Paper page - Bibby AI：面向学术研究、写作与出版的编辑器原生智能平台

来源：https://huggingface.co/papers/2607.05435

摘要

Bibby AI 是一个编辑器原生平台，它将学术写作工作流整合到统一的“研究-写作-出版”管道中，通过集成工具和基于文档语法表示的操作单元，简化文献管理、引用插入和格式排版。

学术产出依赖于一个碎片化的工具链：文献发现用一款软件，参考文献管理用另一款，写作在 LaTeX 编辑器（https://huggingface.co/papers?q=LaTeX%20editor）中进行，根据会议模板手动格式化，最后通过另一个门户提交。每个工具之间的边界都会导致上下文切换、格式转换或手动复制粘贴，这些累积成本占据了研究人员大量本应用于研究的时间。我们提出 Bibby AI，这是一个编辑器原生平台，将上述工具链压缩为围绕云端 LaTeX 编辑器（https://huggingface.co/papers?q=LaTeX%20editor）构建的单一“研究-写作-出版”管道。与通过浏览器扩展附加到现有编辑器的助手不同，Bibby AI 拥有完整的文档状态（https://huggingface.co/papers?q=document%20state）、编译管道（https://huggingface.co/papers?q=compilation%20pipeline）和修订历史（https://huggingface.co/papers?q=revision%20history），从而使其操作单元能够将基于检索的引用插入（https://huggingface.co/papers?q=retrieval-grounded%20citation%20insertion）、结构化编辑（https://huggingface.co/papers?q=structural%20edits）以及符合模板的重新格式化（https://huggingface.co/papers?q=template-compliant%20reformatting）作为一流、可验证的操作而非文本建议来执行。该平台整合了：（i）将 PDF、DOCX 和手写数学公式转换为干净 LaTeX 的导入管道；（ii）一个检索层，其学术元数据（https://huggingface.co/papers?q=scholarly%20metadata）通过源自 USPTO PatentsView（https://huggingface.co/papers?q=USPTO%20PatentsView）和 Marx-Fuegi 引用语料库（https://huggingface.co/papers?q=Marx-Fuegi%20citation%20corpus）的专利-论文引用信号（https://huggingface.co/papers?q=patent-to-paper%20citation%20signals）得到增强，揭示候选参考文献的转化影响；以及（iii）面向文献筛选（https://huggingface.co/papers?q=literature%20triage）、起草（https://huggingface.co/papers?q=drafting）、修订（https://huggingface.co/papers?q=revision）和会议格式排版（https://huggingface.co/papers?q=venue%20formatting）的任务限定操作单元，它们直接作用于文档的抽象语法表示（https://huggingface.co/papers?q=abstract%20syntax%20representation）。Bibby AI 已部署在生产环境中，为超过 50 所订阅高校的 5000 多名活跃研究人员提供服务。我们将描述其架构、编辑器原生特性所带来的设计决策，以及用于评估该平台相对于碎片化基线的流程级时间节省框架。

查看 arXiv 页面（https://arxiv.org/abs/2607.05435）查看 PDF（https://arxiv.org/pdf/2607.05435）项目页面（https://trybibby.com/）GitHub0（https://github.com/BibbyAI/Bibby-Agent-Claude-Skill）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.05435）

在您的智能体中获取此论文：

hf papers read 2607\.05435

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.05435 即可从此页面链接它。

引用此论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.05435 即可从此页面链接它。

引用此论文的 Space0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.05435 即可从此页面链接它。

包含此论文的收藏集0

无收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection）即可从此页面链接它。