斯坦福 Paper2Agent 登上 Nature：把论文和代码库变成一个 MCP 服务器

计算类论文的复现一直是个昂贵的仪式：把仓库克隆下来，装依赖，调试版本冲突，读半天 README，最后发现作者的环境早就跑不通了。这些成本让大量有用的方法永远锁在 PDF 里。斯坦福团队（Jiacheng Miao、Joe R. Davis、Yaohui Zhang、Jonathan K. Pritchard、James Zou）在 2026 年 9 月 16 日发表于 Nature 的 Paper2Agent 给出了一个不太一样的答案：不改论文，改接口——把论文和它的代码库包成一个 MCP 服务器，让任何 Agent 都能用自然语言调用其中的方法。作者把结果称作「一位虚拟的通讯作者」。这个说法的意义比机制本身更大。几乎整个人类历史里，知识都以被动载体的形式保存——先刻在石头上，后来敲进页面里。把论文变成一个服务器，本质上是让这个载体能够应答。

"把论文变成可调用的工具"

一、Paper2Agent 到底做了什么

按 Nature 报道的描述，Paper2Agent 从论文的正文、代码、数据集和其他材料入手，把这一切放到一个 MCP 服务器上；然后由一组 AI Agent 自主编写工具，把这些方法应用到新的数据上。任何 MCP 兼容的客户端（例如 Claude Code）都能用自然语言调用。论文是 MIT 许可，可以作为一个 skill 安装到 Claude Code 或 Codex 里；官方还预置了 AlphaGenome、Scanpy 和 TISSUE 三个服务器，跑在 Hugging Face Spaces 上，也有 paper2agent.ai 的托管版本。

# 1) Pin the environment first. Parsing is worthless if it will not run.
FROM python:3.12-slim
RUN pip install --no-cache-dir uv
WORKDIR /paper
COPY pyproject.toml uv.lock ./
RUN uv sync --frozen --no-dev          # lockfile, reproducible
COPY . .
RUN python -m pytest tests/test_repro.py -q   # must pass before tooling

二、流水线：从 PDF 到可调用的工具

这条流水线可以拆成四步。第一，解析：抽取论文的叙述、公式意图与环境要求。第二，装配：把配套代码放进容器化环境，让它在依赖上真的能跑。第三，工具化：由 Agent 把方法拆成一组带 schema 的工具，暴露成 MCP 的 tool 接口，附带参数校验。第四，验证：用论文里的原有结果做回归，确认工具化之后行为没漂移。值得注意的是第三步——工具不是人手写的，而是 Agent 读代码后生成的，这既是效率来源，也是可靠性的主要风险点。

# 2) Expose a paper method as an MCP tool with a validated schema.
from mcp.server.fastmcp import FastMCP
from pydantic import BaseModel, Field

mcp = FastMCP("paper2agent-alphagenome")

class VariantQuery(BaseModel):
    sequence: str = Field(min_length=1, max_length=4096)
    assay: str = Field(default="ATAC-seq")

@mcp.tool()
def predict_variant_effect(q: VariantQuery) -> dict:
    """Apply the paper's method to new sequence input."""
    out = run_paper_method(q.sequence, q.assay)   # the original code path
    return {"score": out.score, "assay": q.assay, "tool_version": TOOL_VERSION}

if __name__ == "__main__":
    mcp.run()

三、AlphaGenome 案例：45 分钟、14 美元、91.2%

团队用 AlphaGenome（一个预测 DNA 序列性质的模型）做了端到端验证：构建出一个可用的 Agent 大约花了 45 分钟，算力成本约 14 美元。它回答遗传学问题时的准确率接近满分，并且超过了对照工具 Biomni。整体原型在 100 篇计算生物学论文的基准问题上平均准确率为 91.2% ± 1.6%。这组数字的意义不在「AI 又赢了」，而在于复现成本被压到了两位数美元级别——这改变的不是研究者的能力上限，而是「值得复现」的候选集合大小。那个成本数字值得再看一眼，因为它改写了激励结构。当复现一次只要约 14 美元，「只是因为好奇而试一下某个方法」就变得理性，瓶颈也从算力转移到「判断哪篇论文值得问」。

# 3) One regression case per tool, expected value from the paper itself.
REGRESSION = [
    # (input fixture, paper-reported expectation, tolerance)
    ("fixtures/alphagenome_case_01.json", {"score": 0.812}, 1e-3),
    ("fixtures/alphagenome_case_02.json", {"score": 0.447}, 1e-3),
]

def verify_tools(call_tool):
    failures = []
    for fixture, expected, tol in REGRESSION:
        got = call_tool(load(fixture))
        for k, v in expected.items():
            if abs(got[k] - v) > tol:
                failures.append((fixture, k, v, got[k]))
    return failures

print(verify_tools(call))   # empty list means no drift

四、真正值得抄的是这个模式，不只是这个工具

把论文换成别的东西，这个模式依然成立。你团队里那个没人敢碰的遗留服务，其实就是一篇没有正文的论文：代码在、数据在、行为逻辑却只在几个老员工脑子里。用同样的手法，把代码库解析、容器化、工具化、验证，就能生成一个「可以问的服务」，让新 Agent 用自然语言查询它、调用它，而不用先读三年代码。Paper2Agent 真正的贡献是给出了一个通用配方：解析 → 装配 → 工具化 → 验证，四步都不依赖具体领域。

// 4) Bind generated tool versions to a source commit. Rebuild on change.
const MANIFEST = {
  paper: "alphagenome-2026",
  sourceRepo: "https://github.com/example/alphagenome",
  sourceCommit: "9f3c1ab",       // the exact revision the tools were built from
  toolVersion: "1.0.0",
  builtAt: "2026-09-22T08:00:00Z",
};

async function needsRebuild(manifest) {
  const head = await getHeadCommit(manifest.sourceRepo);
  if (head !== manifest.sourceCommit) {
    console.warn("source moved from", manifest.sourceCommit, "to", head);
    return true;                  // regenerate tools, then re-run regression
  }
  return false;
}

五、风险在哪：可靠性与出处

自动生成的工具会带来三类问题。第一是静默漂移：Agent 写的封装看起来对，边界条件却和原实现不同，而基准集不一定覆盖得到。第二是版本漂移：论文代码更新后，生成的工具没有同步重建。第三是出处问题：当一份结论来自「Agent 调用 Agent 生成的工具」，审计链条比传统脚本长得多，出错时很难定位。可行做法是把回归测试、版本绑定与调用追踪当作流水线的必要组件，而不是可选项。这三类风险都不新鲜，也都能用常规的软件工程纪律处理。真正让它们危险的是生成速度——你可以在一个下午造出三十个工具，而且一个测试都没有。

// 5) Trace every agent-to-tool call. Long audit chains are hard to debug.
function tracedToolCall(agentId, toolName, args, fn) {
  const traceId = crypto.randomUUID();
  const started = Date.now();
  try {
    const result = fn(args);
    log({ traceId, agentId, toolName, args, ok: true, ms: Date.now() - started });
    return result;
  } catch (err) {
    log({ traceId, agentId, toolName, args, ok: false, error: String(err) });
    throw err;
  }
}

export const predict = (a) =>
  tracedToolCall("research-agent", "predict_variant_effect", a, callTool);

六、动手清单

五条规则。第一，先把环境固定下来（镜像加锁文件），否则解析得再准也跑不起来。第二，为每个生成的工具写一条最小回归用例，用论文原始结果当期望值。第三，把工具版本与源仓库提交哈希绑定，源变了就重建。第四，把 Agent 调用链记进日志，出问题时能追溯到具体工具与参数。第五，先在一个内部仓库上试，别直接上生产。这套方法把「复现」从一次性的人力投入变成可重复的流水线，而流水线的价值恰恰在于它会被跑很多次。