企业官网建设流程全解析

终极开源AI研究Agent AutoResearch：从研究Idea到论文就绪证据的完整指南

【免费下载链接】AutoResearchAI/ML research agents from idea to paper-ready evidence. An EvoMap open-source project.项目地址: https://gitcode.com/gh_mirrors/autore/AutoResearch

AutoResearch 是一个开源 AI 研究 Agent工作流：给它一份研究 Idea（或让它自己从近期论文、开发者社区与开源趋势中寻找方向），它会自动完成实验规划、编码、审查、运行、结果分析与独立评审，最终产出一份可直接用于论文写作的"论文就绪证据"包。整个流程有状态、可恢复，长任务中断后可以接着跑。本指南将带你三步上手这个 AI 研究 Agent。

📌 一句话核心理念：Insight In, Hallucination Out—— 用真实研究信号约束问题发现，用多模型交叉评审防止"模型自己给自己打分"，负结果也可以作为合法终态保留证据。

一、为什么你需要一个 AI 研究 Agent？

对研究者来说，最耗时的往往不是 Idea 本身，而是这三件事：

• 发现问题：海量新论文中，怎么找到值得做的方向？
• 实验管理：规划、编码、运行、日志、分析，任何一步缺失结果都不可用；
• 自评估偏差：让单个模型"自己出题自己批"，自评虚高几乎是必然。

AutoResearch 的 6 项核心能力正是对症下药：

二、一键安装步骤：克隆仓库并初始化环境

环境要求很低：一台 Linux/SSH 机器 + Python 3.10+ 即可：

git clone https://gitcode.com/gh_mirrors/autore/AutoResearch cd AutoResearch bash scripts/bringup.sh

scripts/bringup.sh 会自动创建虚拟环境、安装依赖、运行基础测试与密钥扫描，并检查模型配置——全程不向模型服务发请求、不产生任何 API 费用。

💡 提示：首次运行还没填 API Key 时，最终显示BLOCKED或非零退出是正常现象，只表示环境就绪，接下来补齐凭证即可。

三、最快配置方法：模型服务三步接入

第 1 步，创建本地配置（已有文件时不会覆盖）：

test -f .env || cp .env.example .env test -f config/providers.local.json || \ cp config/providers.example.json config/providers.local.json

第 2 步，编辑两个文件：

• .env：存放 API 地址、Key 等本机私密值（严禁提交到 Git）；
• config/providers.local.json（模板见 config/providers.example.json）：声明 endpoint、模型代称，以及每个角色使用哪些模型。

⚠️ 注意：AutoResearch不要求固定的 Gemini + GPT + Claude 组合，任意兼容端点都可以；同一端点也可以承载多个不同模型。

第 3 步，实测预检：

set -a; . ./.env; set +a .venv/bin/python scripts/preflight.py --live

退出码为0说明所有角色都有可用模型，且多模型环节满足独立性要求。完整配置字段说明见 docs/unified_provider_config.md 与 docs/llm_provider_setup.md。

四、Idea 生成流程：从研究信号到实验计划

如果你还没有明确 Idea，推荐走这条路径。

4.1 三步"领域交叉"法

1. 采集：从 arXiv、HuggingFace Daily Papers、GitHub Trending、Hacker News、OpenReview 等 11 个公开渠道收集近期研究信号；
2. 筛选：聚合、跨天去重、模型初筛与深入研判；
3. 交叉：入选信号与 knowledge_base/ 中的本地知识方向组合，由 3 个以上模型独立构思、交叉评审，最终生成实验计划。

内置知识方向可以这样列出或按关键词过滤：

.venv/bin/python src/idea_forge/b_library.py agent

想新增自己的知识方向，复制 knowledge_base/TEMPLATE.md，按模板写清问题、约束、基线与常见误区即可。知识库看板由 src/generate_kb_dashboard.py 生成，效果如下：

该看板展示每个领域方向对应的知识文档、大小与章节数。仓库附带的是合成示例方向，请替换为自己的真实领域知识。

4.2 运行流水线并选择 Idea

.venv/bin/python idea_generation.py

主要产出：

🔄 如果之前已采集过种子，可用 run_pending_forge.py 直接补跑 Forge，无需重新联网采集。

Idea 生成不会自动替你挑选最终计划。用 src/idea_provenance.py 列出可执行计划并导出到你选中的 Idea 文件，导出时自动写入 Forge 文件校验和、种子序号、计划序号与知识方向——每个实验结果从此都可溯源。

五、已有 Idea 直接执行：从研究想法到论文证据

如果研究假设已经就绪，把它写进一个文本文件（至少描述假设、可用数据、成功指标、算力与时间约束），放到data/ideas/下即可开始。

执行运行时位于 ar-runtime/ 目录，推进顺序为：

Idea → 计划 → 计划评审 → 编码 → 代码评审 →Pilot 预实验→ 放大或停止 → 主实验 → 结果分析 →Critic 独立评审→ 盲审 → 关闭

其中两个设计点尤其值得新手注意：

• 先 Pilot 再放大：预实验失败就及时止损，省下宝贵的 GPU 时间与费用；
• 接受负结果：只要运行证据完整、分析可信，负结果同样是合法终态。

状态机与恢复细节见 ar-runtime/ar-coordinator-startup-flow.md。

5.1 启动 Coordinator

⚠️ 安全提醒：执行环境应当隔离且可丢弃，不要挂载宿主机 home 目录、SSH agent 或云凭证。

cd ar-runtime claude --dangerously-skip-permissions

在 Claude Code 内输入：

/ar-coordinator ../data/ideas/my_experiment.txt ../data/projects/my_experiment

非交互场景请使用 ar-runtime/scripts/ar-supervisor.sh：它管理超时、重启预算与进程组回收，并为每次 attempt 保存独立 manifest，失败记录不会被后续成功覆盖。

5.2 监控项目进度

项目全过程落盘在data/projects/<项目名>/下：plan.md（实验计划）、code/（实验代码）、results/（日志与指标）、decisions.log（追加式决策日志），以及 Critic 与盲审文件。项目监控看板由 src/generate_project_dashboard.py 生成：

从面板可以直观看到每个工作单元（Initialize → Plan → Implement → Code review → Fix issues → Run experiment → Analyze results → External review → Close）的完成状态、评审门禁结果，以及独立 Critic 主副评审的健康度与置信度。

🎯 GPU 刚就绪时，建议先跑内置的冒烟测试 examples/idea_gpu_smoke.txt，确认执行链路真正用上了 GPU，把"环境问题"与"Idea 问题"分开排查。

六、多模型角色配置：谁用什么模型？

AutoResearch 只有一个模型配置入口：config/providers.local.json。Python 流水线、预检、Claude Code 投影与 reviewer/critic 全部读取同一组角色定义。角色分三大组：

简化的角色映射示例：

{ "roles": { "screener": {"models": ["fast-model"]}, "judge": {"models": ["strong-model"]}, "ideator": {"models": ["strong-model-a", "strong-model-b", "strong-model-c"]}, "planner": {"models": ["strong-model-a"]}, "agent": {"models": ["strong-model-a"]}, "code_reviewer": {"models": ["strong-model-b"]}, "critic": {"models": ["strong-model-c"]} } }

注意：独立性按实际模型身份计数——两个代称解析到同一底层模型只算一个模型，不同模型则可以共用一个端点。

七、新手避坑 FAQ

Q：必须同时用 Gemini、GPT 和 Claude 吗？不需要。普通角色可以共用同一个模型，只有 Idea Forge（≥3 个不同模型）与两个启用的 Critic 角色（互不相同）有独立性要求，且它们可以来自同一个提供商或同一个兼容端点。

Q：没有 GPU 能用吗？可以。Idea 生成流程在 CPU 机器上就能跑；执行阶段是否需要 GPU 取决于实验本身，而流程天生以 Pilot 预实验开场，资源不匹配会被尽早发现。

Q：某个采集渠道返回 403 怎么办？外部站点可能有地域、频率或出口 IP 限制。某个渠道失败时，流水线会记录失败、跳过该渠道并继续处理其他来源，不会把缺失伪装成成功。

Q：为什么 Idea 生成很慢？调用量随种子数、知识方向数与模型席位数增长，交叉评审还会再次调用每个席位。建议先用小集合知识方向 + 默认并发验证流程，稳定后再放大。

八、延伸阅读清单

• 完整文档：README_CN.md / README.md
• 架构与数据流：ARCHITECTURE.md
• 统一模型配置详解：docs/unified_provider_config.md
• 模型提供商接入与验证：docs/llm_provider_setup.md
• 知识库模板：knowledge_base/TEMPLATE.md

AutoResearch 不保证每个结论都正确，但它保留了研究者复查所需的全部证据与状态——这正是一个靠谱的 AI 研究 Agent 最该做到的事。

【免费下载链接】AutoResearchAI/ML research agents from idea to paper-ready evidence. An EvoMap open-source project.项目地址: https://gitcode.com/gh_mirrors/autore/AutoResearch