直接与 OpenClaw 对话："研究 X" → 搞定。

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

📖 集成指南

pip install -e . && researchclaw run --topic "你的研究想法" --auto-approve

你有一个灵感，你想要一篇论文。就这么简单。

AutoResearchClaw 接收一个研究主题，自主产出完整学术论文——真实文献来自 arXiv 和 Semantic Scholar（多源搜索、arXiv 优先以避免限流），硬件感知沙箱实验（自动检测 GPU/MPS/CPU），包含统计分析、同行评审和顶会级 LaTeX 排版（目标 5,000-6,500 词，符合 NeurIPS/ICML/ICLR 标准）。不用盯着，不用在工具间来回复制。

流水线端到端无需人工介入运行（除非你配置了门控阶段）。实验失败时自动修复，假设不成立时自主转向。

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

流水线不只是线性运行。第 15 阶段（RESEARCH_DECISION）根据实验结果评估假设，做出自主决策：

• PROCEED — 结果支持假设，继续写论文
• REFINE — 结果有前景但需改进，回到代码/参数优化
• PIVOT — 发现根本性问题，从假设生成重新开始

每次 PIVOT/REFINE 都会版本化之前的产物（stage-08_v1/、stage-08_v2/……），确保工作不丢失，决策演化完全可追溯。

关键阶段使用结构化辩论协议，汇集多个 LLM 视角：

• 假设生成 — 多个 Agent 提出和挑战创意
• 结果分析 — 乐观者、怀疑者、实用者多角度分析
• 同行评审 — 方法论-证据一致性审查（论文声称跑了 50 次实验，代码只跑了 5 次？）

每次运行提取细粒度教训——不只是"失败了"，而是为什么：

• PIVOT/REFINE 决策的具体理由
• 实验 stderr 中的运行时警告（如 RuntimeWarning: division by zero）
• 指标异常（NaN、Inf、所有算法收敛速度相同）

这些教训持久化存储在 JSONL 中，使用 30 天半衰期时间衰减加权，作为 prompt overlay 注入未来运行。流水线真正从错误中学习。

每次运行自动构建结构化知识库（存储在 docs/kb/ 中），包含 6 个类别：

• decisions/ — 实验设计、质量门控、研究决策、资源规划、搜索策略、知识归档
• experiments/ — 代码生成日志、实验运行记录、迭代优化过程
• findings/ — 引用核查报告、结果分析、综合报告
• literature/ — 知识提取、文献采集、筛选结果
• questions/ — 假设生成、问题分解、主题初始化
• reviews/ — 导出/发布报告、论文草稿、大纲、修订、同行评审

后台质量监控，捕获主流水线可能遗漏的问题：

• 运行时 Bug 检测 — 指标中的 NaN/Inf、stderr 警告反馈给 LLM 进行定向修复
• 论文-证据一致性 — 实际实验代码、运行结果、迭代日志注入同行评审
• 引用相关性评分 — 不仅验证引用存在性，还用 LLM 评估与研究主题的相关性
• 收敛判据强制 — 检测固定迭代实验，要求实现正确的 early stopping
• 消融验证 — 检测重复/相同的消融条件，标记失效的对比实验
• 反数据捏造守卫 — 实验无指标时硬性阻止论文撰写

如果你已经在使用 OpenClaw 作为 AI 助手：

1️⃣  把 GitHub 仓库地址分享给 OpenClaw
2️⃣  OpenClaw 自动读取 RESEARCHCLAW_AGENTS.md → 理解流水线
3️⃣  对它说："帮我研究 [你的主题]"
4️⃣  完成 — OpenClaw 自动克隆、安装、配置、运行，然后返回结果

就这么简单。 OpenClaw 自动处理 git clone、pip install、配置和流水线执行。你只需聊天。

AutoResearchClaw 内置了 Bridge 适配器系统，提供 6 个可选集成能力：

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ 定时研究任务
  use_message: true           # 💬 进度通知（Discord/Slack/Telegram）
  use_memory: true            # 🧠 跨会话知识持久化
  use_sessions_spawn: true    # 🔀 为并行阶段派生子会话
  use_web_fetch: true         # 🌐 文献检索中的实时网络搜索
  use_browser: false          # 🖥️ 基于浏览器的论文采集

每个标志激活一个类型化适配器协议。当 OpenClaw 提供对应能力时，适配器无需改代码即可消费。详见 integration-guide.md。

阶段组 A：研究定义                阶段组 E：实验执行
  1. TOPIC_INIT                    12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE             13. ITERATIVE_REFINE  ← 自修复

阶段组 B：文献发现                阶段组 F：分析与决策
  3. SEARCH_STRATEGY               14. RESULT_ANALYSIS    ← 多Agent
  4. LITERATURE_COLLECT ← 真实API  15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN  [门控]
  6. KNOWLEDGE_EXTRACT             阶段组 G：论文撰写
                                   16. PAPER_OUTLINE
阶段组 C：知识综合                 17. PAPER_DRAFT
  7. SYNTHESIS                     18. PEER_REVIEW        ← 证据审查
  8. HYPOTHESIS_GEN   ← 辩论      19. PAPER_REVISION

阶段组 D：实验设计                阶段组 H：终稿
  9. EXPERIMENT_DESIGN  [门控]     20. QUALITY_GATE     [门控]
 10. CODE_GENERATION               21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING             22. EXPORT_PUBLISH    ← LaTeX
                                   23. CITATION_VERIFY   ← 相关性审查

门控阶段（5、9、20）可暂停等待人工审批，也可用 --auto-approve 自动通过。

决策循环：第 15 阶段可触发 REFINE（→ 第 13 阶段）或 PIVOT（→ 第 8 阶段），自动版本化之前的产物。

• 🐍 Python 3.11+
• 🔑 一个 OpenAI 兼容的 LLM API（GPT-4o、GPT-5.x，或任何兼容接口）

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: "你的研究主题"

llm:
  base_url: "https://api.openai.com/v1"     # 任何 OpenAI 兼容端点
  api_key_env: "OPENAI_API_KEY"
  primary_model: "gpt-4o"
  fallback_models: ["gpt-4o-mini"]
  s2_api_key: ""                             # 可选：Semantic Scholar API key（更高速率限制）

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

# 设置 API Key
export OPENAI_API_KEY="sk-..."

# 🚀 运行完整流水线
researchclaw run --config config.arc.yaml --auto-approve

# 🎯 指定研究主题
researchclaw run --config config.arc.yaml --topic "Transformer 注意力机制在时间序列中的应用" --auto-approve

# ✅ 仅验证配置
researchclaw validate --config config.arc.yaml

# ⏩ 从指定阶段恢复
researchclaw run --config config.arc.yaml --from-stage PAPER_OUTLINE --auto-approve

输出保存在 artifacts/rc-YYYYMMDD-HHMMSS-<hash>/，每个阶段一个子目录。

所有用户可交付成果自动汇集到 deliverables/ 文件夹：

artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/
├── paper_final.md             # 终稿（Markdown）
├── paper.tex                  # 适配顶会模板的 LaTeX
├── references.bib             # 已验证的 BibTeX 参考文献（自动精简）
├── neurips_2025.sty           # 会议样式文件（自动选择）
├── code/                      # 实验代码 + requirements.txt
├── verification_report.json   # 引用完整性报告
├── charts/                    # 结果可视化（条件对比图、误差线）
└── manifest.json              # 交付清单（含元数据）

deliverables/ 文件夹可直接编译——包含会议 .sty 和 .bst 文件，可直接用 pdflatex + bibtex 编译，或上传 Overleaf 无需额外下载。

第 4 阶段调用真实学术 API，而非依赖 LLM 凭记忆编造论文。采用 arXiv 优先策略以避免 Semantic Scholar 限流。

• arXiv API（主源）— 预印本（真实 arXiv ID 和元数据），无速率限制
• Semantic Scholar API（副源）— 真实论文（标题、摘要、期刊、引用次数、DOI）
• 查询扩展 — 自动生成更广泛的搜索词（综述、基准、对比变体），目标覆盖 30-60 篇参考文献
• 自动去重 — DOI → arXiv ID → 模糊标题匹配
• BibTeX 生成 — 有效的 @article{cite_key, ...} 条目
• 三态熔断器 — CLOSED → OPEN → HALF_OPEN 自动恢复，指数退避冷却（永不永久禁用）
• 优雅降级 — S2 失败不阻塞 arXiv 结果；所有 API 均失败时回退到 LLM 增强结果

论文写完后，自动对每条引用进行完整性和相关性核查：

每条引用 → VERIFIED ✅ · SUSPICIOUS ⚠️ · HALLUCINATED ❌ · SKIPPED ⏭️ · LOW_RELEVANCE 📉

自动清理：幻觉引用从论文文本中静默移除（不留标记）。未被引用的参考文献条目自动精简。最终的 references.bib 仅包含已验证的、被引用的参考文献。

第 1 阶段自动检测本地 GPU 能力，据此调整整条流水线：

• 代码验证 — AST 解析、import 白名单、禁止沙箱外文件操作
• 计算预算守卫 — 时间预算（可配置，默认 600 秒）注入代码生成提示；LLM 必须设计在沙箱超时内可完成的实验
• 实验 Harness — 不可变的 experiment_harness.py 注入沙箱，提供 should_stop() 时间守卫、report_metric() NaN/Inf 拒绝、finalize() 结果写入
• 结构化输出 — 实验产出 results.json（类型化指标，非仅 stdout 解析）
• NaN/发散快速失败 — NaN/Inf 值从指标中过滤；发散损失（>100）被检测并标记
• 收敛判据强制 — 生成的代码必须包含 early stopping，不允许固定迭代次数
• 运行时 Bug 检测 — 自动发现指标中的 NaN/Inf 和 stderr 警告
• 自修复 — 运行时问题反馈给 LLM 进行根因诊断修复
• 迭代优化 — 第 13 阶段分析结果并改进代码/参数后重新运行（最多 10 次迭代）
• 部分结果捕获 — 超时但已捕获指标的实验状态设为 "partial"，保留可用数据
• 主题-实验对齐 — 基于 LLM 的代码生成后验证，确保实验代码真正测试所声明的研究主题

写作流水线对标 NeurIPS/ICML/ICLR 标准（9+ 页，5,000-6,500 词）：

• 数据完整性执行 — 实验无指标时硬性阻止论文撰写（防止 LLM 捏造结果）
• 顶会级提示 — 系统提示包含已接收论文分析的关键原则：新颖性、叙事性、强基线、消融实验、诚实性、可复现性
• 标题与框架指南 — 新颖性信号、"可传播性测试"、5 句式摘要结构
• 分段撰写 — 3 次顺序 LLM 调用，避免输出截断
• 逐节字数目标 — 摘要（150-250）、引言（800-1000）、相关工作（600-800）、方法（1000-1500）、实验（800-1200）、结果（600-800）、讨论（400-600）
• 修订长度保障 — 修订稿若短于初稿，自动重试
• 反免责声明强制 — "due to computational constraints" 最多出现 1 次；修订提示主动删除重复的模糊表述
• 统计严谨性 — 结果表格要求包含置信区间、p 值和效应量；失效消融被标记并排除在声明之外
• 顶会级同行评审 — 审稿人按 NeurIPS/ICML 评分标准打分 1-10

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

Markdown → LaTeX 转换器自动处理：章节标题（含自动编号去重）、行内/行间数学公式、粗体/斜体、列表、表格（含 \caption/\label）、图片（\includegraphics）、代码块（Unicode 安全）、交叉引用和 \cite{} 引用。

用 --auto-approve 跳过所有门控，或在 security.hitl_required_stages 中配置特定阶段。

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

# === 研究 ===
research:
  topic: "..."                     # 研究主题（必填）
  domains: ["ml", "nlp"]
  daily_paper_count: 8
  quality_threshold: 4.0

# === 运行时 ===
runtime:
  timezone: "Asia/Shanghai"
  max_parallel_tasks: 3
  approval_timeout_hours: 12
  retry_limit: 2

# === LLM ===
llm:
  provider: "openai-compatible"
  base_url: "https://..."
  api_key_env: "OPENAI_API_KEY"
  primary_model: "gpt-4o"
  fallback_models: ["gpt-4o-mini"]
  s2_api_key: ""                   # Semantic Scholar API key（可选，更高速率限制）

# === 实验 ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 600             # 每次运行最大执行时间（默认：600 秒）
  max_iterations: 10
  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        # 自动检测 import → requirements.txt

# === 导出 ===
export:
  target_conference: "neurips_2025"
  authors: "匿名"
  bib_file: "references"

# === Prompts ===
prompts:
  custom_file: ""                  # 自定义 Prompt YAML 路径（空 = 使用默认）

# === 安全 ===
security:
  hitl_required_stages: [5, 9, 20]
  allow_publish_without_approval: false
  redact_sensitive_logs: true

# === 知识库 ===
knowledge_base:
  backend: "markdown"
  root: "docs/kb"

# === 通知 ===
notifications:
  channel: "console"
  target: ""

# === OpenClaw Bridge ===
openclaw_bridge:
  use_cron: false
  use_message: false
  use_memory: false
  use_sessions_spawn: false
  use_web_fetch: false
  use_browser: false

灵感来源：

• 🔬 AI Scientist（Sakana AI）— 自动化研究先驱
• 🧠 AutoResearch（Andrej Karpathy）— 端到端研究自动化
• 🌐 FARS（Analemma）— 全自动研究系统

MIT — 详见 LICENSE。

_{Built with 🦞 by the AutoResearchClaw team}