AI-Scientist 使用指南：让 AI 科研自动化平台从想法一路跑到完整论文

AI-Scientist 使用指南让 AI 科研自动化平台从想法一路跑到完整论文【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-ScientistAI-Scientist 是一个开源的 AI 科研自动化平台给定一个研究领域模板它会自动完成想法生成、文献查新、写代码跑实验、结果可视化、LaTeX 论文撰写和同行评审式打分的全链路。它需要 Linux NVIDIA GPU 环境适合想批量验证深度学习研究想法、又不想手工重复「改代码—跑图—写稿」循环的工程师和研究生。它解决什么问题科研里最耗时间的往往不是想法本身而是想法到结论之间的流水线写实验脚本、反复调试、画图、整理结果、排版成文最后还要自己判断这稿子哪里站不住脚。市面上多数 LLM 辅助工具只帮你头脑风暴或补全代码每一步都依赖人盯着。AI-Scientist 的做法是把 LLM 当作整条流水线的执行者在模板化的领域里端到端跑完。每个通过筛选的想法都会生成一个带时间戳的独立项目文件夹里面是完整可复现的产出实验代码、run 目录里的结果 JSON、图表、notes.txt 日志和一篇 PDF 论文。仓库 example_papers/ 目录下有 10 篇这样的真实产出从扩散模型到 grokking 泛化分析都可以直接打开核对。环境要求与安装Linux CUDA texlive官方说明这套代码面向 Linux NVIDIA CUDA GPU PyTorch纯 CPU 机器跑现有模板基本不可行。装 texlive-full 可能很慢属正常现象。git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python3.11 conda activate ai_scientist sudo apt-get install texlive-full pip install -r requirements.txt模型侧按需配置一个 API Key 即可GPT-4o、Claude Sonnet 3.5、DeepSeek、Llama3.1、Gemini 均受支持完整清单见 ai_scientist/llm.py。文献检索默认走 Semantic ScholarS2_API_KEY没有 key 可改用免 key 的 OpenAlex启动时加--engine openalex。跑通第一个实验选哪个模板、跑几个想法先选 templates/ 里的模板官方维护三个nanoGPT、2d_diffusion、grokkingnanoGPT_lite 最轻量。按 README 完成数据准备后需要手动跑一次基线run_0它会作为后续所有实验的对照且依赖你的机器性能python launch_scientist.py --model claude-3-5-sonnet-20241022 \ --experiment nanoGPT_lite --num-ideas 2结果落在results/模板名/时间戳_想法名/。多卡机器用--parallel N并行--gpus 0,1,2指定卡号。成本可预期README 的 FAQ 给出参考值Claude Sonnet 3.5 跑完整篇通常低于 15 美元DeepSeek Coder V2 更便宜。注意 README 的明确警告平台会执行 LLM 写的代码建议用 experimental/Dockerfile 容器化并限制网络访问。核心能力逐个看想法怎么生成、怎么查新ai_scientist/generate_ideas.py 读取模板的 prompt.json 与 seed_ideas.json 生成候选想法每个想法带 Interestingness、Feasibility、Novelty 三个 0-10 的评分随后调文献检索接口查重只保留 novel 为真的想法。以 gan_diffusion 方向为例ideas.json 里有一条 conditional_diffusion 想法给扩散模型加类别标签条件信息Novelty 9 分最终产出了一篇完整论文。实验怎么自动跑起来ai_scientist/perform_experiments.py 把想法交给 Aider 驱动LLM 直接改写 experiment.py依次产出 run_1 到 run_5 的实验运行每个 run 把指标写入final_info.json全过程记在 log.txt 里。gan_diffusion 目录里能看到 run_0 基线加 5 组实验的完整对照。图表从哪来自动绘图每个模板自带 plot.pyLLM 会按需修改它从 run 目录读取结果生成训练曲线、权重演化等分析图。adaptive_dual_scale_denoising 这篇论文里的权重演化图记录的就是训练过程中各尺度权重的变化趋势。论文怎么写、谁来评审ai_scientist/perform_writeup.py 填充 latex/template.tex 后用 pdflatex 编译出 PDF随后 ai_scientist/perform_review.py 以「5 评审集成 5 轮反思」的方式打分输出 1-10 的 Overall、Accept/Reject 的 Decision 和 Weaknesses 清单存为 review.txt。加--improvement参数还会根据评审意见改稿并二次评审。下图是系统实际产出的 10 页完整论文。进阶玩法自定义模板、多卡与容器化自建模板照抄现有结构五个文件 experiment.py / plot.py / prompt.json / seed_ideas.json / latex/template.tex保持文件名和输出 JSON 格式一致即可接入社区模板templates/ 下另有 seir 传染病建模、mobilenetV3 图像分类、sketch_rnn、MACE 量子化学、earthquake-prediction、tensorf 等社区贡献非官方维护批量评审review_iclr_bench/ 提供了对 ICLR 论文语料的批量 LLM 评审脚本 iclr_analysis.py 与多模型评分 CSV可独立使用复用评审模块load_paperperform_review可直接调用给任意 PDF 生成评审报告few-shot 素材ai_scientist/fewshot_examples/ 含 3 篇真实论文attention 等用于评审提示可自行替换。写在最后如果你的诉求是「把没时间跑的点子变成可复现的实验加一份完整写稿」AI-Scientist 目前是国内开源社区里少数能一条命令跑完全链路的选项成功率随模板和底座模型波动README 建议先读几篇 example_papers/ 里的样本来校准预期。示例论文全量产出10 个方向含 PDF、代码与评审example_papers/ICLR 评审基准与评分数据review_iclr_bench/容器化镜像experimental/Dockerfile问题反馈通过仓库 issue 提交【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