Научная статья работает как MCP-сервер: Paper2Agent собрал агентов по 74 статьям из 100

Внутри 22 MCP-инструмента. На задачах из туториалов статьи агент отвечает с точностью 98,7%, а на новых запросах, которых в статье не было, дал 100%.

За этим стоит общий приём: статья перестаёт быть текстом для чтения. Paper2Agent разбирает публикацию, её код, наборы данных и описанные рабочие процессы, а потом собирает из них инструменты, которые агент вызывает по имени.

Раньше и теперь. Метод из статьи повторяли руками: найти репозиторий, поднять окружение, разобраться в примерах. Теперь метод приезжает набором вызовов, и агент сам применяет его к вашим данным.

Работу опубликовали в Nature 16 сентября 2026 года, авторы из Стэнфорда. На прогоне по 100 статьям по вычислительной биологии агенты предложили 599 инструментов, 593 из них прошли автоматическую валидацию. В открытом препринте от 8 сентября 2025 года описан и первый научный улов: агент сам нашёл новый сплайсинговый вариант, связанный с риском СДВГ.

Как поставить. Paper2Agent живёт скиллом внутри агента: `git clone https://github.com/jmiao24/Paper2Agent.git`, потом копирование папки скилла в `$HOME/.claude/skills/paper2agent` (для Codex путь `$HOME/.agents/skills/paper2agent`). Дальше слеш-команда вида `/paper2agent Convert https://github.com/sunericd/TISSUE into tested MCP tools in TISSUE_Agent.` Хосты поддерживаются три: Claude Code, Codex и Gemini CLI, в системе нужны Python и Git.

Три агента уже готовы. AlphaGenome, Scanpy и TISSUE захостены на Hugging Face Spaces и подключаются одной командой `claude mcp add --transport http <имя> <адрес>`, проверка списка идёт через `claude mcp list`. Агент по Scanpy для анализа данных единичных клеток собирали 45 минут за $13, у него 7 инструментов.

На 300 вопросах из туториалов обёрнутые в MCP инструменты дали 91,2% точности против 86,3% у самой модели. Запрос при этом стоил $0,20 и 1,6 минуты против $0,38 и 4,3 минуты.

Из 100 статей автоматика не осилила 26: там по-прежнему нужны руки.