企业官网建设流程全解析

如何使用AutoResearch：无Idea、自带Idea、完整流程3条路径实战指南

【免费下载链接】AutoResearchAI/ML research agents from idea to paper-ready evidence. An EvoMap open-source project.项目地址: https://gitcode.com/gh_mirrors/autore/AutoResearch

AutoResearch 是一个开源 AI 科研智能体工作流：输入一个研究方向（或什么都不输入），它自动完成 Idea 生成、实验规划、代码实现、独立评审，最终产出"可写进论文的证据包"。无论你是完全没有想法的研究新手，还是已经手握 Idea 的开发者，本文用 3 条路径对比带你快速上手这个 AI 研究助手。

🧭 先搞清楚：AutoResearch 能做什么？

一句话：Insight In, Hallucination Out——把洞见放进来，把幻觉挡在外面。

它由两条可独立使用的路径组成：

整个流程是有状态、可恢复的：计划、代码、队列、日志、评审结论全部落盘，中断后随时可以继续。下图是它的实验项目监控面板，可以直观看到从初始化到独立评审的 10 个执行阶段、评审门禁状态和执行日志：

🛠️ 共同准备：一次性环境搭建（3 条路径都通用）

三条路径共享同一套环境，准备一次即可复用：

1. 环境要求：Linux 或 SSH 机器，Git + Python 3.10+，执行路径另需 Bun 1.3+ 与 Node.js。
2. 克隆仓库（本教程唯一需要的 clone 地址）：

git clone https://gitcode.com/gh_mirrors/autore/AutoResearch cd AutoResearch

3. 一键初始化：运行 scripts/bringup.sh，它会自动创建虚拟环境、安装依赖、跑基线测试与密钥扫描（不产生任何 API 费用）。
4. 配置模型服务：复制模板为.env与config/providers.local.json（可参考 config/providers.example.json 与 docs/llm_provider_setup.md）。无需固定组合Gemini/GPT/Claude——普通角色可以共用一个模型，只有 Idea Forge 构思阶段要求至少 3 个不同模型，评审阶段要求评审者相互独立。
5. 连通性自检：运行scripts/preflight.py --live发送少量真实请求验证配置。

💡 新手提示：首次运行时若看到BLOCKED结果属正常现象，说明 Python 环境和测试已通过、只待填入 API 凭证。

🚀 路径一：没有 Idea —— 让 AI 帮你找方向

适合还不知道做什么的场景。AutoResearch 会采集 arXiv、HuggingFace Daily Papers、GitHub Trending、Hacker News 等 11 个公开渠道的近期研究信号，再与你本地的领域知识库做"跨域交叉"，由 3 个以上不同模型独立构思并相互评审，最后生成实验计划。

关键一步：准备你的知识库。仓库自带几个合成示例方向，但真正的价值在于写入你自己的领域经验。复制模板即可创建新方向：

cp knowledge_base/TEMPLATE.md knowledge_base/my_direction.md

详见 knowledge_base/README.md。知识方向总览面板如下，展示了每个方向的文档规模与摘要：

运行生成管道：

.venv/bin/python idea_generation.py

它会依次经历：采集 → 去重筛选 → 与知识方向交叉 → 多模型构思与交叉评审 → 时新性检查 → 实验计划。产物分别落在data/candidates/、data/verified/、data/idea_forge/三个目录。

几个实用技巧：

• 控制成本：调用量随"种子数 × 知识方向数 × 构思席位数"增长，新手先选 2~3 个知识方向验证流程（配置见 docs/unified_provider_config.md）。
• 断点续跑：只针对已有种子继续构思，不必重新采集，运行 run_pending_forge.py 即可。
• 已有想法想"体检"一下？可以用 check_idea.py 让模型对照知识库审查某份 Idea 是否存在事实错误或观念过时，不用跑完整流程。

🔬 路径二：自带 Idea —— 直接执行你的研究假设

适合已经明确要做什么的场景。跳过在线采集，把 Idea 交给 ar-runtime 执行器推进到证据包。

第一步：把 Idea 写成一个文本文件。最少包含四要素：研究假设、可用数据、成功标准、算力与时间约束。仓库里有一份很好的范例 examples/idea_gpu_smoke.txt——它给 GPU 冒烟测试写了三条可验证的成功标准，这正是"好 Idea 文件"的模板：

# 把文件放到 data/ideas/ 下，例如： # data/ideas/my_experiment.txt

⚠️ 安全提醒：当前执行入口会授予智能体较宽的命令权限，请务必在隔离、可丢弃的环境中运行（如容器），不要挂载宿主机敏感目录。

第二步：启动协调器。交互式方式：

cd ar-runtime claude --dangerously-skip-permissions # 进入后输入： /ar-coordinator ../data/ideas/my_experiment.txt ../data/projects/my_experiment

无人值守则用监督脚本 ar-runtime/scripts/ar-supervisor.sh，它会自动处理超时、重启与进程回收。

第三步：观察它如何推进。执行顺序是一条严谨的流水线：

Idea → plan → 计划评审 → code → 代码评审 → pilot 小规模验证 → 正式实验 → 结果分析 → 独立批评者 → 盲审 → 关闭

亮点是Pilot 先行：先在低成本规模上验证可行性，失败就止损，避免烧完算力才发现方向错了。而且负结果也是合法终点——只要证据完整，假说失败会如实记录，而不是被硬写成成功故事。

有显卡的话，可以先用内置的 GPU 冒烟测试验证整条链路，把"环境问题"和"研究方向问题"区分开：

cd ar-runtime claude --dangerously-skip-permissions \ -p "/ar-coordinator ../examples/idea_gpu_smoke.txt ../data/projects/gpu_smoke"

第四步：查看结果。每个项目都在data/projects/<项目名>/下，包含冻结的 Idea 原文、实验计划、决策日志、代码、运行日志与盲审报告。运行 src/generate_project_dashboard.py 可生成可视化面板。

🔁 路径三：完整流程 —— 从研究信号到论文级证据

先跑路径一生成一批 Idea，再从中挑选一条走路径二执行。这是完整闭环，产出的证据链最长、最可追溯。

衔接点在"Idea 导出"这一步：生成的实验计划会先被 src/idea_provenance.py 用 SHA256 校验和绑定来源文件、种子序号与知识方向，再导出为独立的 Idea 文件：

# 1. 列出可执行的计划 .venv/bin/python src/idea_provenance.py list \ --forge-file data/idea_forge/forge_YYYYMMDD_HHMM.json # 2. 导出选中的计划（序号均从 1 开始） .venv/bin/python src/idea_provenance.py export \ --forge-file data/idea_forge/forge_YYYYMMDD_HHMM.json \ --result-index 1 --plan-index 1 \ --output data/ideas/my_experiment.txt

之后执行阶段会再次核对这条来源绑定——每个结论都能追回到"哪次 Forge 运行、哪条外部信号、哪个知识方向"。这是它对抗"AI 编造细节"的核心机制之一。

📊 3 条路径怎么选？一张表看懂

新手推荐路线：先用路径三中的"小集合 + 默认并发"跑一轮完整流程熟悉管道 → 用自己熟悉的领域知识替换合成知识库 → 再用路径二打磨自己真正的 Idea。

❓ 新手常见问题

• 必须同时用 Gemini、GPT 和 Claude 吗？不需要。普通角色可共用一个模型；只有构思（≥3 个不同模型）和盲审（≥2 个不同模型，如启用）有独立性要求，甚至可来自同一个兼容端点。
• 没有 GPU 能玩吗？可以。Idea 生成纯 CPU 即可；执行路径的 GPU 需求取决于具体实验，而 Pilot 机制能帮你尽早发现资源不匹配。
• 某个采集渠道报 403？流水线会记录失败、跳过该渠道并继续其他来源，不会把缺失伪装成成功。
• 为什么生成很久才结束？构思+评审的调用量 = 种子数 × 知识方向数 × 席位数的乘积级增长，先小规模验证再扩容。

✅ 小结

AutoResearch 的三条路径其实是同一条流水线的三个入口：没想法就让它帮你找（路径一），有想法就直接跑（路径二），要完整证据链就串起来（路径三）。所有状态可恢复、所有结论可追溯，负结果也被一视同仁地保留——这就是它作为 AI 科研智能体区别于"一次性问答"的核心价值。

更多细节可查阅：README.md（官方完整文档）、ARCHITECTURE.md（架构说明）、ar-runtime/ar-coordinator-startup-flow.md（执行状态机）。祝你的研究顺利出"证据"！

【免费下载链接】AutoResearchAI/ML research agents from idea to paper-ready evidence. An EvoMap open-source project.项目地址: https://gitcode.com/gh_mirrors/autore/AutoResearch