현재 LLM(Large Language Model) 기반의 연구 에이전트(research agents)는 에이전트 오케스트레이션(agent orchestration)을 통해 발전해 왔으나, 과학적 지식 오케스트레이션(scientific knowledge orchestration)은 대체로 간과하고 있습니다. 기존 연구들은 종종 논문을 초록(abstracts), 표면적인 언급(surface mentions), 그리고 평면적인 \texttt{cites} 엣지(edges)로 축소하여 처리하며, 과학적 추론(scientific reasoning)에 필수적인 핵심 엔티티(entities), 주장(claims), 증거(evidence), 메커니즘(mechanisms), 그리고 방법론적 계보(method lineages)를 누락합니다. 이를 위해, 우리는 원시 문서(raw documents)를 에이전트 네이티브(agent-native) 과학 지식 그래프(knowledge graphs)로 변환하는 엔드 투 엔드(end-to-end) 지식 오케스트레이션 파이프라인인 \textbf{Agents-K1}을 소개합니다. Agents-K1은 통일된 이론적 토대 아래 세 가지 구성 요소를 통합합니다: 초록뿐만 아니라 논문 전체에 걸쳐 엔티티(entities), 멀티모달 증거(multimodal evidence), 인용(citations), 그리고 유형화된 엔티티 간 관계(typed inter-entity relations)를 포착하는 5개 모듈 스키마(schema)를 가진 멀티모달 파서(multimodal parser); 규칙 기반 보상(rule-based reward) 하에 GRPO로 학습된 4B 정보 추출 백본(information-extraction backbone); 그리고 웹 검색(web search), 멀티모달 그래프 검색(multimodal graph retrieval), 교차 문서 탐색(cross-document traversal)을 통합하는 삼원 소스 에이전트 인터페이스인 graphanything CLI입니다. 이에 더해, 우리는 6개 분야에 걸친 246만 편의 과학 논문을 처리하여 \textbf{Scholar-KG}를 생성하였으며, 이 중 100만 편의 논문 서브셋(subset)을 공개하고 전체 Scholar-KG는 아래의 SCP 링크를 통해 접근할 수 있습니다. 동일한 파이프라인은 일반 도메인 코퍼스(general-domain corpora) 및 스키마 준수 데이터 합성(schema-conformant data synthesis)으로 확장될 수 있습니다. 광범위한 실험을 통해 Agents-K1이 과학적 정보 추출(scientific information extraction), 지식 그래프 구축(knowledge graph construction), 그리고 멀티홉 과학적 추론(multi-hop scientific reasoning)에서 우수한 성능을 달성함을 입증했습니다.