AutoResearchClaw

AutoResearchClaw 是一款革命性的开源科研自动化框架，基于 OpenClaw 构建。它彻底改变了传统科研流程，让用户只需输入一个研究灵感（如“研究 X”），即可全自动完成从文献调研、假设生成、代码实验、数据分析到论文撰写的全过程，最终交付一篇符合 NeurIPS/ICML/ICLR 等顶会标准的完整学术论文。

只需与 OpenClaw 对话：“研究 X”，剩下的交给系统

pip install -e . && researchclaw setup && researchclaw init && \
researchclaw run --topic "Your research idea here" --auto-approve

这是什么？

你提供一个灵感，AutoResearchClaw 将其转化为完整的学术成果。

输入一个研究主题，系统将自动输出一篇结构严谨的学术论文。它不仅仅是文本生成，更是一个具备真实文献检索、硬件感知沙箱实验、统计分析、多 Agent 同行评审以及顶会级 LaTeX 排版能力的完整科研智能体。

• 无需时刻盯着屏幕
• 无需手动复制粘贴数据
• 杜绝幻觉引用与伪造数据

交付物清单

运行结束后，你将在 deliverables/ 文件夹中获得所有可立即使用的成果：

全流程端到端自动化： 实验失败自动修复，假设不成立自主转向，发现引用造假自动剔除。

快速开始

1. 克隆与安装

git clone https://github.com/aiming-lab/AutoResearchClaw.git  
cd AutoResearchClaw
python3 -m venv .venv && source .venv/bin/activate
pip install -e .

2. 初始化环境

交互式安装 OpenCode Beast Mode，自动检查 Docker 与 LaTeX 环境依赖。

researchclaw setup

3. 配置项目

交互式选择 LLM 提供商并生成配置文件，或手动复制示例配置。

researchclaw init          
# 或手动：cp config.researchclaw.example.yaml config.arc.yaml

4. 启动研究

export OPENAI_API_KEY="sk-..."
researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve

输出路径： artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/
此处包含所有可编译的 LaTeX 文件、BibTeX 库、实验代码及图表。

⚙️ 最小必要配置 (config.arc.yaml)

project:
  name: "my-research"

research:
  topic: "Your research topic here"

llm:
  base_url: "https://api.openai.com/v1"
  api_key_env: "OPENAI_API_KEY"
  primary_model: "gpt-4o"
  fallback_models: ["gpt-4o-mini"]

experiment:
  mode: "sandbox"
  sandbox:
    python_path: ".venv/bin/python"

核心差异化能力

AutoResearchClaw 并非简单的文本生成器，它内置了复杂的科研逻辑引擎：

深度集成 OpenClaw

AutoResearchClaw 是 OpenClaw 兼容服务。既可作为独立 CLI 工具运行，也可无缝嵌入 OpenClaw 生态，实现“一句话科研”。

🚀 推荐用法：通过 OpenClaw 调用

如果你已在使用 OpenClaw 作为 AI 助手：

1. 将 GitHub 仓库地址分享给 OpenClaw。
2. OpenClaw 自动读取 RESEARCHCLAW_AGENTS.md，理解流水线编排逻辑。
3. 直接指令：“帮我研究 [你的主题]”。
4. 完成 — OpenClaw 自动执行克隆、安装、配置、运行，并返回最终论文。

底层流程透明化：

• OpenClaw 解析 Agent 角色与流水线结构。
• 自动复制并配置 config.yaml。
• 调用 LLM API（支持环境变量或交互式输入）。
• 执行 pip install 与 researchclaw run。
• 交付论文、LaTeX 源码及实验数据。

🔌 OpenClaw Bridge 高级扩展

内置 Bridge 适配器系统，通过配置文件即可激活 6 种集成能力，无需修改代码：

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ 定时研究任务
  use_message: true           # 💬 进度通知 (Discord/Slack/Telegram)
  use_memory: true            # 🧠 跨会话知识持久化
  use_sessions_spawn: true    # 🔀 为并行阶段派生子会话
  use_web_fetch: true         # 🌐 文献检索中的实时网络搜索
  use_browser: false          # 🖥️ 基于浏览器的深度论文采集

每个标志激活一个类型化适配器协议。当 OpenClaw 提供对应能力时，适配器自动消费，实现功能无缝扩展。

🔌 灵活的后端支持：ACP (Agent Client Protocol)

AutoResearchClaw 支持使用任何 ACP 兼容的编码 Agent 作为 LLM 后端，无需配置 API Key。Agent 通过 acpx 通信，在全部 23 个流水线阶段中维持单个持久会话。

配置示例：

# config.yaml
llm:
  provider: "acp"
  acp:
    agent: "claude"   # 任意 ACP 兼容命令
    cwd: "."          # 工作目录
  # 无需 base_url 或 api_key，Agent 自行处理认证

运行方式多样化：

• 独立 CLI: researchclaw run --topic "..." --auto-approve
• Python API: from researchclaw.pipeline import Runner; Runner(config).run()
• Claude Code/Copilot: 读取上下文文件后直接自然语言交互。
• 任意 AI CLI: 提供 RESEARCHCLAW_AGENTS.md 作为上下文，自动引导执行。

🔬 23 阶段科研流水线详解

整个流程被拆解为 8 个阶段组，共 23 个精细步骤，确保科研严谨性。

流程全景图

• 阶段组 A：研究定义
  • 1. TOPIC_INIT: 主题初始化
  • 2. PROBLEM_DECOMPOSE: 问题树分解
  • (+) 硬件检测: 自动识别 GPU (NVIDIA CUDA / Apple MPS) 或 CPU，动态调整代码策略。
• 阶段组 B：文献发现
  • 3. SEARCH_STRATEGY: 搜索策略制定
  • 4. LITERATURE_COLLECT: 真实 API 多源采集 (OpenAlex → Semantic Scholar → arXiv)
  • 5. LITERATURE_SCREEN: [门控] 相关性筛选
  • 6. KNOWLEDGE_EXTRACT: 知识卡片提取
• 阶段组 C：知识综合
  • 7. SYNTHESIS: 研究发现聚类
  • 8. HYPOTHESIS_GEN: 多 Agent 辩论 生成可验证假设
• 阶段组 D：实验设计
  • 9. EXPERIMENT_DESIGN: [门控] 方案设计
  • 10. CODE_GENERATION: 硬件感知代码生成
  • 11. RESOURCE_PLANNING: 资源需求估算
• 阶段组 E：实验执行
  • 12. EXPERIMENT_RUN: 沙箱执行
  • 13. ITERATIVE_REFINE: 自修复 循环 (检测 NaN/Inf，定向修复)
• 阶段组 F：分析与决策
  • 14. RESULT_ANALYSIS: 多 Agent 结果分析
  • 15. RESEARCH_DECISION: PIVOT/REFINE 自主决策点
• 阶段组 G：论文撰写
  • 16. PAPER_OUTLINE: 大纲构建
  • 17. PAPER_DRAFT: 分段撰写 (5,000-6,500 词)
  • 18. PEER_REVIEW: 证据审查 同行评审
  • 19. PAPER_REVISION: 带长度保障的修订
• 阶段组 H：终稿发布
  • 20. QUALITY_GATE: [门控] 最终质量验收
  • 21. KNOWLEDGE_ARCHIVE: 知识归档
  • 22. EXPORT_PUBLISH: LaTeX 导出 (顶会模板)
  • 23. CITATION_VERIFY: 相关性审查 与幻觉清洗

注： 门控阶段（5、9、20）默认暂停等待人工审批，可通过 --auto-approve 跳过。若审批拒绝，流水线自动回滚。
决策循环： 第 15 阶段可根据结果触发 REFINE (返回第 13 阶段) 或 PIVOT (返回第 8 阶段)，并自动版本化旧产物。

✨ 关键功能亮点

• 📚 多源真实文献： 集成 OpenAlex、Semantic Scholar 和 arXiv API，具备查询扩展、去重及三态熔断器机制，优雅降级，确保文献真实性。
• 🔍 四层引用核查： arXiv ID → CrossRef/DataCite DOI → Semantic Scholar 标题 → LLM 相关性评分。发现幻觉引用自动删除，确保学术诚信。
• 🖥️ 硬件感知执行： 自动检测本地算力（NVIDIA/Apple/CPU），据此动态调整依赖包、Import 语句及实验规模，最大化资源利用率。
• 🦾 OpenCode Beast Mode： 复杂实验自动路由至 OpenCode，生成包含自定义架构、训练循环和消融实验的多文件项目。
• 🧪 沙箱实验环境： 基于 AST 的代码验证、不可变 Harness、NaN/Inf 快速失败机制、自修复循环（最多 10 轮）及部分结果捕获。
• 📝 顶会级写作标准： 原生支持 NeurIPS/ICML/ICLR 模板，分段撰写长文，内置反数据捏造守卫与修订长度保障。
• 📐 模板灵活切换： 支持 neurips_2025, iclr_2026, icml_2026 等模板，完美处理数学公式、表格、图片交叉引用及 \cite{}。
• 🚦 严格质量门控： 设置 3 个人工审批节点，支持全流程回滚，确保关键决策可控。

🧠 MetaClaw 集成：让系统越用越聪明

AutoResearchClaw + MetaClaw = 具备记忆与进化能力的科研流水线。

启用 MetaClaw 后，系统能将每次运行的失败与警告转化为可复用的“技能”，并在后续任务中自动注入，实现跨运行的知识迁移。

工作原理

1. 运行 N 执行 → 捕获失败/警告为 Lessons。
2. 转化 → MetaClaw 将 Lesson 转换为 Skill。
3. 存储 → arc-* 技能文件存入 ~/.metaclaw/skills/。
4. 运行 N+1 → build_overlay() 将技能注入每个 LLM 提示。
5. 结果 → LLM 规避已知陷阱，重试率降低，产出质量提升。

快速配置

# config.arc.yaml
metaclaw_bridge:
  enabled: true
  proxy_url: "http://localhost:30000"        # MetaClaw 代理 (可选)
  skills_dir: "~/.metaclaw/skills"          # 技能存储位置
  lesson_to_skill:
    enabled: true
    min_severity: "warning"                 # 转换 warning 及以上级别
    max_skills_per_run: 3

📊 实测效果 (A/B 测试)

在相同主题、模型与配置下的对照实验显示：

> 综合鲁棒性得分由阶段完成率 (40%)、重试减少 (30%) 和 Refine 效率 (30%) 加权计算。

向后兼容性保证：

• 默认关闭： 若未配置 metaclaw_bridge，行为与旧版本完全一致。
• 无新依赖： MetaClaw 为可选组件，核心流水线独立运行不受影响。
• 测试通过： 所有 1,634 项现有测试（含集成代码）均通过验证。