输入研究主题，实时追踪搜索→阅读→分析→写作全流程进度
做学术调研时，你一定经历过这些：
| 场景 | 传统方式 | Paper-Agent |
|---|---|---|
| 从 0 了解一个陌生领域 | 手动搜索 → 读 20+ 篇论文 → 做笔记 → 梳理脉络，耗时 1~2 周 | 输入研究主题，5 分钟拿到结构完整的领域综述 |
| 写综述报告 | 边读边写，反复调整结构，常常写到一半推倒重来 | 自动生成大纲 → 并行写作各章节 → review 审查质量，一次成型 |
| 挖掘研究趋势 | 靠个人经验判断，容易遗漏重要方向 | KMeans 聚类 + 深度分析 + 全局分析，数据驱动发现热点 |
| 和 ChatGPT 聊论文 | 单轮对话，无法系统化组织，输出碎片化 | 多智能体流水线，检索→阅读→分析→写作全流程自动化 |
Paper-Agent 不是论文摘要工具，而是一个完整的 AI 研究助理——它读得懂论文、理得清脉络、写得出报告。
| 特性 | 一句话说明 | |
|---|---|---|
| 🤖 | 多智能体协作流水线 | Search / Reader / Cluster / DeepAnalyse / Writer / Reviewer 各司其职，像一支研究团队自动协作 |
| 🔬 | 三阶段深度领域分析 | 聚类分析 → 每簇深度挖掘 → 六大模块全局综述，从微观到宏观全景透视 |
| ⚡ | 并行写作 + 质量审查 | 写作主管拆解大纲，多个写作小组并行输出章节，Reviewer 逐章把关 |
| 📡 | 实时流式输出 | 基于 SSE 技术，从搜索到报告每一步进度实时推送到 Web 界面 |
| 🧠 | 检索增强写作 (RAG) | ChromaDB 向量库存储论文结构化数据，写作时自动检索相关内容辅助生成 |
| 🎛️ | Web 可视化配置 | 在浏览器中管理多模型 Provider、为每个 Agent 单独指定模型、一键测试连通性 |
| 层级 | 技术选型 |
|---|---|
| AI 框架 | AutoGen, LangGraph, LangChain |
| 后端 | Python 3.12+, FastAPI, Uvicorn, SSE |
| 向量数据库 | ChromaDB |
| 机器学习 | scikit-learn (KMeans, Elbow Method), NumPy |
| 前端 | React 19, TypeScript, Vite 7 |
| 论文检索 | arXiv API, aiohttp |
| PDF 解析 | PyMuPDF (fitz) |
| 包管理 | Poetry (Python) / npm (Web) |
| LLM 兼容 | OpenAI, SiliconFlow, DashScope, Ark 及兼容接口 |
🧠 详细系统设计文档请参考
design.md
Paper-Agent/
├── main.py # 应用主入口，FastAPI 应用初始化
├── pyproject.toml # Python 项目配置和依赖声明
├── LICENSE # MIT 许可证文件
├── README.md # 中文说明文档
├── design.md # 系统设计文档
├── .gitignore # Git 忽略文件
│
├── docs/ # 文档目录
│ └── README_en.md # 英文说明文档
│
├── src/ # 源代码目录
│ ├── agents/ # 智能体模块
│ │ ├── orchestrator.py # 工作流协调器
│ │ ├── search_agent.py # 论文检索智能体
│ │ ├── userproxy_agent.py # 用户审查代理
│ │ ├── reading_agent.py # 论文阅读智能体
│ │ ├── analyse_agent.py # 论文分析智能体
│ │ ├── writing_agent.py # 内容写作智能体
│ │ ├── report_agent.py # 报告生成智能体
│ │ ├── sub_analyse_agent/ # 子分析智能体目录
│ │ │ ├── cluster_agent.py # 论文聚类智能体
│ │ │ ├── deep_analyse_agent.py # 论文深度分析智能体
│ │ │ └── global_analyse_agent.py # 全局分析智能体
│ │ └── sub_writing_agent/ # 子写作智能体目录
│ │ ├── writing_director_agent.py # 写作主管智能体
│ │ ├── parallel_writing_node.py # 并行写作节点
│ │ ├── writing_agent.py # 章节写作智能体
│ │ ├── retrieval_agent.py # 检索增强智能体
│ │ ├── review_agent.py # 质量审查智能体
│ │ ├── writing_chatGroup.py # 写作协作组
│ │ └── writing_state_models.py # 写作状态模型
│ │
│ ├── core/ # 核心模块
│ │ ├── config.py # 配置管理
│ │ ├── config_router.py # 系统配置接口
│ │ ├── model_client.py # 模型客户端
│ │ ├── models.yaml # 模型配置
│ │ ├── system_params.yaml # 系统参数配置
│ │ ├── prompts.py # 提示词模板
│ │ └── state_models.py # 状态模型定义
│ │
│ ├── services/ # 服务层
│ │ ├── chroma_client.py # Chroma 向量数据库客户端
│ │ └── retrieval_tool.py # 检索工具
│ │
│ ├── knowledge/ # 知识库模块
│ │ ├── knowledge_router.py # 知识库 API 接口
│ │ └── knowledge/ # 知识库实现
│ │
│ ├── tasks/ # 任务模块
│ │ └── paper_search.py # 论文搜索
│ │
│ ├── plugins/ # 插件模块
│ │
│ └── utils/ # 工具函数
│ └── log_utils.py # 日志工具
│
├── web/ # 前端目录
│ ├── index.html # 前端入口页面
│ ├── package.json # 前端依赖配置
│ ├── vite.config.ts # Vite 配置
│ ├── tsconfig.json # TypeScript 配置
│ └── src/ # 前端源代码
│ ├── main.tsx # 应用入口
│ ├── App.tsx # 根组件
│ ├── styles.css # 全局样式
│ ├── api/ # API 客户端
│ │ ├── config.ts
│ │ ├── knowledge.ts
│ │ └── knowledge.test.ts
│ ├── features/ # 功能模块
│ │ ├── research/ # 研究查询页面
│ │ ├── config/ # 系统配置页面
│ │ ├── knowledge/ # 知识库管理页面
│ │ └── history/ # 历史记录页面
│ └── test/ # 前端测试
│ └── setup.ts
│
├── test/ # 测试目录
│ ├── test_analyseAgent.py # 分析智能体测试
│ ├── test_readingAgent.py # 阅读智能体测试
│ ├── test_searchAgent.py # 搜索智能体测试
│ ├── test_writingAgent.py # 写作智能体测试
│ └── test_workflow.py # 工作流测试
│
├── data/ # 数据存储目录
└── output/ # 输出目录
└── log/ # 日志输出目录
# 1. 克隆项目
git clone https://github.com/Tswoen/Paper-Agent.git && cd Paper-Agent
# 2. 安装 Python 依赖
poetry install
# 3. 配置环境变量
cp example.env .env # 填入你的 API Key
# 4. 启动后端（默认 :8000）
poetry run python main.py
# 5. 启动前端（默认 :5173，新开终端）
cd web && npm install && npm run dev打开浏览器访问 **http://localhost:5173**，输入你的研究主题即可开始体验。
💡 API Key 也可以通过 Web 界面在「系统配置」页面中填写和保存，无需手动编辑
.env文件。
系统支持多模型 Provider 配置，每个 Agent 可独立指定模型：
- 配置主文件：
src/core/models.yaml - 支持通过 Web 界面可视化编辑（推荐方式）
- 可选 Provider：OpenAI / SiliconFlow / DashScope / Ark / 任意 OpenAI 兼容服务
- 可单独配置：搜索、阅读、分析、写作、报告生成等 Agent 的 LLM & 嵌入模型
- 支持一键测试模型连通性
加入 Paper-Agent 用户交流群，获取最新动态、使用技巧与技术讨论：
（QQ 群号：340020097）
感谢 @GreatZack 对 Paper-Agent 的持续投入与核心贡献：
欢迎各种形式的贡献！包括但不限于：
- 提交 Issue 报告 BUG 或建议新功能
- 提交 Pull Request 改进代码
- 完善文档或分享使用案例
MIT © 2024 Tswoen
如果 Paper-Agent 对你的研究有帮助，请为我们点一个 ⭐