[Paper] PaperDebugger: Plugin-Based Multi-Agent System for 인-에디터 학술 논문 작성, 검토 및 편집

Source: arXiv - 2512.02589v1

개요

PaperDebugger는 LaTeX 편집기(예: Overleaf)를 대형 언어 모델(LLM) 에이전트를 위한 협업 작업 공간으로 전환시키는 Chrome 확장 프로그램입니다. 어시스턴트를 편집기에 직접 삽입함으로써, 저자는 문서를 떠나지 않고도 상황 인식 추론, 자동 문헌 검색, 구조화된 리뷰 등을 호출할 수 있습니다. 저자들은 이러한 긴밀한 통합이 실현 가능하며 실제 학술 논문 작성 파이프라인에 이미 유용함을 입증했습니다.

주요 기여

• 편집기 내 다중 에이전트 아키텍처 – LLM 에이전트가 편집기 내부에서 나란히 실행되며 현재 LaTeX 소스, 수정 이력, 참고문헌에 접근합니다.
• 플러그인 기반 확장성 – 가벼운 Chrome 확장 프로그램이 “플러그인”(검색, 인용 조회, 점수 매기기 등)을 로드하며, 런타임에 교체하거나 결합할 수 있습니다.
• Model Context Protocol (MCP) – 문서 패치, 버전 관리, 보안 상태를 편집기 UI와 Kubernetes 기반 오케스트레이션 레이어 간에 세밀하게 동기화하는 맞춤형 프로토콜입니다.
• 병렬 에이전트 스케줄링 – 시스템은 여러 에이전트를 동시에 실행할 수 있으며(예: 하나는 문구를 제안하고, 다른 하나는 참고문헌을 검증) 그 차이를 문서에 병합합니다.
• 실제 데모 및 분석 – 공개 데모가 엔드‑투‑엔드 편집, 리뷰, 수정 사이클을 보여주며, 초기 사용 지표는 연구자들의 활발한 참여를 확인합니다.

방법론

1. Chrome 확장 프런트‑엔드 – 확장 프로그램은 Overleaf(또는 기타 웹 기반 LaTeX 편집기)에 최소 UI를 삽입합니다. 현재 문서 스냅샷을 캡처해 WebSocket을 통해 백엔드로 전달합니다.
2. Kubernetes 오케스트레이션 – 각 LLM 요청은 컨테이너화된 에이전트를 생성합니다. 오케스트레이터는 로드 밸런싱, 스케일링, 격리를 담당해 여러 에이전트가 동시에 실행돼도 서로 방해하지 않도록 합니다.
3. Model Context Protocol (MCP) – MCP는 양방향 메시지 형식을 정의합니다:
   • 상태 동기화: editor ↔︎ agent가 전체 소스 트리와 차이 기반 패치 로그를 주고받습니다.
   • 명령 채널: UI가 “문헌 검색”, “인용 확인”, “단락 재작성”과 같은 동작을 트리거합니다.
   • 보안: 민감한 토큰과 모델 파라미터는 서버 측에 머무르고, 정제된 패치만 클라이언트로 전송됩니다.
4. 플러그인 시스템 – 플러그인은 표준 MCP 핸들러를 구현하는 작은 Python/Node 모듈입니다. 예를 들어 “Reference Lookup” 플러그인은 arXiv/Semantic Scholar를 조회하고, “Document Scorer” 플러그인은 미세 조정된 LLM을 사용해 품질 점수를 부여합니다.
5. 평가 – 저자들은 베타 그룹(≈30명, 2주)으로부터 상호작용 로그를 수집하고, 지연 시간, 편집 수용률, 설문조사를 통한 전반적 만족도를 측정했습니다.

결과 및 발견

이 수치는 편집기 내 LLM 어시스턴트가 낮은 지연 시간으로 동작하고, 고품질 제안을 제공하며, 사용자 경험을 저하시키지 않고 다수의 동시 에이전트를 확장할 수 있음을 보여줍니다.

실용적 함의

• 맥락 전환 감소 – 연구자는 외부 챗봇에 텍스트를 복사‑붙여넣을 필요가 없으며, 어시스턴트가 정확한 LaTeX 소스(매크로, 사용자 정의 명령, 참고문헌 파일 포함)에서 작업합니다.
• 자동 문헌 큐레이션 – “검색” 플러그인은 관련 논문을 찾아 BibTeX 항목을 자동 생성하고, 인용 위치까지 제안해 수시간의 수작업을 절감합니다.
• 지속적인 품질 점수 매기기 – 실시간 문서 점수는 팀이 초안 성숙도를 모니터링하도록 도와, 원고 제출 시점을 판단하기 쉽게 합니다.
• 팀 전체 협업 편집 – 시스템이 버전 차이를 추적하므로 여러 공동 저자가 동시에 에이전트를 호출하고, 오케스트레이터가 안전하게 편집을 병합합니다—대규모 연구 그룹에 이상적입니다.
• 확장 가능한 생태계 – 조직은 특정 저널에 맞춘 규정 검사와 같은 독점 플러그인을 개발해 동일 UI에 삽입할 수 있어, 작문 어시스턴트 도구의 마켓플레이스를 촉진합니다.

개발자에게는 오픈소스 레포가 준비된 Chrome 확장, Docker‑compose 호환 백엔드, 명확한 MCP 사양을 제공하므로 새로운 에이전트를 프로토타입하거나 기존 LLM 서비스를 통합하기가 용이합니다.

제한 사항 및 향후 연구

• 편집기 의존성 – 현재 웹 기반 LaTeX 편집기에만 제한되며, TeXstudio와 같은 데스크톱 도구는 지원되지 않습니다.
• LLM 비용 및 지연 시간 급증 – 무거운 모델은 응답 시간을 늘릴 수 있어, 저자들은 작업 복잡도에 따라 적응형 모델 선택을 추가할 계획입니다.
• 보안 및 프라이버시 – MCP가 데이터를 정제하지만 전체 소스 파일을 원격 서버에 전송하는 것은 기밀 연구에 대한 우려를 불러일으킬 수 있습니다; 향후 버전은 온‑프레미스 오케스트레이션을 목표로 합니다.
• 사용자 연구 규모 – 평가가 비교적 소규모 사용자 풀에 국한되었으므로, 보다 큰 다학제 연구가 필요합니다.

저자들은 플러그인 생태계 확대, 다른 과학 작문 형식(Word, Markdown) 지원, GitHub와 같은 버전 관리 플랫폼과의 긴밀한 통합을 전망하고 있습니다.

저자

• Junyi Hou
• Andre Lin Huikai
• Nuo Chen
• Yiwei Gong
• Bingsheng He

논문 정보

• arXiv ID: 2512.02589v1
• Categories: cs.AI, cs.SE
• Published: December 2, 2025
• PDF: Download PDF