AI Agents for Academic Workflow
Google Research 在 2026-04-08 提出兩個用來支援學術研究流程的 AI agents：PaperVizAgent 與 ScholarPeer。這篇文章的重點不是單一模型能力，而是把學術工作拆成可驗證的工作流：畫圖、檢查、修正、再檢查。
PaperVizAgent
PaperVizAgent 是一個用來產生 publication-ready figures 的多 agent framework。輸入是 source context 與 communicative intent，也就是論文方法段落與圖要傳達的意圖。系統內部包含五個角色：retriever、planner、stylist、visualizer、critic。
這個設計和 loop-engineering 很像：不是一次性生成一張圖，而是讓 critic 把不一致處抓出來，再把 feedback 回送給 visualizer 做 iterative refinement。
ScholarPeer
ScholarPeer 是另一個多 agent framework，目標是自動化並強化 peer review。它走的是 dual-stream 流程：一邊做 context acquisition，一邊做 active verification。
系統會用 sub-domain historian agent 建立領域脈絡，再用 baseline scout 找漏掉的資料集或比較基線，最後交給 multi-aspect Q&A engine 驗證技術主張。這種做法和 agent-trace-observability、empirical-research-assistance 的精神一致：把研究流程顯式化，才能持續校準。
Paper Assistant Tool (PAT)
Google Research 後續在 STOC 2026 pilot 中測試 Paper Assistant Tool (PAT)，把 Gemini 2.5 Deep Think 的 inference scaling 用在理論電腦科學論文的 pre-submission review。PAT 不取代正式 peer review，而是在投稿前 24 小時內回傳結構化意見：貢獻摘要、潛在錯誤／改進、定理或 lemma 層級問題，以及 typo / notation 修正。
這個案例補強了 eval-is-spec 與 agent-trace-observability 的交界：高風險學術工作流需要讓 AI 輸出成為可檢查的驗證起點，而不是最終裁決。實驗中作者回報 PAT 能抓到計算錯誤、錯用不等式與 proof gap；但使用者仍需是領域專家，能把 hallucination 與有效訊號分開。
Chain-of-Evidence 與研究產物驗證
Google Research 2026-07-30 提出的 Chain-of-Evidence（CoE）把研究 agent 的驗證焦點從「能不能產生論文」推到「每個 claim 是否能回到真實證據」。Science One Framework 在 citation grounding、平行探索、evaluator record 與 claim verifier 中建構 evidence chain，CoE Audit 再獨立檢查 score、specification violation、reference 與 method-code alignment。這是 chain-of-evidence-autonomous-research 對學術 workflow cluster 的延伸：PaperVizAgent / ScholarPeer 強調工作流內的迭代檢查，CoE 則把研究 artifact 的完整性與可重現性變成一級架構約束。
為什麼重要
這組來源不是單純的 demo。它把 AI 的角色從寫作助手推進到研究流程中的協作者，涵蓋圖表產生、審稿輔助與投稿前 proof checking 等高成本環節。對 AI Ark 來說，這補強了 google-research-blog 在 workflow automation 與 research loop 上的證據鏈，也和 aiark-loop-engineering 的 watch / ingest / verify / synthesize 閉環直接相連。