企业官网建设流程全解析

AI-Scientist 快速上手指南：如何跑通第一个全自动科研实验

【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist

它是什么：AI-Scientist 在全自动科研里做什么 🧑‍🔬

当「提想法 → 跑实验 → 写论文」这条链路可以压缩成一条启动命令时，你要做的不再是逐行写实验代码，而是选模板、配密钥、验收交付的 PDF。The AI Scientist（AI-Scientist）就是一个由大语言模型驱动的全自动科学发现系统：它替你生成研究想法、修改并执行实验脚本、用 LaTeX 写出论文，最后再让 LLM 以审稿人身份打分。系统内置三大官方模板——NanoGPT（Transformer 下一词元预测）、2D Diffusion（低维数据的扩散生成）和 Grokking（深度网络的突然泛化），入口统一在 launch_scientist.py，核心逻辑分布在 ai_scientist/ 的generate_ideas.py、perform_experiments.py、perform_writeup.py等模块中。

选择你的部署路径：三种方案按背景自选

快速起步：5 行命令内完成安装

最简路径是克隆仓库、建一个 Python 3.11 的 Conda 环境并装上 requirements.txt 里的依赖：

git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python=3.11 && conda activate ai_scientist pip install -r requirements.txt

注意：实验依赖 NVIDIA GPU（CUDA + PyTorch），纯 CPU 机器上模板跑不完，这点在仓库 README 中有明确说明。

容器化部署：一个镜像打包依赖与基线

如果你不想在本机装 texlive 这类重型依赖，可以用仓库自带的 Dockerfile 构建镜像。镜像基于 python:3.11，已预装 texlive-full 并跑好了三个模板的基线run_0：

docker build -t ai-scientist -f experimental/Dockerfile . docker run -e OPENAI_API_KEY=$OPENAI_API_KEY ai-scientist --experiment grokking --num-ideas 2

镜像的 entrypoint 直接调用launch_scientist.py，所以第二条命令就是完整的一次实验。

完整配置：补上 LaTeX 与模板依赖

在宿主机上跑完整流程，还需补两类依赖：论文编译需要pdflatex和chktex（来自 texlive-full），grokking 模板需要einops，2D Diffusion 模板需要scikit-learn（外加 NPEET 库）：

sudo apt-get install texlive-full pip install einops scikit-learn

texlive-full安装耗时较长属正常现象；装完后launch_scientist.py会在启动前自动检查pdflatex/chktex是否可用。

选一个模板跑第一个实验：三大模板对比与启动命令

先按你的场景挑模板。三个官方模板的数据需求和运行入口各不相同，对比如下：

新手推荐从 grokking 起步：数据自包含、依赖最少。启动顺序是「先在本机跑基线 run_0（不同硬件的运行时间对比才准确），再启动 AI-Scientist 本体」：

cd templates/grokking && python experiment.py --out_dir run_0 && python plot.py cd ../.. && python launch_scientist.py --experiment grokking --num-ideas 2

跑之前先给要用的模型配置密钥，OpenAI / Claude / DeepSeek 三选一（ai_scientist/llm.py 里可见完整支持列表）：

export OPENAI_API_KEY="你的密钥" export ANTHROPIC_API_KEY="你的密钥" export DEEPSEEK_API_KEY="你的密钥"

--num-ideas 2表示只生成并执行 2 个想法（默认 50），首次跑通全流程足够。

看结果：如何读实验图表、曲线与生成样本 📈

实验结束后，每个想法的产物都落在results/<模板名>/<时间戳>_<想法名>/目录下。优先看四个文件：notes.txt记录了 run_0 基线与后续各 run 的指标对比；run_0到run_N里的final_info.json存着各项指标的均值；review.txt是 LLM 审稿结果，包含 1~10 的 Overall 分数与 Accept/Reject 决定；同名的.pdf则是写好的论文。判断想法是否有效，核心动作是拿 run_1 之后的曲线去对比 run_0 基线。

grokking 模板的图重点看泛化跃迁：下面这张验证准确率对比图中，横轴是训练步数，x_plus_y、x_minus_y等四条任务曲线在训练准确率爬升后，验证准确率会同步跳升到接近 99%——这个「突然变好」的拐点就是 grokking 现象，也是论文结论的主要依据。

2D Diffusion 模板则用肉眼验收：生成样本图展示模型在低维数据上采样的点云分布，与真实数据集形状越贴合，说明分布捕捉得越好；配套的train_loss.png类曲线用于确认训练本身收敛。

调优与排障：控成本、开并行、解决常见报错 🛠️

调优时抓住三个参数就够：

• --num-ideas：想法数量，默认 50。首次建议 2~3 个验证流程，确认稳定后再放大。
• --parallel与--gpus：多卡环境用--parallel 2 --gpus "0,1"让每张 GPU 领一个想法；GPU 数不够时会自动降回可用卡数。
• --model：决定成本与成功率。官方 FAQ 给出参考值——Claude Sonnet 3.5 下每篇论文通常不足 15 美元，DeepSeek Coder V2 更省钱；审稿环节建议用 GPT-4o 以获得更稳定的输出格式。

常见报错按「症状 → 解决方案」自查：

一条launch_scientist.py命令就能让 AI-Scientist 自主走完「想法 → 实验 → LaTeX 论文 → LLM 审稿」四个环节，交付物是带审稿意见的 PDF 论文。如果你有自研方向，可以照着templates/下experiment.py+plot.py+prompt.json的格式再扩一个自己的模板。现在就去配好密钥，选 grokking 模板，跑通你的第一个想法吧。

【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist