AI-Scientist 自动化科研发现实战4 步把一个想法变成完整论文【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科研常卡在中间的手工活想点子、查文献、写代码、跑实验、改稿子。AI-Scientist 自动化科研发现系统把这条链路端到端自动化由大语言模型提出研究想法自动编写并运行实验代码产出结果图用 LaTeX 编译论文再按评审格式自评一遍。本文按仓库里的真实命令讲清楚如何跑起来。AI-Scientist 自动化科研发现流程动画想法生成、实验执行、论文撰写与评审四个环节先看 AI-Scientist 能替你做什么一句话定义这是一个端到端的自动化科研系统你给它一个研究领域模板它独立完成想法→实验→论文。想法有据可查基于模板里的种子想法生成候选并通过 Semantic Scholar学术文献检索 API或 OpenAlex 做新颖性检查实验自己跑系统自动修改实验脚本最多执行 5 轮实验每轮结果存进独立的run_i文件夹出图出稿自动调用绘图脚本生成曲线图再填充 LaTeX 模板编译成 PDF并自动收集引用自带评审由 GPT-4o 集成评审输出 1–10 的总分、弱点列表和 Accept/Reject 结论下一步先对照下面的系统要求确认你的机器是否达标。3 条命令装好 AI-Scientist 并启动第一次运行官方 README 给出的环境要求Linux 系统 NVIDIA GPUCUDA PyTorch纯 CPU 机器跑现有模板耗时不可行Python 3.11官方建议用 conda 创建环境LaTeX 环境pdflatex推荐texlive-full安装较慢至少一个 LLM API Key如OPENAI_API_KEY、ANTHROPIC_API_KEY文献检索可选S2_API_KEY启动前先完成所选模板的数据准备与run_0基线运行数据脚本在data/目录下git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist pip install -r requirements.txt python launch_scientist.py --model claude-3-5-sonnet-20240620 --experiment nanoGPT_lite --num-ideas 2说明--num-ideas 2是最小的试验批量多卡机器加--parallel N可并行。下一步确认对应模板的基线run_0文件夹已生成再启动正式运行。核心流程拆解想法到成文的 4 个编号步骤生成想法系统读取模板中的prompt.json模板说明和seed_ideas.json种子想法生成一批候选想法写入ideas.json新颖性筛查逐条检索相关论文给每个想法标记是否新颖只保留新颖的进入下一环自动实验为每个想法创建带时间戳的独立文件夹编码代理修改experiment.py后按run_1run_5顺序执行实验结束后运行plot.py出图成文与评审填充template.tex编译 PDF、收集引用最后生成review.txt总分、弱点、决定加--improvement参数可让系统按评审意见修改后重新评审以上环节的源码集中在 ai_scientist/ 包主入口是launch_scientist.py。下面是系统自动产出的两类典型图表示例论文自适应双尺度去噪中自动生成的权重演化分析展示不同数据集上各权重随训练步数的变化数据增强加速 Grokking示例中自动生成的最终验证精度对比图下一步运行结束后打开想法文件夹先看log.txt和notes.txt了解每一步发生了什么。一次完整运行的节奏每个阶段你会得到什么官方演示口径下想法→实验→成文→评审一轮约 72 小时实际时长取决于想法数量与机器用--num-ideas 2可先跑一次小批量试水。想法阶段得到ideas.json含候选想法与新颖性标记实验阶段得到run_1run_5结果文件夹、每轮代码快照run_i.py、运行日志log.txt分析阶段得到训练损失、精度等结果图PNG成文阶段得到 LaTeX 源码、论文 PDF 和review.txt总分、弱点、Accept/Reject下一步把某次运行的 PDF 和review.txt对照读一遍校准你对系统输出质量的预期。进阶定制扩展自己研究领域的 5 个入口新增领域照抄现有模板结构保留experiment.py、plot.py、prompt.json、seed_ideas.json、latex/template.tex五个文件文件名与输出 JSON 格式对上即可运行现成模板官方 3 个nanoGPT、2d_diffusion、grokking 社区 6 个seir 传染病、mobilenetV3、sketch_rnn、MACE 量子化学、earthquake-prediction、tensorf都在 templates/切换投稿格式改各模板下的template.tex即可换文献引擎没有 Semantic Scholar Key 时加--engine openalex用免 Key 的 OpenAlex容器隔离系统会执行 LLM 生成的代码官方建议用experimental/Dockerfile的社区镜像做容器化并限制网络访问下一步挑一个模板先手动跑通它的run_0基线再让系统接管。常见问题新手最容易问的 3 个问题为什么报错、或没生成 PDF单篇成功率取决于模板、基础模型与想法本身。官方建议实验用 Claude Sonnet 3.5、评审用 GPT-4o先检查模板 setup 与run_0基线是否完整。一个想法大概花多少钱官方 FAQ 称用 Claude Sonnet 3.5 时单篇通常低于 15 美元DeepSeek Coder V2 是更省的选择。CPU 或非 Linux 能跑吗README 明确面向 Linux NVIDIA GPU 设计其他系统需要较大改动纯 CPU 耗时基本不可行。下一步运行前通读 README 的 Requirements 与 FAQ 两节能避开大部分坑。资源索引文档、示例与反馈入口项目文档docs/示例论文与完整运行产物example_papers/含 10 篇示例 PDF 及各次运行的图表反馈渠道通过项目仓库的 issue 提交常见问题可先查 README 的 FAQ 一节下一步从example_papers/里挑一篇 PDF 完整读一遍这是判断该系统强项与弱项最快的方式。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI-Scientist 自动化科研发现实战：4 步把一个想法变成完整论文
AI-Scientist 自动化科研发现实战4 步把一个想法变成完整论文【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科研常卡在中间的手工活想点子、查文献、写代码、跑实验、改稿子。AI-Scientist 自动化科研发现系统把这条链路端到端自动化由大语言模型提出研究想法自动编写并运行实验代码产出结果图用 LaTeX 编译论文再按评审格式自评一遍。本文按仓库里的真实命令讲清楚如何跑起来。AI-Scientist 自动化科研发现流程动画想法生成、实验执行、论文撰写与评审四个环节先看 AI-Scientist 能替你做什么一句话定义这是一个端到端的自动化科研系统你给它一个研究领域模板它独立完成想法→实验→论文。想法有据可查基于模板里的种子想法生成候选并通过 Semantic Scholar学术文献检索 API或 OpenAlex 做新颖性检查实验自己跑系统自动修改实验脚本最多执行 5 轮实验每轮结果存进独立的run_i文件夹出图出稿自动调用绘图脚本生成曲线图再填充 LaTeX 模板编译成 PDF并自动收集引用自带评审由 GPT-4o 集成评审输出 1–10 的总分、弱点列表和 Accept/Reject 结论下一步先对照下面的系统要求确认你的机器是否达标。3 条命令装好 AI-Scientist 并启动第一次运行官方 README 给出的环境要求Linux 系统 NVIDIA GPUCUDA PyTorch纯 CPU 机器跑现有模板耗时不可行Python 3.11官方建议用 conda 创建环境LaTeX 环境pdflatex推荐texlive-full安装较慢至少一个 LLM API Key如OPENAI_API_KEY、ANTHROPIC_API_KEY文献检索可选S2_API_KEY启动前先完成所选模板的数据准备与run_0基线运行数据脚本在data/目录下git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist pip install -r requirements.txt python launch_scientist.py --model claude-3-5-sonnet-20240620 --experiment nanoGPT_lite --num-ideas 2说明--num-ideas 2是最小的试验批量多卡机器加--parallel N可并行。下一步确认对应模板的基线run_0文件夹已生成再启动正式运行。核心流程拆解想法到成文的 4 个编号步骤生成想法系统读取模板中的prompt.json模板说明和seed_ideas.json种子想法生成一批候选想法写入ideas.json新颖性筛查逐条检索相关论文给每个想法标记是否新颖只保留新颖的进入下一环自动实验为每个想法创建带时间戳的独立文件夹编码代理修改experiment.py后按run_1run_5顺序执行实验结束后运行plot.py出图成文与评审填充template.tex编译 PDF、收集引用最后生成review.txt总分、弱点、决定加--improvement参数可让系统按评审意见修改后重新评审以上环节的源码集中在 ai_scientist/ 包主入口是launch_scientist.py。下面是系统自动产出的两类典型图表示例论文自适应双尺度去噪中自动生成的权重演化分析展示不同数据集上各权重随训练步数的变化数据增强加速 Grokking示例中自动生成的最终验证精度对比图下一步运行结束后打开想法文件夹先看log.txt和notes.txt了解每一步发生了什么。一次完整运行的节奏每个阶段你会得到什么官方演示口径下想法→实验→成文→评审一轮约 72 小时实际时长取决于想法数量与机器用--num-ideas 2可先跑一次小批量试水。想法阶段得到ideas.json含候选想法与新颖性标记实验阶段得到run_1run_5结果文件夹、每轮代码快照run_i.py、运行日志log.txt分析阶段得到训练损失、精度等结果图PNG成文阶段得到 LaTeX 源码、论文 PDF 和review.txt总分、弱点、Accept/Reject下一步把某次运行的 PDF 和review.txt对照读一遍校准你对系统输出质量的预期。进阶定制扩展自己研究领域的 5 个入口新增领域照抄现有模板结构保留experiment.py、plot.py、prompt.json、seed_ideas.json、latex/template.tex五个文件文件名与输出 JSON 格式对上即可运行现成模板官方 3 个nanoGPT、2d_diffusion、grokking 社区 6 个seir 传染病、mobilenetV3、sketch_rnn、MACE 量子化学、earthquake-prediction、tensorf都在 templates/切换投稿格式改各模板下的template.tex即可换文献引擎没有 Semantic Scholar Key 时加--engine openalex用免 Key 的 OpenAlex容器隔离系统会执行 LLM 生成的代码官方建议用experimental/Dockerfile的社区镜像做容器化并限制网络访问下一步挑一个模板先手动跑通它的run_0基线再让系统接管。常见问题新手最容易问的 3 个问题为什么报错、或没生成 PDF单篇成功率取决于模板、基础模型与想法本身。官方建议实验用 Claude Sonnet 3.5、评审用 GPT-4o先检查模板 setup 与run_0基线是否完整。一个想法大概花多少钱官方 FAQ 称用 Claude Sonnet 3.5 时单篇通常低于 15 美元DeepSeek Coder V2 是更省的选择。CPU 或非 Linux 能跑吗README 明确面向 Linux NVIDIA GPU 设计其他系统需要较大改动纯 CPU 耗时基本不可行。下一步运行前通读 README 的 Requirements 与 FAQ 两节能避开大部分坑。资源索引文档、示例与反馈入口项目文档docs/示例论文与完整运行产物example_papers/含 10 篇示例 PDF 及各次运行的图表反馈渠道通过项目仓库的 issue 提交常见问题可先查 README 的 FAQ 一节下一步从example_papers/里挑一篇 PDF 完整读一遍这是判断该系统强项与弱项最快的方式。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考