2026-09-17
斯坦福团队提出 Paper2Agent，用多 agent 流水线把论文与代码封装成 MCP 工具。AlphaGenome 新查询正确率 100%；100 篇生信论文中 74 篇成功变成可执行 agent。
计算类论文的真正交付物往往卡在仓库门口。读者要找到代码、装依赖、搞懂 API 层级和参数语义，才能把方法用到自己的数据上。AlphaGenome 这种基因组基础模型尤其典型：先建 client、再构造 variant 对象、再选输出模态，生物学用户过不了这道门槛。
此前的可执行论文、Papers with Code、Binder、CodeOcean 把环境打包了，用户仍要自己读代码、自己编排分析步骤。Paper2Agent 的立场更直接：论文应变成一个可对话的虚拟通讯作者，把手稿、补充材料、数据集、代码和工作流一次性暴露给 LLM agent。
斯坦福 Miao、Pritchard、Zou 等人用 Claude Code 的 agent SDK 搭了一套多 agent 流水线，核心产物是远程 MCP 服务器。MCP（Model Context Protocol）是给 LLM 调外部工具和数据的标准接口。每个服务器三块：
流水线分六步。定位并克隆仓库；环境 agent 配隔离环境；扫描教程；端到端跑教程当金标准；抽取可复用函数并自动测；组装 MCP 再接到对话 agent（实验里用 Claude Sonnet 4）。测试过关标准很硬：该有的文件得生成，数值误差不超过 3%，图用感知哈希比对且 Hamming 距离小于 20。每个函数最多修 6 轮，反复失败就从 MCP 里剔除，避免 LLM 现场写错代码。
AlphaGenome 案例最完整。个人笔记本上约 45 分钟、14 美元，无人干预生成 22 个工具且全部过测。对照是「Claude 直接读仓库写代码」（Claude + Repo）和斯坦福通用科研 agent Biomni，每组 15 条查询、跑 5 次，两人独立打分，评分者一致性 96.7%。
| 方法 | 教程查询 | 新查询 | 30 条开放式查询 |
| Paper2Agent | 98.7±1.3% | 100.0±0.0% | 82.7±2.4% |
| Claude + Repo | 82.7±3.4% | 78.7±4.4% | 56.7±2.3% |
| Biomni | 37.3±4.0% | 56.0±3.4% | 72.2±2.2% |
中位耗时也短：教程查询相对 Claude + Repo 和 Biomni 分别快 1.9× 和 3.1×，新查询快 2.9× 和 3.8×。换 Claude Opus 4.6 做仓库基线、改写 prompt，优势还在。
Scanpy 预处理与聚类生成 7 个工具，约 45 分钟、13 美元。四份公开单细胞数据上，过滤后的细胞数、基因数和各簇 marker 与人工流程对齐。TISSUE 空间转录组论文同样被封装，与人工教程结果对齐，细节在扩展数据。
规模实验更说明上限在哪。100 篇计算生物学论文从 bioRxiv 生信类按时间倒序抽样、不筛文档质量，74 篇成功变成 agent，提出 599 个工具、593 个过测。失败主因是缺可执行代码、缺数据或模型文件、环境装不上、脚本不可泛化。300 道教程题上 Paper2Agent 配 Sonnet 4 正确率 91.2±1.6%，对照 Claude + Repo 用 Sonnet 4 是 80.3±2.3%，升到 Sonnet 4.6 也只有 86.3±1.1%。单次查询约 0.20 美元、1.6 分钟，对照是 0.38 美元、4.3 分钟。10 篇非生信计算论文（含 SAM2、TabPFN、因果森林、MCMC）42 道执行题正确率 98.1±0.8%。26 篇以数据为主、做不出工具的论文走资源层，100 道综合题 89.0±3.1%，比 Claude 直接浏览论文（82.0±3.8%）便宜 34 倍、快 15 倍。把问题和论文打乱配对的越权测试上，拒绝率 100%。
发现向案例把 AlphaGenome、MPRA-scCRISPRi、CD4+ T 细胞 Perturb-seq 三个 agent 接到一起，给银屑病位点 rs887314 排因果基因。AlphaGenome 把 GPR137 排第一（RNA-seq quantile 0.997）。人选定「CRE 扰动签名对照基因敲降签名」这条策略后，只有 GPR137 在刺激 8 小时和 48 小时显著相关（Spearman 0.613 / 0.630，P = 3.79×10⁻³ / 4.71×10⁻³，FDR < 0.05），静息态不显著（ρ = 0.29，P = 0.21）。
对用别人方法的人，这接近「会说话的通讯作者」：自然语言提问，工具被锁在已验证实现上，少一层现场幻觉写码。对发方法的人，仓库能不能被顺利封装，被写成一种可操作的可重复性度量。MCP 可多篇并联，方法 agent 和数据 agent 能拼出原论文没有的分析，银屑病那个跨扰动签名相关就是现拼的。
它仍是渐进工程。底座是 Claude Code，贡献在编排、验证和把论文资产收成 MCP，不是新的推理算法。
100 篇里 26 篇过不了封装，缺代码、缺数据、环境死锁是硬伤。开放式科学推理仍要求人在环里选题和判证据；论文自己也说，跟单一参考答案对齐测的是执行是否忠实，不是分析是否正确。AlphaGenome 在 LDL 位点把 SORT1 排到原论文强调的 CELSR2 / PSRC1 前面，三条都有高 quantile 和显著肝 eQTL，GWAS 位点因果基因本身就不好判，agent 的新解释不能当定论。评测几乎全程 Sonnet 4，换模型、换脚手架（OpenCode 和 Markdown skill）的完整数字在补充材料，正文没铺开。可执行 agent 还带来安全、知识产权和归属问题，仓库一变，MCP 就要跟着修。