oferecer aos estudantes auxiliares de aprendizagem interativos, capazes de explicar métodos complexos em tempo real. Empresas que analisam regularmente patentes e artigos técnicos poderiam usar o Paper2Agent para extrair automaticamente detalhes técnicos relevantes e integrá‑los em bases de conhecimento internas.

Apesar da impressionante automatização, a equipa de Stanford sublinha explicitamente que o Paper2Agent não substitui o processo crítico de revisão. O sistema reproduz os resultados e as suposições apresentadas no artigo original, sem verificar os dados brutos subjacentes. Da mesma forma, eventuais erros no artigo de partida – como estatísticas incorretas ou detalhes metodológicos incompletos – são transferidos para o agente sem correção. Além disso, a qualidade das respostas depende fortemente da capacidade do modelo de linguagem subjacente; em derivações matemáticas complexas, o modelo pode gerar formulações imprecisas. Por isso, os utilizadores devem sempre confrontar a informação gerada com o texto original para garantir a exactidão.

Perspetivas: como o Paper2Agent pode transformar a prática científica

Com o lançamento público do Paper2Agent, a forma como os investigadores interagem com a literatura científica está a mudar. Em vez de ler e codificar manualmente cada estudo, os investigadores podem agora criar, em questão de minutos, um assistente interativo que responde a perguntas, simula métodos e até liga múltiplos artigos num grafo de conhecimento combinado. Este avanço tem o potencial de acelerar significativamente revisões de literatura, meta‑análises e replicações metodológicas. Ao mesmo tempo, abre novas questões de investigação sobre a garantia de qualidade dos agentes automatizados e sobre a integração desses sistemas nos fluxos de trabalho de publicação já estabelecidos. Nos próximos meses, será interessante observar como a comunidade adota o framework e que boas‑práticas emergem a partir dessa adoção.