تحدث مع OpenClaw: «ابحث عن X» → تمّ.

🇺🇸 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇫🇷 Français · 🇩🇪 Deutsch · 🇪🇸 Español · 🇧🇷 Português · 🇷🇺 Русский · 🇸🇦 العربية

📖 دليل التكامل

pip install -e . && researchclaw run --topic "Your research idea here" --auto-approve

لديك فكرة. تريد ورقة بحثية. هذا كل شيء.

يأخذ AutoResearchClaw موضوعاً بحثياً وينتج بشكل مستقل ورقة أكاديمية كاملة — مع أدبيات حقيقية من arXiv و Semantic Scholar (متعدد المصادر، أولوية arXiv لتجنب تحديد المعدل)، وتجارب في بيئة معزولة واعية بالعتاد (كشف تلقائي لـ GPU/MPS/CPU)، وتحليل إحصائي، ومراجعة أقران، و LaTeX جاهز للمؤتمرات (يستهدف 5,000-6,500 كلمة لـ NeurIPS/ICML/ICLR). بدون مراقبة. بدون نسخ ولصق بين الأدوات.

يعمل خط الأنابيب من البداية إلى النهاية بدون تدخل بشري (ما لم تقم بتهيئة مراحل البوابات للمراجعة اليدوية). عندما تفشل التجارب، يصلح نفسه. عندما لا تصمد الفرضيات، يغيّر المسار.

researchclaw run --topic "Agent-based Reinforcement Learning for Automated Scientific Discovery" --auto-approve

لا يعمل خط الأنابيب بشكل خطي فقط. المرحلة 15 (RESEARCH_DECISION) تقيّم نتائج التجارب مقابل الفرضيات وتتخذ قراراً مستقلاً:

• PROCEED — النتائج تدعم الفرضيات، الاستمرار في كتابة الورقة
• REFINE — النتائج واعدة لكنها تحتاج تحسيناً، العودة لتحسين الكود/المعاملات
• PIVOT — تم اكتشاف مشكلة جوهرية، إعادة البدء من توليد الفرضيات باتجاه جديد

كل دورة PIVOT/REFINE تحفظ نسخاً من المخرجات السابقة (stage-08_v1/، stage-08_v2/، ...) بحيث لا يُفقد أي عمل ويمكن تتبع تطور القرارات بالكامل.

تستخدم المراحل الحرجة بروتوكول نقاش منظم مع وجهات نظر متعددة من نماذج اللغة:

• توليد الفرضيات — وكلاء متنوعون يقترحون ويتحدّون الأفكار
• تحليل النتائج — متفائل ومتشكك وواقعي يحللون المخرجات
• مراجعة الأقران — فحص اتساق المنهجية والأدلة (هل تدّعي الورقة 50 تجربة بينما الكود نفّذ 5 فقط؟)

كل تشغيل لخط الأنابيب يستخلص دروساً دقيقة — ليس فقط "فشلت" بل لماذا:

• مبررات القرار من اختيارات PIVOT/REFINE
• تحذيرات وقت التشغيل من stderr للتجارب (مثل RuntimeWarning: division by zero)
• شذوذ المقاييس (NaN، Inf، سرعات تقارب متطابقة)

هذه الدروس تُحفظ في مخزن JSONL مع تثقيل بتناقص زمني بنصف عمر 30 يوماً وتُحقن كطبقات إضافية في الأوامر النصية للتشغيلات المستقبلية. خط الأنابيب يتعلّم حرفياً من أخطائه.

كل تشغيل يبني قاعدة معرفة منظمة (مخزّنة في docs/kb/) مع 6 فئات:

• decisions/ — تصميم التجارب، بوابات الجودة، قرارات البحث، تخطيط الموارد، استراتيجيات البحث، أرشيفات المعرفة
• experiments/ — سجلات توليد الكود، تشغيلات التجارب، التحسينات التكرارية
• findings/ — التحقق من الاستشهادات، تحليل النتائج، تقارير التوليف
• literature/ — استخلاص المعرفة، جمع الأدبيات، نتائج الفرز
• questions/ — توليد الفرضيات، تفكيك المشكلة، تهيئة الموضوع
• reviews/ — تقارير التصدير/النشر، مسودات الأوراق، المخططات، المراجعات، مراجعات الأقران

مراقب جودة في الخلفية يكتشف المشاكل التي قد يفوتها خط الأنابيب الرئيسي:

• كشف أخطاء وقت التشغيل — NaN/Inf في المقاييس، تحذيرات stderr تُغذّى مرة أخرى لنموذج اللغة للإصلاح المُستهدف
• اتساق الورقة والأدلة — كود التجارب الفعلي ونتائج التشغيل وسجلات التحسين تُحقن في مراجعة الأقران
• تقييم صلة الاستشهادات — إلى ما هو أبعد من التحقق من الوجود، يقيّم نموذج اللغة الصلة الموضوعية لكل مرجع
• فرض التقارب — يكتشف التجارب ذات التكرار الثابت ويطالب بمعايير إيقاف مبكر مناسبة
• التحقق من الاستئصال — يكتشف ظروف الاستئصال المكررة/المتطابقة ويُبلّغ عن المقارنات المعطلة
• حماية ضد التلفيق — يمنع كتابة الورقة تماماً عندما لا تنتج التجارب أي مقاييس

إذا كنت تستخدم OpenClaw بالفعل كمساعد ذكاء اصطناعي:

1️⃣  شارك رابط مستودع GitHub مع OpenClaw
2️⃣  OpenClaw يقرأ تلقائياً RESEARCHCLAW_AGENTS.md → يفهم خط الأنابيب
3️⃣  قل: "ابحث عن [موضوعك]"
4️⃣  تم — OpenClaw يستنسخ، يثبّت، يهيّئ، يشغّل، ويعيد النتائج

هذا كل شيء. يتعامل OpenClaw مع git clone، pip install، إعداد التهيئة، وتنفيذ خط الأنابيب تلقائياً. أنت فقط تتحدث.

للتكامل الأعمق، يتضمن AutoResearchClaw نظام محوّلات جسر مع 6 إمكانيات اختيارية:

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ عمليات تشغيل بحث مجدولة
  use_message: true           # 💬 إشعارات التقدم (Discord/Slack/Telegram)
  use_memory: true            # 🧠 استمرارية المعرفة عبر الجلسات
  use_sessions_spawn: true    # 🔀 إطلاق جلسات فرعية متوازية للمراحل المتزامنة
  use_web_fetch: true         # 🌐 بحث ويب مباشر أثناء مراجعة الأدبيات
  use_browser: false          # 🖥️ جمع الأوراق عبر المتصفح

كل علامة تفعّل بروتوكول محوّل مُحدد النوع. عندما يوفر OpenClaw هذه الإمكانيات، تستهلكها المحوّلات بدون تغييرات في الكود. راجع integration-guide.md للتفاصيل الكاملة.

Phase A: تحديد نطاق البحث          Phase E: تنفيذ التجارب
  1. TOPIC_INIT                      12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE               13. ITERATIVE_REFINE  ← إصلاح ذاتي

Phase B: اكتشاف الأدبيات          Phase F: التحليل والقرار
  3. SEARCH_STRATEGY                 14. RESULT_ANALYSIS    ← متعدد الوكلاء
  4. LITERATURE_COLLECT  ← API حقيقي  15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN   [بوابة]
  6. KNOWLEDGE_EXTRACT               Phase G: كتابة الورقة
                                     16. PAPER_OUTLINE
Phase C: توليف المعرفة              17. PAPER_DRAFT
  7. SYNTHESIS                       18. PEER_REVIEW        ← فحص الأدلة
  8. HYPOTHESIS_GEN    ← نقاش        19. PAPER_REVISION

Phase D: تصميم التجارب            Phase H: الإنهاء
  9. EXPERIMENT_DESIGN   [بوابة]      20. QUALITY_GATE      [بوابة]
 10. CODE_GENERATION                 21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING               22. EXPORT_PUBLISH     ← LaTeX
                                     23. CITATION_VERIFY    ← فحص الصلة

مراحل البوابات (5، 9، 20) تتوقف للحصول على موافقة بشرية أو موافقة تلقائية مع --auto-approve. عند الرفض، يعود خط الأنابيب للخلف.

حلقات القرار: يمكن للمرحلة 15 تفعيل REFINE (→ المرحلة 13) أو PIVOT (→ المرحلة 8)، مع إصدار تلقائي للمخرجات.

• 🐍 Python 3.11+
• 🔑 نقطة نهاية API متوافقة مع OpenAI لنموذج لغة (GPT-4o، GPT-5.x، أو أي مزود متوافق)

git clone https://github.com/aiming-lab/AutoResearchClaw.git
cd AutoResearchClaw
python3 -m venv .venv && source .venv/bin/activate
pip install -e .

cp config.researchclaw.example.yaml config.arc.yaml

project:
  name: "my-research"

research:
  topic: "Your research topic here"

llm:
  base_url: "https://api.openai.com/v1"     # Any OpenAI-compatible endpoint
  api_key_env: "OPENAI_API_KEY"              # Env var name containing your key
  primary_model: "gpt-4o"                    # Any model your endpoint supports
  fallback_models: ["gpt-4o-mini"]
  s2_api_key: ""                             # Optional: Semantic Scholar API key for higher rate limits

experiment:
  mode: "sandbox"
  sandbox:
    python_path: ".venv/bin/python"

# تعيين مفتاح API
export OPENAI_API_KEY="sk-..."

# 🚀 تشغيل خط الأنابيب الكامل
researchclaw run --config config.arc.yaml --auto-approve

# 🎯 تحديد موضوع مباشرة
researchclaw run --config config.arc.yaml --topic "Transformer attention for time series" --auto-approve

# ✅ التحقق من التهيئة
researchclaw validate --config config.arc.yaml

# ⏩ الاستئناف من مرحلة محددة
researchclaw run --config config.arc.yaml --from-stage PAPER_OUTLINE --auto-approve

المخرجات → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/ مع دليل فرعي لكل مرحلة.

جميع المخرجات النهائية للمستخدم تُجمع تلقائياً في مجلد deliverables/ واحد:

artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/
├── paper_final.md             # الورقة النهائية (Markdown)
├── paper.tex                  # LaTeX جاهز للمؤتمر
├── references.bib             # قائمة مراجع BibTeX موثّقة (مُنقّحة تلقائياً)
├── neurips_2025.sty           # ملف نمط المؤتمر (مختار تلقائياً)
├── code/                      # كود التجارب + requirements.txt
├── verification_report.json   # تقرير سلامة الاستشهادات
├── charts/                    # رسوم بيانية للنتائج (مقارنة الظروف، أشرطة الخطأ)
└── manifest.json              # فهرس المخرجات مع البيانات الوصفية

مجلد deliverables/ جاهز للترجمة — يتضمن ملفات .sty و .bst الخاصة بالمؤتمر بحيث يمكنك ترجمة paper.tex مباشرة باستخدام pdflatex + bibtex أو رفعه إلى Overleaf بدون تحميل أي شيء إضافي.

تستعلم المرحلة 4 من واجهات API أكاديمية حقيقية — وليس أوراقاً مُتخيّلة من نموذج اللغة. تستخدم استراتيجية أولوية arXiv لتجنب تحديد معدل Semantic Scholar.

• arXiv API (أساسي) — مسودات مع معرّفات arXiv وبيانات وصفية حقيقية، بدون حدود للمعدل
• Semantic Scholar API (ثانوي) — أوراق حقيقية مع عناوين وملخصات وأماكن نشر وعدد استشهادات ومعرّفات DOI
• توسيع الاستعلام — يولّد تلقائياً استعلامات أوسع (مسح، معيار مرجعي، متغيرات المقارنة) لتغطية شاملة (30-60 مرجعاً)
• إزالة التكرار التلقائية — DOI → معرّف arXiv → مطابقة عناوين ضبابية
• توليد BibTeX — إدخالات صالحة @article{cite_key, ...} مع بيانات وصفية حقيقية
• قاطع دائرة ثلاثي الحالات — CLOSED → OPEN → HALF_OPEN مع تعافي بتأخير أسّي (لا يُعطّل نهائياً أبداً)
• تدهور أنيق — فشل S2 لا يحجب نتائج arXiv؛ يعود لنتائج مُعزّزة بنموذج اللغة إذا فشلت جميع الواجهات

from researchclaw.literature import search_papers

papers = search_papers("transformer attention mechanisms", limit=20)
for p in papers:
    print(f"{p.title} ({p.year}) — cited {p.citation_count}x")
    print(p.to_bibtex())

بعد كتابة الورقة، تقوم المرحلة 23 بـالتحقق الفعلي من كل مرجع من حيث السلامة والصلة:

كل مرجع → VERIFIED ✅ · SUSPICIOUS ⚠️ · HALLUCINATED ❌ · SKIPPED ⏭️ · LOW_RELEVANCE 📉

تنظيف تلقائي: الاستشهادات المُلفّقة تُزال بصمت من نص الورقة (بدون علامات [HALLUCINATED]). إدخالات قائمة المراجع غير المُستشهد بها تُحذف. ملف references.bib النهائي يحتوي فقط على مراجع موثّقة ومُستشهد بها.

تكتشف المرحلة 1 تلقائياً قدرات GPU المحلية وتكيّف خط الأنابيب بالكامل:

ملف تعريف العتاد يُحفظ في stage-01/hardware_profile.json ويؤثر على توليد الكود واستيرادات البيئة المعزولة وقيود الأوامر النصية.

• التحقق من الكود — تحليل AST، قائمة بيضاء للاستيرادات، بدون I/O للملفات خارج البيئة المعزولة
• حارس ميزانية الحوسبة — ميزانية زمنية (قابلة للتهيئة، الافتراضي 600 ثانية) تُحقن في أمر توليد الكود؛ يجب على نموذج اللغة تصميم تجارب تناسب مهلة البيئة المعزولة
• إطار التجارب — ملف experiment_harness.py غير قابل للتعديل يُحقن في البيئة المعزولة مع حارس وقت should_stop()، رفض NaN/Inf في report_metric()، وكتابة النتائج في finalize() (مستوحى من نمط التقييم غير القابل للتعديل في karpathy/autoresearch)
• مخرجات منظمة — التجارب تنتج results.json مع مقاييس مُحددة النوع (وليس فقط تحليل stdout)
• تحليل ذكي للمقاييس — يُصفّي سطور السجل من المقاييس باستخدام كشف الكلمات المفتاحية (is_metric_name())
• فشل سريع عند NaN/التباعد — قيم NaN/Inf تُصفّى من المقاييس؛ خسارة متباعدة (>100) تُكتشف وتُبلّغ
• فرض التقارب — الكود المُولّد يجب أن يتضمن معايير إيقاف مبكر، وليس عدد تكرارات ثابت
• كشف أخطاء وقت التشغيل — مقاييس NaN/Inf وتحذيرات stderr (القسمة على صفر، الفيضان) تُكتشف تلقائياً
• إصلاح ذاتي — مشاكل وقت التشغيل تُغذّى مرة أخرى لنموذج اللغة مع تشخيص مُستهدف لإصلاحات السبب الجذري (وليس try/except كحل مؤقت)
• تحسين تكراري — المرحلة 13 تحلل النتائج وتعيد التشغيل مع كود/معاملات محسّنة (حتى 10 تكرارات، مع أوامر واعية بالمهلة)
• التقاط نتائج جزئية — التجارب المنتهية المهلة مع مقاييس ملتقطة تحصل على حالة "partial" بدلاً من "failed"، مما يحفظ البيانات القابلة للاستخدام
• محاذاة الموضوع والتجربة — فحص ما بعد التوليد بنموذج اللغة يضمن أن كود التجربة يختبر فعلاً موضوع البحث المُعلن

يستهدف خط أنابيب الكتابة معايير NeurIPS/ICML/ICLR (9+ صفحات، 5,000-6,500 كلمة):

• فرض سلامة البيانات — كتابة الورقة تُحظر تماماً عندما لا تنتج التجارب مقاييس (يمنع نموذج اللغة من تلفيق النتائج)؛ تعليمات مضادة للتلفيق تُحقن في كل من أوامر المسودة والمراجعة
• أوامر بمستوى المؤتمرات — الأوامر النظامية تتضمن مبادئ أساسية من تحليلات الأوراق المقبولة: الجِدّة، السرد، خطوط أساس قوية، استئصالات، صدق، قابلية التكرار؛ أسباب الرفض الشائعة مُبلّغة
• إرشادات العنوان والتأطير — إشارة الجِدّة، اختبار القابلية للانتشار، بنية ملخص من 5 جمل، كشف العناوين العامة مع إعادة التوليد
• صياغة قسم بقسم — 3 استدعاءات متسلسلة لنموذج اللغة (مقدمة+أعمال سابقة → منهجية+تجارب → نتائج+خاتمة) لتجنب اقتطاع المخرجات
• أهداف عدد كلمات لكل قسم — الملخص (150-250)، المقدمة (800-1000)، الأعمال السابقة (600-800)، المنهجية (1000-1500)، التجارب (800-1200)، النتائج (600-800)، المناقشة (400-600)
• حماية طول المراجعة — إذا كانت الورقة المُراجَعة أقصر من المسودة، تُعاد المحاولة تلقائياً مع تطبيق أقوى؛ يعود للمسودة+التعليقات إذا لزم الأمر
• فرض مضاد لإخلاءات المسؤولية — يحد من "بسبب القيود الحسابية" إلى حدوث واحد على الأكثر؛ أوامر المراجعة تزيل التحفظات المتكررة بنشاط
• صرامة إحصائية — فترات الثقة وقيم p وأحجام التأثير مطلوبة في جداول النتائج؛ الاستئصالات المعطلة تُبلّغ وتُستبعد من الادعاءات
• مراجعة أقران بمعايير المؤتمرات — المراجعون يقيّمون 1-10 وفق معايير NeurIPS/ICML (الجِدّة، خطوط الأساس، الاستئصالات، الادعاءات مقابل الأدلة، القيود)

export:
  target_conference: "neurips_2025"   # or "iclr_2026" or "icml_2026"

محوّل Markdown → LaTeX يتعامل مع: عناوين الأقسام (مع إزالة تكرار الترقيم التلقائي)، الرياضيات المضمّنة/المعروضة، الخط العريض/المائل، القوائم، الجداول (مع \caption/\label)، الأشكال (\includegraphics)، كتل الكود (آمنة لـ Unicode)، المراجع التبادلية، ومراجع \cite{}.

استخدم --auto-approve لتخطي جميع البوابات، أو هيّئ مراحل محددة في security.hitl_required_stages.

# === المشروع ===
project:
  name: "my-research"              # معرّف المشروع
  mode: "docs-first"               # docs-first | semi-auto | full-auto

# === البحث ===
research:
  topic: "..."                     # موضوع البحث (مطلوب)
  domains: ["ml", "nlp"]           # مجالات البحث للبحث في الأدبيات
  daily_paper_count: 8             # عدد الأوراق المستهدف لكل استعلام بحث
  quality_threshold: 4.0           # الحد الأدنى لدرجة جودة الأوراق

# === وقت التشغيل ===
runtime:
  timezone: "America/New_York"     # للطوابع الزمنية
  max_parallel_tasks: 3            # حد التجارب المتزامنة
  approval_timeout_hours: 12       # مهلة مرحلة البوابة
  retry_limit: 2                   # عدد إعادة المحاولة عند فشل المرحلة

# === نموذج اللغة ===
llm:
  provider: "openai-compatible"    # نوع المزوّد
  base_url: "https://..."          # نقطة نهاية API (مطلوب)
  api_key_env: "OPENAI_API_KEY"    # متغير بيئة لمفتاح API (مطلوب)
  api_key: ""                      # أو ضع المفتاح هنا مباشرة
  primary_model: "gpt-4o"          # النموذج الأساسي
  fallback_models: ["gpt-4o-mini"] # سلسلة النماذج الاحتياطية
  s2_api_key: ""                   # مفتاح Semantic Scholar API (اختياري، حدود معدل أعلى)

# === التجارب ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 600             # أقصى وقت تنفيذ لكل تشغيل (الافتراضي: 600 ثانية)
  max_iterations: 10               # أقصى عدد تكرارات التحسين
  metric_key: "val_loss"           # اسم المقياس الأساسي
  metric_direction: "minimize"     # minimize | maximize
  sandbox:
    python_path: ".venv/bin/python"
    gpu_required: false
    allowed_imports: [math, random, json, csv, numpy, torch, sklearn]
    max_memory_mb: 4096
  docker:
    image: "researchclaw/experiment:latest"
    network_policy: "setup_only"   # none | setup_only | pip_only | full
    gpu_enabled: true
    memory_limit_mb: 8192
    auto_install_deps: true        # كشف تلقائي للاستيراد → requirements.txt
  ssh_remote:
    host: ""                       # اسم مضيف خادم GPU
    gpu_ids: []                    # معرّفات GPU المتاحة
    remote_workdir: "/tmp/researchclaw_experiments"

# === التصدير ===
export:
  target_conference: "neurips_2025"  # neurips_2025 | iclr_2026 | icml_2026
  authors: "Anonymous"
  bib_file: "references"

# === الأوامر النصية ===
prompts:
  custom_file: ""                  # مسار ملف YAML للأوامر المخصصة (فارغ = الافتراضي)

# === الأمان ===
security:
  hitl_required_stages: [5, 9, 20] # المراحل التي تتطلب موافقة بشرية
  allow_publish_without_approval: false
  redact_sensitive_logs: true

# === قاعدة المعرفة ===
knowledge_base:
  backend: "markdown"              # markdown | obsidian
  root: "docs/kb"

# === الإشعارات ===
notifications:
  channel: "console"               # console | discord | slack
  target: ""

# === جسر OpenClaw ===
openclaw_bridge:
  use_cron: false                  # عمليات تشغيل بحث مجدولة
  use_message: false               # إشعارات التقدم
  use_memory: false                # استمرارية المعرفة عبر الجلسات
  use_sessions_spawn: false        # إطلاق جلسات فرعية متوازية
  use_web_fetch: false             # بحث ويب مباشر
  use_browser: false               # جمع الأوراق عبر المتصفح

مستوحى من:

• 🔬 AI Scientist (Sakana AI) — رائد البحث الآلي
• 🧠 AutoResearch (Andrej Karpathy) — أتمتة البحث من البداية إلى النهاية
• 🌐 FARS (Analemma) — نظام بحث مؤتمت بالكامل

MIT — راجع LICENSE للتفاصيل.

_{بُني بـ 🦞 بواسطة فريق AutoResearchClaw}