論文不只是拿來讀的：把研究論文變成可互動、可靠的 AI 智能體

Nature 研究 Paper2Agent：如何運作、準不準、如何用？以及作者承認的限制

匯東華統計顧問　·　陳秀敏博士　·　2026／10／2

第 6 期匯東華電子報第 6 期｜2026.10.02 看本期網頁版 →

Paper2Agent 的流程示意：論文全文、程式碼庫與補充資料依序經過環境代理、擷取代理與測試代理；測試代理以原範例資料比對結果，通過的工具組成論文的 MCP 伺服器（含工具、資源、提示三部分），再連接對話式 AI 代理，讓研究者以自然語言提問。本圖依原文機制重繪。

（點擊圖片可開啟原圖放大檢視）

一頁先懂｜核心判斷

讀懂一篇方法論文之後，要真正執行它的方法，中間還隔著一整段工程：找程式碼、裝套件、設定環境、弄懂輸入輸出。

史丹佛大學團隊 2026 年 9 月 16 日在《Nature》發表的 Paper2Agent，想把這一段自動化：由多個 AI 代理讀論文與程式碼、把分析步驟包成工具、用論文自己的範例資料逐一驗證，最後把論文變成一個可以用自然語言對話的 AI 智能體，由它呼叫這篇論文已驗證的工具。

作者在自己設計的測試題上，報告的正確率高於「讓 AI 直接讀程式碼庫」的做法；在 bioRxiv 上依時間往回抽出、未經篩選的 100 篇計算生物論文中，74 篇能自動轉換成功。

使用前要知道三件事：案例集中在基因體與單細胞分析；開放式的科學判斷，作者明說仍需要研究者自己負責；工具本身開源，但要搭配 AI 程式助理使用，費用依該助理的方案計。

01｜讀得懂，和用得上，是兩件事

作者在前言用 AlphaGenome 當例子。這是一個預測 DNA 變異會如何影響基因調控的模型，功能強大，但要在程式裡使用它，得先安裝環境、用 API 金鑰建立連線物件、建構變異的輸入格式、選擇要輸出的資料類型，還要懂它的參數設計。原文的說法是，這對不熟悉這些抽象概念的生物學家是一條學習曲線。

這非 AlphaGenome 特有的問題。一篇論文描述新的計算方法，讀者往往要自己找到程式碼庫、安裝相依套件、設定環境、判斷正確的輸入輸出；即使程式碼維護得很好，過程通常也不簡單。

Paper2Agent 的想法是：與其讓每一位讀者各自走一遍，不如把這篇論文轉成一個可以對話的 AI 代理，由它代為執行論文的方法。作者把這個代理比作「虛擬的通訊作者」。

02｜它怎麼做：把論文包成一個 MCP 伺服器

核心步驟為將論文做成一個 MCP 伺服器。MCP（Model Context Protocol）是一套標準規格，讓大型語言模型能用同一種格式找到並呼叫外部的工具與資料；作者指出它近來已成為連接 AI 代理與外部資源的業界標準。

每一個論文的 MCP 伺服器包含三部分：

工具：可以直接執行的分析功能，封裝論文的方法。例如 AlphaGenome 的一個工具，輸入一個基因變異，就輸出它對基因表現、染色質可及性等面向的預測與圖。
資源：論文全文、程式碼庫、補充資料與資料集等靜態資料。
提示：把論文中多步驟的分析流程寫成固定順序，引導 AI 依序完成。例如單細胞分析的前處理與分群，要按品質控制、標準化、特徵選取、降維、建圖、分群、細胞類型標註的順序進行。

建立伺服器的工作，由幾個分工的 AI 代理完成（上方示意圖）：

環境代理：為程式碼庫建立隔離、乾淨的執行環境
擷取代理：找出程式碼庫中的教學範例，把可以推廣到其他資料的步驟改寫成獨立的工具，並把寫死的檔案路徑、門檻值、欄位名稱改成參數
測試代理：用教學範例自己的資料當標準答案，逐一測試每個工具

完成的伺服器可以放在 Hugging Face 等遠端平台，任何相容的 AI 代理都能連上去使用。作者的實作以 Claude Code 為基礎，案例一律使用 Claude Sonnet 4 模型。

03｜它怎麼防止 AI 算錯

讓 AI 寫程式執行分析，主要風險之一是它寫出看似合理、實際上有錯的程式碼，作者稱為「程式碼幻覺」。Paper2Agent 的主要防線是驗證後鎖定：

每個工具都要用原範例資料重現原本的結果。測試通過的條件為：預期的檔案有產生、數值結果與範例一致（浮點數容許 3% 誤差）、產生的圖與原圖相符（以影像雜湊比對）
未通過就診斷、修正、再測，每個工具最多嘗試 6 次；仍然失敗的工具直接排除，不放進伺服器
通過的工具被鎖定，確保結果可重現，也減少每次重新生成程式碼帶來的隨機性
每個工具都附上連回原論文程式碼的出處，可以追查

作者另執行下列檢查：把論文與問題隨機錯配，Paper2Agent 在本項測試中拒答 100% 與論文無關的問題；刻意在三個程式碼庫中植入缺少套件、路徑錯誤、拼字錯誤、過時函式四類錯誤，系統都能修復並產出可用的伺服器。

04｜準不準？

點圖比較四組測試題的正確率。AlphaGenome 教學題 15 題：Paper2Agent 98.7%、直接讀程式碼庫 82.7%、Biomni 37.3%；新題 15 題：100.0%、78.7%、56.0%；開放式研究題 30 題：82.7%、56.7%、72.2%；計算生物 74 篇論文的 300 題：Paper2Agent 91.2%、直接讀程式碼庫 80.3%（Sonnet 4）與 86.3%（Sonnet 4.6）。均為平均 ± 標準誤。

（點擊圖片可開啟原圖放大檢視）

上圖每一列為一組測試題，每個點是一種做法的平均正確率，橫線是標準誤。紅色圓點是 Paper2Agent；藍色方塊是「Claude + Repo」，也就是讓 AI 程式助理直接讀取程式碼庫、自己寫程式回答；灰色菱形是另一個生物醫學 AI 代理 Biomni。
主要想了解同樣的問題，把論文先轉成驗證過的工具再回答，是否比讓 AI 直接讀程式碼更準。
怎麼看：四組題目中，紅點都在最右邊。和直接讀程式碼庫相比，差距最大的是開放式研究題（82.7% 對 56.7%），但同一組題目 Biomni 有 72.2%，差距就小得多；在 300 題的大規模測試中，把對照組換成較新的 Sonnet 4.6 模型後差距縮小，但仍在。

幾個具體數字：

建置成本：AlphaGenome 在個人筆電上約 45 分鐘、花費約 14 美元，產出 22 個工具，全部通過驗證；Scanpy 單細胞分析約 45 分鐘、約 13 美元，產出 7 個工具。
速度：AlphaGenome 代理的中位回答時間，比直接讀程式碼庫快 1.9 至 2.9 倍，比 Biomni 快 3.1 至 3.8 倍。
大規模測試：從 bioRxiv 生物資訊類別往回依序抽出 100 篇計算生物論文，事先沒有依程式碼品質篩選。其中 74 篇轉換成功，共提出 599 個工具，593 個通過驗證。每題花費約 0.20 美元、1.6 分鐘，直接讀程式碼庫則是 0.38 美元、4.3 分鐘。
非生物領域：10 篇 AI、統計、計量經濟、賽局、天文物理等領域的計算論文，42 題的正確率 98.1%。
沒有可執行程式碼的論文：26 篇以資料與發現為主的論文，只用資源層回答 100 題需要綜合全文與補充資料的問題，正確率 89.0%，高於讓 AI 直接瀏覽論文網頁的 82.0%，成本約為其三十四分之一。

評分方式也要知道：AlphaGenome 的測試題由兩位專家依事先訂好的評分準則獨立評分，兩人一致率 96.7%。

05｜一個值得細看的例子：代理和原論文的結論不一樣

作者請 AlphaGenome 代理解釋一個與低密度脂蛋白膽固醇相關的基因變異。原本的 AlphaGenome 論文強調 CELSR2 與 PSRC1 兩個基因，代理卻把 SORT1 排為最可能的致病基因，理由是預測對 SORT1 表現的影響很極端，而 SORT1 編碼的蛋白直接參與脂蛋白分泌。作者再查公開的基因表現資料庫，確認這個變異與 SORT1 的表現有顯著關聯。

但作者也寫明：CELSR2 與 PSRC1 在同一套預測中的分數都是 0.99998，略高於 SORT1 的 0.99983，在同一資料庫中也都有顯著關聯（p.5）。一個變異同時與附近多個基因的表現相關時，要判定哪一個才是致病基因本來就很困難。

本例對使用者的意義是：代理給出一個答案，不代表是唯一合理的答案。作者把它看成一項優點：只要一句提示，就能用獨立的模型證據重新檢視已發表的結論；讀者在自己的研究裡遇到類似情況，仍需自己權衡。

另一個案例更明確地保留人的角色。作者讓三個論文代理合作，找出一個與乾癬相關變異的致病基因。AI 提出十種驗證策略，由研究者從中挑選一種執行；結果支持 GPR137，但只在 T 細胞受刺激的條件下顯著，靜止狀態下不顯著，每種條件分析的下游基因約 20 個（原文圖 4 圖說，p.8：n = 20、21、19）。

06｜想自己試，需要什麼

以下依 2026 年 9 月 24 日查詢 Paper2Agent GitHub 專案頁與原文整理：

項目	內容
授權	程式碼以 MIT 授權開源（依 GitHub LICENSE 檔，查詢日期 2026-09-24），GitHub：jmiao24/Paper2Agent
需要的環境	一個支援 skill、可執行 shell 並能平行啟動多個代理的 AI 程式助理（專案頁列出 Claude Code 與 Codex），以及 Python、Git；目標論文的程式碼若需要 R、GPU、API 金鑰等，也要另外準備
費用	工具本身免費；AI 程式助理依其本身方案計費。原文案例的建置花費約 13 至 14 美元，大規模測試中每題約 0.20 美元，這是作者在其設定下的數字
產出	一個含使用說明的壓縮檔，照說明連接到自己的 AI 程式助理
不自己建也能試	專案頁列出作者已部署在 Hugging Face 的 AlphaGenome、Scanpy、TISSUE 三個伺服器，可直接連接；查詢當日三個網址皆可連線。AlphaGenome 本身另需申請其 API 金鑰
版本差異	專案頁目前的安裝方式，是把 paper2agent 以 skill 形式裝進 AI 程式助理，包裝方式與論文方法段描述的流程不同；論文中的測試數字，是以論文所述版本與 Claude Sonnet 4 測得

（表格較寬，手機可左右滑動檢視）

對臨床研究者來說，可先連上現成的伺服器，用範例問題跑一次，體驗「用一句話呼叫一篇論文的方法」；若想把自己領域的論文轉成代理，需要該篇論文有公開、可執行的程式碼。

07｜作者自己承認的限制

原文討論段把限制寫得很清楚，以下逐項整理：

不是每篇論文都轉得成功。 大規模測試中 100 篇有 26 篇失敗，常見原因是沒有可執行的程式碼、缺少資料或模型檔、環境或相依套件無法解決、腳本無法推廣到其他資料。作者認為，一篇論文能否順利轉成代理，本身可能就是可重現性的實務指標。
開放式的科學推理仍需要人。 作者強調，產生假說、解釋機制這類工作仍需研究者參與；研究者要負責選擇方向、評估證據。作者把 Paper2Agent 定位為輔助發現、提升可近性與重現性的工具，不是自主或權威的科學結論來源。
正確率量的是「忠實執行」。 開放式問題可能有多個候選答案；以單一標準答案比對的測試，主要反映 AI 忠實執行原方法程度，不等於分析本身在科學上有效。
需要持續維護。 上游程式碼與相依套件會更新，論文代理也需跟著維護。
資安、智慧財產與歸屬。 把研究程式碼開放成可執行的代理，會帶來資安、智慧財產與貢獻歸屬的問題，需要審慎處理。

另外兩點是我們讀原文時的觀察：原文詳細展示的案例都屬基因體學、單細胞與空間轉錄體分析，大規模測試雖納入統計與計量經濟的計算套件，但原文正文未展示臨床試驗或流行病學分析的案例；測試題與評分準則由作者團隊設計，原文未包含外部團隊的獨立評估。

結語｜先把論文當成可以驗證的工具

Paper2Agent 最值得借鏡的，不是「AI 會替你做分析」，是它處理可靠性的方式：每個工具都先用論文自己的資料驗證，驗證不過就不上線。

作者在討論段預期，未來期刊可能在「資料可得性」「程式碼可得性」之外，再加一個「代理可得性」段落。在那之前，研究者能做的事很具體：公開可以執行的程式碼、附上帶有預期結果的範例資料，讓別人（以及 AI）能重現你的結果。

能被 AI 重現的論文，先得是能被人重現的論文。

參考文獻

Miao, Jiacheng, Joe R. Davis, Yaohui Zhang, Jonathan K. Pritchard, and James Zou. "Reimagining Research Papers as Interactive and Reliable AI Agents." Nature, published online 16 Sept. 2026. DOI: 10.1038/s41586-026-11044-y
Paper2Agent GitHub 專案頁. https://github.com/jmiao24/Paper2Agent（查詢日期：2026 年 9 月 24 日）

AI 使用聲明

本文由匯東華統計顧問有限公司　陳秀敏　博士撰稿，Claude Opus 5.5 協助原文整理、引用核對、示意圖繪製與版面排版，最終內容已由作者審閱定稿。文中數字與限制之資料來源為上列原文，逐項對照原文頁碼；使用門檻依查詢當日之 GitHub 專案頁。兩張圖皆為本公司依原文機制與數字自行繪製（Python 輸出），未使用原文圖片。日期：2026 年 10 月 2 日。