PaperAgent Mini

연구 주제를 입력하면 arXiv 논문 검색부터 요약 검증, 문헌 비교, prototype 작성, 최종 보고서 생성까지 실행하는 multi-agent 프로젝트입니다.

실행 예시

전체 구조

[Research Topic]
       |
       v
+----------------------+
| 1. 논문 수집         |  arXiv 검색, Abstract/PDF 추출
+----------+-----------+
           v
+----------------------+
| 2. 요약 생성·검증    |  PaperReader <-> Reviewer
+----------+-----------+
           v
+----------------------+
| 3. 문헌 종합·검토    |  Postdoc, Critic, ResearchGap
+----------+-----------+
           v
+----------------------+
| 4. 구현 설계·코드화  |  Method, Planner, Writer, Reviewer
+----------+-----------+
           v
+----------------------+
| 5. 최종 보고서       |  Professor Agent
+----------+-----------+
           v
        outputs/

CLI와 Claude Desktop MCP는 같은 pipeline을 호출합니다.

CLI ------------+
                +-- run_pipeline() -- Agent pipeline -- outputs/
Claude Desktop -+

Pipeline 구성

단계별 Agent 역할과 검증 흐름은 Pipeline 상세 설명에서 확인할 수 있습니다.

1. 논문 수집

Research topic
  -> arXiv 검색
  -> rate-limit 재시도
  -> Abstract 또는 PDF 본문 추출

고정된 예시 논문을 사용하지 않으며 실제 arXiv 검색 결과만 처리합니다.

2. 요약 생성과 검증

PaperReaderAgent
  -> Problem / Key idea / Method / Experiments / Limitations 요약
  -> ReviewerAgent가 정확성·구체성·완결성 평가
  -> 기준 점수 미달 시 피드백을 반영해 재작성

각 논문의 핵심 내용은 한국어 불렛으로 작성하고, 모델명과 방법명 같은 주요 기술 용어는 원문의 영문 표기를 유지합니다.

3. 문헌 종합과 연구 관점 평가

검증된 논문 요약
  -> PostdocAgent: 연구 흐름과 논문 비교
  -> CriticAgent: 약한 근거와 누락 검토
  -> ResearchGapAgent: 공통 연구 공백과 후속 실험 제안

필요하면 Experiment, Novelty, Impact Reviewer를 추가로 실행할 수 있습니다.

4. prototype 생성과 검사

MethodExtractionAgent
  -> PrototypePlannerAgent
  -> PrototypeWriterAgent
  -> PrototypeReviewerAgent
  -> prototype.py

prototype은 NumPy와 mock data를 사용하며 다음 구조를 포함합니다.

• mock data 생성
• baseline 구현
• 논문의 제안 방법 구현
• baseline과 제안 방법 비교
• 최소 두 개의 계산 지표 출력
• 문법, import, shape, 실행 결과 검사

검사에 실패하면 오류 내용을 바탕으로 자동 수정합니다. 반복 수정 후에도 실패하면 초안을 저장하고 점검 필요 상태로 표시합니다.

5. 최종 보고서

ProfessorAgent가 앞 단계의 결과를 하나의 research_report.md로 정리합니다.

논문별 요약
요약 품질 평가
문헌 비교와 비판
후속 실험
구현 계획과 prototype 안내
최종 종합

생성 파일

outputs/
├── research_report.md    # 항상 생성
└── prototype.py          # prototype 옵션을 켠 경우 생성

중간 Agent별 파일은 만들지 않고 보고서 하나로 합칩니다.

시작하기

설치

Python 3.11 이상을 권장합니다.

git clone https://github.com/hellojoa1202/paperagent-mini.git
cd paperagent-mini
python -m venv .venv
source .venv/bin/activate
python -m pip install -e ".[dev]"
cp .env.example .env

Windows PowerShell:

.\.venv\Scripts\Activate.ps1
copy .env.example .env

모델 설정

.env에서 사용할 provider 하나만 활성화합니다. Ollama는 API 키 없이 사용할 수 있습니다.

Provider	LLM_PROVIDER	필요한 값
Ollama	ollama	LLM_MODEL, OLLAMA_URL
Anthropic	anthropic	LLM_MODEL, ANTHROPIC_API_KEY
OpenAI	openai	LLM_MODEL, OPENAI_API_KEY
xAI	xai	LLM_MODEL, XAI_BASE_URL, XAI_API_KEY
Groq	groq	LLM_MODEL, GROQ_API_KEY
LM Studio	lmstudio	LLM_MODEL, LM_STUDIO_BASE_URL

API 키와 서버 주소를 입력하는 위치는 .env.example의 주석에서 확인할 수 있습니다. 실제 키가 들어 있는 .env는 Git에 올리지 않습니다.

CLI 실행

빠른 Abstract 기반 실행:

python -m paperagent run "LLM agents for scientific discovery" \
  --max-papers 2 --no-prototype --abstract-only --quick-review

전체 pipeline 실행:

python -m paperagent run "multi-agent research assistants" --max-papers 3

Claude Desktop MCP 연결

가상환경의 Python과 mcp_paperagent_server.py의 절대경로를 Claude Desktop 설정에 등록합니다.

macOS/Linux:

{
  "mcpServers": {
    "paperagent-mini": {
      "command": "/absolute/path/to/paperagent-mini/.venv/bin/python",
      "args": [
        "/absolute/path/to/paperagent-mini/mcp_paperagent_server.py"
      ]
    }
  }
}

Windows:

{
  "mcpServers": {
    "paperagent-mini": {
      "command": "C:\\absolute\\path\\paperagent-mini\\.venv\\Scripts\\python.exe",
      "args": [
        "C:\\absolute\\path\\paperagent-mini\\mcp_paperagent_server.py"
      ]
    }
  }
}

설정 파일 위치:

운영체제	경로
macOS	~/Library/Application Support/Claude/claude_desktop_config.json
Windows	%APPDATA%\Claude\claude_desktop_config.json
Linux	Claude Desktop의 Developer/MCP 설정에서 확인

설정 후 Claude Desktop을 완전히 종료했다가 다시 실행합니다.

paperagent-mini 실행해줘.