AI-Scientist一条命令跑通全自动科学发现【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-ScientistAI-Scientist 是一套由大模型驱动的全自动科学发现流水线从提出研究想法、查文献去重、改代码跑实验到产出带图表的 PDF 论文。下面讲清楚怎么把它跑起来、核心机制在哪以及怎么换成你自己的研究领域。30 分钟准备好环境、密钥与基线实验先把环境装好git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python3.11 conda activate ai_scientist pip install -r requirements.txt sudo apt-get install texlive-full export OPENAI_API_KEY你的密钥# 以 nanoGPT 模板为例先准备数据 python data/enwik8/prepare.py python data/shakespeare_char/prepare.py python data/text8/prepare.py cd templates/nanoGPT python experiment.py --out_dir run_0 python plot.py基线run_0必须在你的机器上亲自跑一遍后续每个想法的对比指标和运行耗时都以它为参照而硬件不同基线不可复用。坑texlive-full安装可能要几十分钟中途卡住时按住 Enter 让它继续没有 pdflatex 时主程序会直接退出。一条命令启动从想法到论文 PDF# 两个想法单卡顺序执行 python launch_scientist.py --model gpt-4o-2024-05-13 \ --experiment nanoGPT_lite --num-ideas 2 # 多卡并行--parallel 为进程数默认 0 即串行 python launch_scientist.py --model claude-3-5-sonnet-20241022 \ --experiment 2d_diffusion --num-ideas 5 --parallel 2每个想法会在results/实验名/时间戳_想法名/下建一个独立文件夹里面有 LLM 改过的experiment.py、各次运行的run_i/结果、图表、LaTeX 源文件和最终 PDF。支持的模型清单见 ai_scientist/llm.py从 Claude 3.5 Sonnet、GPT-4o、o1 到 DeepSeek、Gemini换模型只改--model一个参数。拆解流水线想法生成与新颖性检查想法阶段由 ai_scientist/generate_ideas.py 完成逻辑值得看一眼把模板prompt.json里的任务描述、experiment.py完整源码和seed_ideas.json喂给模型要求输出 JSON名字、标题、实验大纲以及 Interestingness / Feasibility / Novelty 三个 1–10 分。每个想法有 3 轮反思reflection模型先自我批评再修订不改就输出 I am done 锁定。生成后逐条调用 Semantic Scholar 检索判断新颖性标记novel的想法才进入实验没有S2_API_KEY可改用 OpenAlex--engine openalex。这套生成—自检—查重的循环意味着你拿到的不是随手一提的想法而是已经过自评分和文献过滤的候选方案。实验循环改代码、跑、失败自动重试执行阶段在 ai_scientist/perform_experiments.py是典型的 agentic loop通过 Aider 让模型修改experiment.py每次改完执行python experiment.py --out_dirrun_i。脚本读取final_info.json里的指标均值或把失败日志截断后喂回模型让它决定下一步怎么改。成功一次算一轮最多 5 轮连续 4 次迭代不通过则放弃该想法。实验结束后再让模型改plot.py出图、写notes.txt记录每张图的结论供写作阶段使用。仓库里example_papers/保留了完整的产出可以直接翻评审与改写论文写完还帮你审稿主流程里内置一步自动评审把生成的 PDF 解析成文本交给 GPT-4o 做多轮反思、5 路集成的评审结果写进review.txt。也可以单独调用from ai_scientist.perform_review import load_paper, perform_review paper_txt load_paper(results/nanoGPT_lite/run/paper.pdf) review perform_review(paper_txt, gpt-4o-2024-05-13, client, num_reflections5, num_fs_examples1, num_reviews_ensemble5, temperature0.1) print(review[Overall], review[Decision], review[Weaknesses])--improvement参数则更进一步按评审意见让 LLM 改 LaTeX重新编译出_improved.pdf再评一次相当于自动走一轮 rebuttal。换成自己的领域一个模板 5 个文件新建模板就是照抄 templates/nanoGPT/ 的结构准备 5 样东西文件作用experiment.py核心实验脚本必须接受--out_dir参数并写出final_info.jsonplot.py从run_i/结果生成图表prompt.json任务描述 系统提示词seed_ideas.json2–3 个种子想法latex/template.tex论文模板关键只有一条文件名和输出 JSON 的字段格式要和现有模板对齐其余内容随便换。社区已贡献了 SEIR 传染病、MobileNetV3 分类、MACE 量子化学、tensorf 等模板可以直接当参考。已知边界和最容易踩的三个坑成功率不是 100%能否出稿取决于模板、模型和想法复杂度官方测试中 Claude 3.5 Sonnet 成功率最高评审质量则以 GPT-4o 最稳。有成本单篇论文 API 费用约 $15Claude 3.5DeepSeek Coder 便宜得多可以先拿它试水。⚠️它会执行 LLM 写的代码可能装包、起进程。官方建议用 experimental/Dockerfile 做容器化并限制网络访问。能力边界目前只支持能写成代码验证的研究问题纯理论或需要新数据集的想法不在范围内。坑CPU 上能跑但耗时不可接受建议至少 8GB 显存的 NVIDIA GPU--parallel只按 GPU 数生效多进程会按卡轮转分配。clone 下来挑个模板跑一遍基线再用--num-ideas 2交给launch_scientist.py今晚就能拿到第一篇自动生成的论文 PDF。【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：一条命令跑通全自动科学发现
AI-Scientist一条命令跑通全自动科学发现【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-ScientistAI-Scientist 是一套由大模型驱动的全自动科学发现流水线从提出研究想法、查文献去重、改代码跑实验到产出带图表的 PDF 论文。下面讲清楚怎么把它跑起来、核心机制在哪以及怎么换成你自己的研究领域。30 分钟准备好环境、密钥与基线实验先把环境装好git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python3.11 conda activate ai_scientist pip install -r requirements.txt sudo apt-get install texlive-full export OPENAI_API_KEY你的密钥# 以 nanoGPT 模板为例先准备数据 python data/enwik8/prepare.py python data/shakespeare_char/prepare.py python data/text8/prepare.py cd templates/nanoGPT python experiment.py --out_dir run_0 python plot.py基线run_0必须在你的机器上亲自跑一遍后续每个想法的对比指标和运行耗时都以它为参照而硬件不同基线不可复用。坑texlive-full安装可能要几十分钟中途卡住时按住 Enter 让它继续没有 pdflatex 时主程序会直接退出。一条命令启动从想法到论文 PDF# 两个想法单卡顺序执行 python launch_scientist.py --model gpt-4o-2024-05-13 \ --experiment nanoGPT_lite --num-ideas 2 # 多卡并行--parallel 为进程数默认 0 即串行 python launch_scientist.py --model claude-3-5-sonnet-20241022 \ --experiment 2d_diffusion --num-ideas 5 --parallel 2每个想法会在results/实验名/时间戳_想法名/下建一个独立文件夹里面有 LLM 改过的experiment.py、各次运行的run_i/结果、图表、LaTeX 源文件和最终 PDF。支持的模型清单见 ai_scientist/llm.py从 Claude 3.5 Sonnet、GPT-4o、o1 到 DeepSeek、Gemini换模型只改--model一个参数。拆解流水线想法生成与新颖性检查想法阶段由 ai_scientist/generate_ideas.py 完成逻辑值得看一眼把模板prompt.json里的任务描述、experiment.py完整源码和seed_ideas.json喂给模型要求输出 JSON名字、标题、实验大纲以及 Interestingness / Feasibility / Novelty 三个 1–10 分。每个想法有 3 轮反思reflection模型先自我批评再修订不改就输出 I am done 锁定。生成后逐条调用 Semantic Scholar 检索判断新颖性标记novel的想法才进入实验没有S2_API_KEY可改用 OpenAlex--engine openalex。这套生成—自检—查重的循环意味着你拿到的不是随手一提的想法而是已经过自评分和文献过滤的候选方案。实验循环改代码、跑、失败自动重试执行阶段在 ai_scientist/perform_experiments.py是典型的 agentic loop通过 Aider 让模型修改experiment.py每次改完执行python experiment.py --out_dirrun_i。脚本读取final_info.json里的指标均值或把失败日志截断后喂回模型让它决定下一步怎么改。成功一次算一轮最多 5 轮连续 4 次迭代不通过则放弃该想法。实验结束后再让模型改plot.py出图、写notes.txt记录每张图的结论供写作阶段使用。仓库里example_papers/保留了完整的产出可以直接翻评审与改写论文写完还帮你审稿主流程里内置一步自动评审把生成的 PDF 解析成文本交给 GPT-4o 做多轮反思、5 路集成的评审结果写进review.txt。也可以单独调用from ai_scientist.perform_review import load_paper, perform_review paper_txt load_paper(results/nanoGPT_lite/run/paper.pdf) review perform_review(paper_txt, gpt-4o-2024-05-13, client, num_reflections5, num_fs_examples1, num_reviews_ensemble5, temperature0.1) print(review[Overall], review[Decision], review[Weaknesses])--improvement参数则更进一步按评审意见让 LLM 改 LaTeX重新编译出_improved.pdf再评一次相当于自动走一轮 rebuttal。换成自己的领域一个模板 5 个文件新建模板就是照抄 templates/nanoGPT/ 的结构准备 5 样东西文件作用experiment.py核心实验脚本必须接受--out_dir参数并写出final_info.jsonplot.py从run_i/结果生成图表prompt.json任务描述 系统提示词seed_ideas.json2–3 个种子想法latex/template.tex论文模板关键只有一条文件名和输出 JSON 的字段格式要和现有模板对齐其余内容随便换。社区已贡献了 SEIR 传染病、MobileNetV3 分类、MACE 量子化学、tensorf 等模板可以直接当参考。已知边界和最容易踩的三个坑成功率不是 100%能否出稿取决于模板、模型和想法复杂度官方测试中 Claude 3.5 Sonnet 成功率最高评审质量则以 GPT-4o 最稳。有成本单篇论文 API 费用约 $15Claude 3.5DeepSeek Coder 便宜得多可以先拿它试水。⚠️它会执行 LLM 写的代码可能装包、起进程。官方建议用 experimental/Dockerfile 做容器化并限制网络访问。能力边界目前只支持能写成代码验证的研究问题纯理论或需要新数据集的想法不在范围内。坑CPU 上能跑但耗时不可接受建议至少 8GB 显存的 NVIDIA GPU--parallel只按 GPU 数生效多进程会按卡轮转分配。clone 下来挑个模板跑一遍基线再用--num-ideas 2交给launch_scientist.py今晚就能拿到第一篇自动生成的论文 PDF。【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