Paper2Agent macht wissenschaftliche Publikationen interaktiv nutzbar

Wie das System mit Halluzinationen umgehen soll

Bei der Nutzung generativer KI besteht das Risiko, dass ein Modell plausibel klingende, aber falsche Informationen erzeugt. Im wissenschaftlichen Kontext ist dieses Risiko besonders relevant, weil ungenaue Aussagen über Methoden, Stichproben oder Ergebnisse die weitere Forschung beeinflussen können.

Paper2Agent soll Halluzinationen durch die Verbindung von Sprachmodell und ausführbaren Werkzeugen reduzieren. Antworten sollen nicht ausschließlich aus dem statistischen Sprachwissen eines Modells entstehen, sondern möglichst auf die Inhalte des konkreten Papers und die dort verfügbaren Funktionen zurückgreifen. Der iterative Testprozess soll zusätzlich sicherstellen, dass zentrale Zahlen und Ergebnisse mit der Ausgangsarbeit übereinstimmen.

Nach den vorliegenden Informationen wird der erzeugte Agent nach der Prüfphase in einem stabilisierten Zustand fixiert. Dadurch soll verhindert werden, dass sich die technische Grundlage während der Nutzung unkontrolliert verändert. Manuelle Ergänzungen bleiben möglich, beispielsweise um Informationen über fehlgeschlagene Experimente oder nicht veröffentlichte Zwischenschritte aufzunehmen.

Eine vollständige Ausschaltung von Halluzinationen kann daraus nicht abgeleitet werden. Ein Agent kann weiterhin falsche Schlussfolgerungen ziehen, wenn eine Frage außerhalb des untersuchten Anwendungsbereichs liegt. Auch können unklare Dokumentationen oder fehlerhafte Ausgangsdaten zu scheinbar präzisen, aber nicht belastbaren Antworten führen.

Für die praktische Nutzung empfiehlt sich deshalb eine abgestufte Antwortlogik:

• Der Agent sollte zwischen direkt belegten Angaben und eigenen Ableitungen unterscheiden.
• Jede wichtige Aussage sollte auf eine konkrete Textstelle, Berechnung oder Werkzeugausgabe zurückgeführt werden können.
• Bei fehlenden Daten oder nicht getesteten Szenarien sollte der Agent Unsicherheit ausdrücklich angeben.
• Neue Analysen sollten zunächst in einer kontrollierten Umgebung und mit nicht sensiblen Testdaten durchgeführt werden.
• Ergebnisse mit medizinischer, regulatorischer oder finanzieller Relevanz müssen fachlich unabhängig geprüft werden.

Ergebnisse aus den Fallstudien

Die Stanford-Forschenden berichten, mehr als 100 Paper-Agenten aus unterschiedlichen Fachbereichen erstellt zu haben. Als eine Fallstudie wird ein Agent genannt, der auf einer Arbeit zu AlphaGenome basiert. Das betreffende KI-Modell dient der Analyse genetischer Zusammenhänge und soll unter anderem untersuchen, wie Varianten im Genom biologische Prozesse beeinflussen können.

Der erzeugte Agent wurde mit Fragen konfrontiert, die einerseits eng an die ursprüngliche Studie angelehnt waren und andererseits komplexere Aufgaben erforderten. Dabei sollte das System nicht nur einzelne Informationen aus dem Paper wiedergeben, sondern eine Aufgabe strukturieren, passende Methoden auswählen und Ergebnisse interpretieren.

Den veröffentlichten Angaben zufolge lagen die Genauigkeitswerte in den getesteten Szenarien zwischen 82 und 100 Prozent. Die Spannbreite zeigt zugleich, dass die Leistungsfähigkeit von der konkreten Aufgabenstellung abhängt. Bei klar abgegrenzten Fragen und gut dokumentierten Abläufen können die Ergebnisse höher ausfallen als bei offenen, mehrstufigen Forschungsaufgaben.

In einem Beispiel identifizierte der Agent im Zusammenhang mit einer Frage zu genetischen Hinweisen auf erhöhte Cholesterinwerte eine andere Gensequenz als die ursprüngliche Studie. Die Forschenden bewerteten diesen Befund als potenziell interessante Erweiterung innerhalb der untersuchten Hypothese. Für eine wissenschaftliche Bestätigung wäre jedoch eine unabhängige Prüfung mit geeigneten Daten und Methoden erforderlich.

Der Fall illustriert die doppelte Funktion eines Paper-Agenten. Er kann einerseits als Zugang zu bereits dokumentiertem Wissen dienen. Andererseits kann er – sofern er über geeignete Werkzeuge und Daten verfügt – neue Analysewege vorschlagen oder ausführen. Zwischen einer solchen Hypothese und einer belastbaren wissenschaftlichen Entdeckung liegen allerdings mehrere Validierungsstufen.

Welche Vorteile sich für Forschung und Unternehmen ergeben

Die Umwandlung von Publikationen in interaktive Agenten könnte verschiedene Arbeitsabläufe in Forschung und wissensintensiven Organisationen verändern. Der erste Vorteil liegt in der Zugänglichkeit. Fachkräfte können Methoden in natürlicher Sprache erkunden, ohne sämtliche technischen Details vor Beginn der Arbeit manuell rekonstruieren zu müssen.

Ein zweiter Vorteil betrifft die Wiederverwendung. Viele wissenschaftliche Arbeiten werden zitiert, aber nur ein Teil ihrer Methoden wird tatsächlich in anderen Projekten eingesetzt. Ein nutzbarer Agent könnte die Distanz zwischen Publikation und praktischer Anwendung verkürzen.

Auch die interdisziplinäre Zusammenarbeit könnte profitieren. Forschende aus einem Fachgebiet können mit einem Agenten interagieren, der Methoden eines anderen Bereichs erklärt und demonstriert. Das senkt nicht die fachlichen Anforderungen, kann aber den Einstieg in ein unbekanntes Gebiet erleichtern.

Für Unternehmen sind insbesondere folgende Anwendungsszenarien denkbar:

• Aufbau interner Wissensassistenten für Forschungs- und Entwicklungsabteilungen.
• Standardisierte Zugänge zu wissenschaftlichen Methoden und Analysepipelines.
• Unterstützung bei der Bewertung von Technologien, Patenten und Forschungskooperationen.
• Beschleunigung von Literaturanalysen und methodischen Machbarkeitsprüfungen.
• Verknüpfung von wissenschaftlichen Quellen mit internen Datenbeständen.
• Dokumentation wiederkehrender Analyseprozesse in ausführbarer Form.
• Bereitstellung spezialisierter Assistenten für unterschiedliche Fachbereiche.

Der wirtschaftliche Nutzen hängt dabei weniger von der bloßen Existenz eines Agenten ab als von seiner Einbettung in verlässliche Prozesse. Ein Agent muss zu den vorhandenen Datenmodellen, Identitäts- und Berechtigungssystemen sowie Compliance-Vorgaben passen. Zudem müssen Zuständigkeiten geklärt werden: Wer prüft die Ergebnisse, wer genehmigt den Einsatz und wer haftet für Fehlentscheidungen?

Aufwand, Kosten und technische Voraussetzungen

Die Stanford-Arbeit und begleitende Berichte beschreiben Paper2Agent als frei verfügbares Framework. Für die Erstellung eines Agenten benötigen Sie nach den veröffentlichten Angaben eine wissenschaftliche Arbeit, den zugehörigen Code – sofern vorhanden – sowie eine kompatible Umgebung für Sprachmodelle und Entwicklungswerkzeuge.

Der Zeitaufwand soll bei geeigneten Publikationen teilweise unter einer Stunde liegen. Andere Dokumentationen verweisen auf eine deutlich größere Spanne, die von etwa 30 Minuten bis zu mehreren Stunden reichen kann. Die tatsächliche Dauer hängt unter anderem davon ab, wie gut der Code dokumentiert ist, wie viele Abhängigkeiten installiert werden müssen und wie umfangreich die Tests ausfallen.

Auch die Kosten lassen sich nicht pauschal festlegen. Für einzelne Beispiele wird ein Rechenaufwand von ungefähr 15 US-Dollar genannt. Darin sind nicht zwangsläufig alle Kosten einer produktiven Nutzung enthalten. Je nach Modellanbieter, Zahl der Testläufe, Größe der Datensätze, benötigter Rechenleistung und Häufigkeit der Abfragen können die laufenden Ausgaben deutlich variieren.

Für eine belastbare Kostenplanung sollten Sie mindestens folgende Faktoren berücksichtigen:

• Nutzungskosten des eingesetzten Sprachmodells.
• Rechenleistung für Installation, Tests und Analyse.
• Speicher- und Übertragungskosten für Code und Daten.
• Aufwand für die Bereinigung und Dokumentation der Ausgangsmaterialien.
• Entwicklung eigener Schnittstellen und Berechtigungskonzepte.
• Manuelle Prüfung und fachliche Freigabe der Agenten.
• Wartung bei Änderungen an Bibliotheken, Modellen und Datenquellen.

Für erste Experimente kann eine lokale oder isolierte Testumgebung ausreichen. In der Produktion sind zusätzliche Anforderungen zu berücksichtigen. Dazu gehören Monitoring, Protokollierung, reproduzierbare Laufzeitumgebungen, Backups, Versionsverwaltung und eine klare Trennung zwischen Test- und Produktivdaten.

Grenzen bei Code, Daten und Dokumentation

Paper2Agent kann nur so zuverlässig arbeiten, wie es die zugrunde liegenden Materialien erlauben. Viele Publikationen enthalten zwar eine Methodenbeschreibung, aber keinen vollständigen Code. In anderen Fällen ist der Code verfügbar, jedoch nicht mit den im Paper beschriebenen Versionen kompatibel.

Auch Datenzugänge können problematisch sein. Medizinische, personenbezogene oder lizenzrechtlich geschützte Datensätze dürfen nicht ohne entsprechende Freigabe in einen Agenten eingebunden werden. Ein Paper-Agent, der auf öffentlich verfügbarem Code basiert, ist deshalb nicht automatisch für beliebige Unternehmensdaten geeignet.

Eine weitere Grenze entsteht durch nicht dokumentierte Entscheidungen. In wissenschaftlichen Projekten werden zahlreiche Versuche durchgeführt, von denen nur ein Teil in die finale Publikation einfließt. Der Agent kennt zunächst vor allem die veröffentlichte Darstellung. Er kann daher nicht automatisch erklären, warum bestimmte alternative Methoden verworfen wurden oder welche erfolglosen Experimente dem finalen Ergebnis vorausgingen.

Die Möglichkeit, solche Informationen manuell zu ergänzen, kann für die Nachvollziehbarkeit wertvoll sein. Gleichzeitig muss dokumentiert werden, welche Angaben aus der Publikation stammen und welche nachträglich hinzugefügt wurden. Andernfalls besteht das Risiko, dass verschiedene Wissensschichten vermischt werden.

Datenschutz, geistiges Eigentum und Sicherheit

Die technische Umwandlung eines Papers in einen Agenten berührt mehrere rechtliche und organisatorische Fragen. Zunächst ist zu klären, ob die Publikation, der Quellcode und die verwendeten Daten in der vorgesehenen Form verarbeitet werden dürfen. Open-Access-Zugang zu einem Artikel bedeutet nicht automatisch, dass sämtliche Bestandteile frei weiterverwendet oder in einen kommerziellen Dienst integriert werden dürfen.

Bei proprietärem Code gelten die jeweiligen Lizenzbedingungen. Auch die Nutzung von Modellen externer Anbieter kann Einschränkungen hinsichtlich Datenübertragung, Speicherung und Weiterverarbeitung enthalten. Vor dem Einsatz in einem Unternehmen sollte deshalb geprüft werden, ob Eingaben oder Analyseergebnisse an externe Systeme übermittelt werden.

Besonders sensibel ist die Verarbeitung personenbezogener oder medizinischer Daten. Ein Agent, der eine wissenschaftliche Methode ausführt, kann unter Umständen Daten analysieren, die Rückschlüsse auf einzelne Personen zulassen. In solchen Fällen müssen Datenschutz, Zugriffskontrolle, Zweckbindung und Löschfristen von Beginn an berücksichtigt werden.

Auch die Tool-Anbindung selbst stellt eine Sicherheitsfrage dar. Ein MCP-Server kann Funktionen und Datenquellen zugänglich machen. Werden Berechtigungen zu großzügig vergeben, könnte ein Sprachmodell Aktionen auslösen, die über den vorgesehenen Zweck hinausgehen. Für produktive Umgebungen sind daher Least-Privilege-Prinzipien, Sandboxing und eine explizite Freigabe kritischer Aktionen sinnvoll.

Aus organisatorischer Sicht sollten Sie vor der Einführung eines Paper-Agenten klären:

• Welche Daten darf der Agent lesen und verarbeiten?
• Welche Werkzeuge darf er aufrufen?
• Darf er externe Systeme verändern oder ausschließlich Analysen durchführen?
• Wie werden Eingaben, Ausgaben und Tool-Aufrufe protokolliert?
• Welche Personen prüfen Ergebnisse mit hoher Tragweite?
• Wie werden veraltete Agenten deaktiviert oder aktualisiert?
• Welche Lizenzbedingungen gelten für Paper, Code, Daten und Modelle?

Warum ein Paper-Agent kein Ersatz für wissenschaftliche Begutachtung ist

Die Interaktivität eines Agenten kann den Zugang zu einer Studie verbessern, sagt aber nichts über die Qualität der Studie selbst aus. Ein Agent kann eine fehlerhafte Methode präzise reproduzieren oder eine problematische Schlussfolgerung überzeugend erklären. Die technische Reproduzierbarkeit und die wissenschaftliche Validität sind daher getrennt zu bewerten.

Ebenso darf eine flüssige Antwort nicht mit fachlicher Sicherheit verwechselt werden. Sprachmodelle können Zusammenhänge herstellen, die nicht in der ursprünglichen Arbeit enthalten sind. Wenn ein Agent neue Hypothesen formuliert, müssen diese als solche kenntlich gemacht und unabhängig überprüft werden.

Für die wissenschaftliche Praxis bietet sich eine klare Trennung verschiedener Ausgabekategorien an:

• Dokumentierte Fakten: Aussagen, die direkt aus Paper, Code oder getesteten Ergebnissen hervorgehen.
• Reproduzierte Resultate: Ergebnisse, die in einer definierten Umgebung erneut berechnet wurden.
• Abgeleitete Interpretationen: Schlussfolgerungen, die aus den verfügbaren Informationen entwickelt wurden.
• Neue Hypothesen: Vorschläge für weitere Untersuchungen, die noch nicht bestätigt sind.

Eine solche Kennzeichnung ist nicht nur für Forschungseinrichtungen relevant. Auch Unternehmen benötigen sie, wenn Agenten in strategische Entscheidungen, Produktentwicklung oder regulatorisch sensible Prozesse einbezogen werden.

Die Bedeutung des Model Context Protocol

MCP ist für den Paper2Agent-Ansatz mehr als eine technische Nebensache. Das Protokoll schafft eine gemeinsame Sprache zwischen Sprachmodellen und externen Funktionen. Dadurch kann ein Agent auf Werkzeuge zugreifen, ohne dass für jede einzelne Anwendung eine vollständig neue Integration entwickelt werden muss.

Diese Standardisierung erleichtert die Kombination verschiedener Agenten. Ein wissenschaftlicher Agent kann beispielsweise eine Datenanalyse anstoßen, während ein anderer die Ergebnisse mit einem alternativen Verfahren überprüft. Ein übergeordnetes Sprachmodell kann die einzelnen Werkzeuge orchestrieren.

Die Offenheit der Schnittstelle bringt jedoch auch Herausforderungen mit sich. Standards lösen nicht automatisch Fragen der Vertrauenswürdigkeit, Zugriffsrechte oder Ergebnisqualität. Eine technisch kompatible Verbindung kann inhaltlich ungeeignet oder sicherheitstechnisch riskant sein.

Für Unternehmen wird daher entscheidend sein, nicht nur die Verfügbarkeit eines MCP-Servers zu prüfen. Ebenso wichtig sind die Eigenschaften der bereitgestellten Tools, die Datenflüsse, die Protokollierung und die Möglichkeit, Aktionen zu begrenzen. Schnittstellen sollten als Bestandteil einer Governance-Architektur betrachtet werden, nicht nur als Integrationsschicht.

Was sich für den Umgang mit wissenschaftlichem Wissen ändern könnte

Mit Paper-Agenten verschiebt sich die Rolle wissenschaftlicher Publikationen. Ein Paper bleibt zwar ein zitierbares Dokument, wird aber um eine interaktive und potenziell ausführbare Ebene ergänzt. Die Publikation könnte damit nicht nur beschreiben, wie eine Methode funktioniert, sondern auch einen standardisierten Zugang zu ihrer Anwendung bereitstellen.

Diese Entwicklung würde die Anforderungen an wissenschaftliches Publizieren erweitern. Künftig könnte es wichtiger werden, Code, Datenmodelle, Testfälle, Versionsinformationen und maschinenlesbare Metadaten gemeinsam mit dem Text zu veröffentlichen. Eine gute Dokumentation wäre dann nicht nur für menschliche Leserinnen und Leser erforderlich, sondern auch für automatisierte Agenten.

Für Verlage, Forschungsinfrastrukturen und Bibliotheken entstehen neue Aufgaben. Sie könnten Dienste entwickeln, die Paper-Agenten katalogisieren, Versionen verwalten und ihre Qualität bewerten. Denkbar sind auch Verzeichnisse, in denen Nutzer nach Fachgebiet, Datentyp, Methode und Reproduzierbarkeitsstatus suchen.

Gleichzeitig muss die wissenschaftliche Zitierpraxis angepasst werden, wenn Ergebnisse aus einem Agenten stammen. Eine zitierfähige Nutzung sollte nachvollziehbar machen, auf welchem Paper, welchem Code, welchem Agentenstand und welcher Ausführung ein Resultat beruht. Ohne diese Angaben ist eine spätere Prüfung nur eingeschränkt möglich.

Ausblick auf agentische Forschungsökosysteme

Die Vision hinter Paper2Agent geht über einzelne Publikationen hinaus. Wenn viele Studien als interaktive Agenten verfügbar wären, könnten Forschende Methoden, Daten und Fragestellungen systematischer miteinander verbinden. Ein Sprachmodell könnte passende Paper-Agenten identifizieren und einen mehrstufigen Workflow vorschlagen.

Ein solcher Ansatz könnte die Recherche in großen wissenschaftlichen Beständen verändern. Statt ausschließlich nach Stichworten zu suchen, könnten Nutzer nach Analysefähigkeiten, Datentypen oder wissenschaftlichen Fragestellungen suchen. Die technische Anschlussfähigkeit einer Methode würde damit zu einem weiteren Kriterium neben Zitierungen, Fachgebiet und Publikationsort.

Der Weg zu einem solchen Ökosystem ist jedoch nicht allein eine Frage leistungsfähiger Modelle. Es braucht standardisierte Metadaten, verlässliche Datenzugänge, transparente Evaluierungen und Regeln für die Verantwortlichkeit. Ebenso müssen Konflikte zwischen unterschiedlichen Methoden und widersprüchlichen Studien sichtbar bleiben. Ein Agentensystem darf wissenschaftliche Kontroversen nicht durch eine scheinbar eindeutige Antwort verdecken.

Für B2B-Anwender liegt der kurzfristige Nutzen wahrscheinlich weniger in vollständig autonomen Forschungssystemen als in kontrollierten Assistenzprozessen. Unternehmen können zunächst einzelne, klar definierte Workflows automatisieren und die Ergebnisse durch Fachkräfte prüfen lassen. Dazu gehören etwa Literaturaufbereitung, methodische Vergleiche, reproduzierbare Datenvorverarbeitung oder die interne Dokumentation von Forschungsprojekten.

Mindverse kann in diesem Umfeld als AI-Partner für Text, Inhalte, Bilder und Recherche betrachtet werden. Die Entwicklung von Paper-Agenten zeigt, in welche Richtung sich wissensbasierte KI-Anwendungen bewegen: weg von isolierten Antworten und hin zu verknüpften, aufgabenorientierten Systemen. Für eine belastbare Nutzung bleiben jedoch Transparenz, Quellenbezug, Datenschutz und menschliche Kontrolle entscheidend.

Praktische Orientierung für den Einstieg

Wenn Sie den Einsatz eines Paper-Agenten prüfen möchten, empfiehlt sich ein schrittweises Vorgehen. Beginnen Sie mit einer Publikation, deren Code und Daten öffentlich zugänglich, gut dokumentiert und fachlich überschaubar sind. Ein klar abgegrenzter Anwendungsfall erleichtert die Bewertung der Ergebnisse.

Definieren Sie anschließend, welche Aufgaben der Agent übernehmen soll. Eine reine Frage-Antwort-Funktion stellt andere Anforderungen als die Ausführung einer Analyse auf Unternehmensdaten. Für jeden Arbeitsschritt sollten erwartete Eingaben, mögliche Ausgaben und Abbruchbedingungen festgelegt werden.

Vor der produktiven Nutzung sollten Sie Referenztests erstellen. Diese können bekannte Fragen, standardisierte Datensätze und erwartete Resultate enthalten. Der Agent sollte regelmäßig gegen diese Referenzen geprüft werden, insbesondere nach Änderungen an Modellen, Bibliotheken oder Datenquellen.

Ein sinnvoller Einführungsplan umfasst:

• Auswahl eines risikoarmen Pilotprojekts.
• Prüfung von Lizenzen, Datenschutz und Datenherkunft.
• Dokumentation der technischen Umgebung.
• Definition von Rollen und Freigabeprozessen.
• Aufbau einer Sammlung reproduzierbarer Testfälle.
• Einrichtung von Protokollierung und Zugriffskontrolle.
• Fachliche Bewertung der Agentenantworten.
• Regelmäßige Überprüfung von Qualität, Sicherheit und Aktualität.

Auf dieser Grundlage lässt sich beurteilen, ob ein Paper-Agent im jeweiligen Umfeld einen messbaren Vorteil bietet. Mögliche Kennzahlen sind die Zeit bis zur ersten erfolgreichen Reproduktion, die Zahl manueller Integrationsschritte, die Fehlerquote bei Standardaufgaben und die Nachvollziehbarkeit der erzeugten Ergebnisse.

Fazit

Paper2Agent steht für einen grundlegenden Wandel im Umgang mit wissenschaftlichen Publikationen. An die Stelle eines ausschließlich lesbaren Dokuments soll ein interaktives Wissenssystem treten, das Fragen beantwortet, Methoden verfügbar macht und mit anderen spezialisierten Agenten zusammenarbeiten kann.

Der Ansatz adressiert konkrete Probleme: den hohen Aufwand bei der Reproduktion von Forschungsergebnissen, die schwierige Nutzung fremder Methoden und die begrenzte Verbindung zwischen wissenschaftlichen Disziplinen. Die veröffentlichten Fallstudien zeigen, dass solche Agenten bei bestimmten Aufgaben bereits präzise Ergebnisse liefern können.

Gleichzeitig bleiben wesentliche Einschränkungen bestehen. Die Qualität eines Agenten hängt von den Ausgangsmaterialien ab. Automatisierte Tests können technische Fehler reduzieren, aber keine wissenschaftliche Wahrheit garantieren. Neue Erkenntnisse müssen unabhängig validiert werden, und sensible Daten erfordern robuste Schutzmaßnahmen.

Für Unternehmen und Forschungseinrichtungen ergibt sich daraus kein Anlass, fachliche Prüfung durch Automatisierung zu ersetzen. Vielmehr entsteht die Möglichkeit, wissenschaftliches Wissen strukturierter, zugänglicher und in klar definierten Grenzen ausführbarer zu machen. Wer Paper-Agenten einsetzen möchte, sollte deshalb nicht nur die Leistungsfähigkeit des Sprachmodells betrachten, sondern den gesamten Prozess aus Quellen, Code, Daten, Berechtigungen, Tests und menschlicher Verantwortung.

Bibliografie

1. Jiaceng Miao, Joe R. Davis, Yaohui Zhang, Jonathan K. Pritchard und James Zou: „Reimagining Research Papers as Interactive and Reliable AI Agents“, Nature, veröffentlicht am 16. September 2026. https://www.nature.com/articles/s41586-026-11044-y
2. Jiaceng Miao, Joe R. Davis, Yaohui Zhang, Jonathan K. Pritchard und James Zou: „Paper2Agent: Reimagining Research Papers As Interactive and Reliable AI Agents“, arXiv, Preprint, 8. September 2025. https://doi.org/10.48550/arXiv.2509.06917
3. Stanford Medicine: „Manuscripts-turned AI agents can now ‘talk’ to each other, make new discoveries“, 16. September 2026. https://med.stanford.edu/news/all-news/2026/09/ai-agents-talk.html
4. Kaia Glickman: „AI tool turns any paper into an ‘agent’ that can collaborate and answer complex queries“, Nature News, 16. September 2026. https://www.nature.com/articles/d41586-026-02899-2
5. Eike Kühl: „Studie als KI-Agent: Stanford-Tool macht Forschungsartikel interaktiv“, t3n, 22. September 2026. https://t3n.de/news/studie-als-ki-agent-stanford-tool-macht-forschungsartikel-interaktiv-1764493/
6. Robert Krzaczyński: „Paper2Agent Converts Scientific Papers into Interactive AI Agents“, InfoQ, 14. Oktober 2025. https://www.infoq.com/news/2025/10/paper2agent/
7. Paper2Agent auf GitHub: https://github.com/arnab-kar-101/Paper2Agent
8. Jiaceng Miao et al.: „Reimagining Research Papers As Interactive and Reliable AI Agents“, arXiv HTML-Version. https://arxiv.org/html/2509.06917v2