AutoResearch

AutoResearch 是一套面向 AI/ML 研究人员的开源 Agent 工作流系统。它旨在解决科研过程中重复性高、易出错且难以复现的痛点。通过赋予 AI 代理“独立思考”与“自主实验”的能力，AutoResearch 能够完成从研究方向发现、实验规划、代码编写、运行调试到结果分析与独立评审的完整闭环，最终生成可用于论文写作的结构化证据包。

核心亮点：让研究可追溯、可恢复、可信赖

1. 领域交叉 Idea 生成：
   • 自动采集近期论文、社区讨论和开源趋势等外部信号。
   • 结合用户维护的本地知识库（knowledge_base/），通过多模型交叉评审（Idea Forge），生成具有创新性和可行性的研究选题。
2. 多模型独立评审机制：
   • 去幻觉：在 Idea 生成、代码审查和结果分析阶段，至少使用三个不同模型进行独立判断和交叉验证。
   • Critic & Blind Review：引入“批评者”和“盲审”角色，挑战结论的合理性，避免模型自说自话或过度解释负结果。
3. 有状态与可恢复的实验执行：
   • 所有计划、代码、日志、指标和决策均实时落盘。
   • 支持长任务中断后的断点续跑，研究者可以随时接管、复查或停止实验。
4. 允许并记录“负结果”：
   • 不强制要求每次实验都成功。如果假设被证伪，系统会保留完整的失败证据和分析报告，这本身就是宝贵的科研产出。
5. 全链路证据追踪：
   • 从 Forge 来源、知识方向到实验结果、Critic 意见，每一步都有据可查，极大降低了凭空生成和来源不明的风险。

快速开始指南

1. 环境准备

确保机器已安装 Git、Python 3.10+ 和 python3-venv。

git clone https://github.com/EvoMap/AutoResearch.git
cd AutoResearch
bash scripts/bringup.sh

bringup.sh 会创建虚拟环境、安装依赖并运行基础测试。首次运行显示 BLOCKED 是正常的，因为尚未配置 API。

2. 配置模型服务

编辑 .env 和 config/providers.local.json 文件，填入你的 API Key 和模型端点信息。AutoResearch 支持多种兼容端点，不绑定特定厂商。

test -f .env || cp .env.example .env
test -f config/providers.local.json || cp config/providers.example.json config/providers.local.json
# 编辑上述两个文件...

3. 验证连接

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

退出码为 0 表示配置成功。

两条主要使用路径

路径 A：我没有明确 Idea —— 让 AI 帮我找方向

运行 Idea 生成流程，系统将联网采集信号并与本地知识交叉，生成候选选题。

.venv/bin/python idea_generation.py

• 输出：data/idea_forge/ 下包含完整 Idea、评审结果和实验计划。
• 导出：使用 src/idea_provenance.py export 将选中的计划导出为 .txt 文件，供后续执行。

路径 B：我已有 Idea —— 直接执行实验

如果你已经有了明确的研究假设，可以直接进入执行阶段。

1. 准备执行环境：

   cd ar-runtime
   bun install --frozen-lockfile
   cd ..
   

2. 生成配置：

   test -f ar-runtime/.claude/settings.local.json || cp ar-runtime/.claude/settings.local.example.json ar-runtime/.claude/settings.local.json
   set -a; . ./.env; set +a
   .venv/bin/python scripts/render_env.py
   .venv/bin/python scripts/preflight.py --live --tools
   

3. 启动 Coordinator：

   cd ar-runtime
   claude --dangerously-skip-permissions
   # 在 Claude Code 界面中运行：
   /ar-coordinator ../data/ideas/my_experiment.txt ../data/projects/my_experiment
   

实验推进流程

一旦启动，Coordinator 将按照以下阶段自动推进：

1. 初始化与规划：固化 Idea 来源，生成详细实验计划。
2. 预实验 (Pilot)：用小规模数据或简化代码验证可行性。
3. 放大或停止：根据预实验结果决定是进入主实验、修订方案还是保留负结果结束。
4. 主实验与分析：运行正式实验，整理指标、日志和关键发现。
5. 独立评审：Critic 挑战结论，Blind Review 在无自评上下文下再次审查。
6. 收尾：满足结束条件后，输出 <promise>AUTORESEARCH_DONE</promise>。

所有中间产物均保存在 data/projects/<project_name>/ 目录下，包括代码、日志、决策记录和评审报告。

为什么选择 AutoResearch？

• 降低门槛：让独立研究者和小团队也能利用前沿信号和自动化实验能力。
• 提高透明度：每一步操作都有日志和版本记录，便于复现和协作。
• 尊重科学规律：承认负结果的价值，避免为了“成功”而扭曲数据。

AutoResearch 不仅是一个工具，更是一种新的科研工作范式。它将研究者从繁琐的代码实现和调试中解放出来，让我们能更专注于提出好问题和解读深层逻辑。