读论文最痛苦的往往不是看不懂，而是尝试复现时发现论文写得太模糊。关键超参数被埋在附录里，甚至直接被省略，导致复现时得花大量时间去“猜”作者是怎么写的，效率极低。

Agent 插件 paper2code 能直接将 ArXiv 论文转化为可运行的代码实现。

它最核心的突破在于解决了 LLM 常见的“幻觉”问题：它不会盲目地填补论文中的空白，而是主打一个“诚实”。每一行生成的代码都会标注出处（引用论文的具体章节和公式），如果论文没写，它会直接标记为 [UNSPECIFIED]，让你清楚地知道哪些是论文定义的，哪些是模型推测的。

GitHub：github.com/PrathamLearnsToCode/paper2code

主要功能：

- 引用锚定（Citation Anchoring）：代码与论文章节/公式一一对应，实现可追溯，方便快速核对；- 模糊性审计（Ambiguity Auditing）：将实现细节分为“已指定”、“部分指定”和“未指定”，拒绝盲目生成；- 深度挖掘附录：将附录、脚注和图表说明作为核心信息源，避免遗漏关键细节；- 完整项目结构：自动生成包含 src（模型/损失函数/数据）、configs（超参配置文件）和 README 的标准目录；- 教学引导笔记本：提供 walkthrough.ipynb，将“论文段落 $\rightarrow$ 对应代码 $\rightarrow$ 形状检查”形成闭环。

支持通过 npx 快速安装到 Claude Code 等 AI Agent 中，通过简单的 `/paper2code [论文链接/ID]` 即可启动。非常适合需要快速复现前沿论文、验证算法逻辑的算法工程师和研究员。

AI创造营 人工智能 机器学习 论文复现