OpenClaw에 채팅하세요: "X 연구해줘" → 완료.

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

📖 통합 가이드

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

아이디어가 있고, 논문이 필요합니다. 그게 전부입니다.

AutoResearchClaw는 연구 주제를 받아 완전한 학술 논문을 자율적으로 작성합니다 — arXiv와 Semantic Scholar에서 실제 문헌을 검색하고(다중 소스, 속도 제한 회피를 위한 arXiv 우선), 하드웨어 인식 샌드박스 실험(GPU/MPS/CPU 자동 감지), 통계 분석, 피어 리뷰, 그리고 학회 수준의 LaTeX(NeurIPS/ICML/ICLR 대상 5,000-6,500단어)를 수행합니다. 수동 관리가 필요 없습니다. 도구 간 복사-붙여넣기도 필요 없습니다.

파이프라인은 사람의 개입 없이 처음부터 끝까지 실행됩니다 (수동 검토를 위한 게이트 단계를 설정하지 않는 한). 실험이 실패하면 자가 복구합니다. 가설이 성립하지 않으면 방향을 전환합니다.

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

파이프라인은 단순히 선형으로 실행되지 않습니다. 15단계(RESEARCH_DECISION)에서 실험 결과를 가설과 비교 평가하고 자율적으로 결정을 내립니다:

• PROCEED — 결과가 가설을 지지하므로 논문 작성으로 진행
• REFINE — 결과가 유망하나 개선이 필요하므로 코드/매개변수를 개선하기 위해 루프 복귀
• PIVOT — 근본적인 문제가 발견되어 새로운 방향으로 가설 생성부터 재시작

각 PIVOT/REFINE 주기는 이전 산출물을 버전 관리합니다 (stage-08_v1/, stage-08_v2/, ...) 따라서 작업이 손실되지 않으며 의사결정 과정이 완전히 추적 가능합니다.

핵심 단계에서는 다수의 LLM 관점을 활용한 구조화된 토론 프로토콜을 사용합니다:

• 가설 생성 — 다양한 에이전트가 아이디어를 제안하고 반론을 제기
• 결과 분석 — 낙관론자, 회의론자, 실용주의자가 결과를 분석
• 피어 리뷰 — 방법론-증거 일관성 검사 (논문이 50회 시행을 주장하는데 코드는 5회만 실행했는지 확인)

모든 파이프라인 실행은 세밀한 교훈을 추출합니다 — 단순히 "실패했다"가 아니라 왜 실패했는지:

• PIVOT/REFINE 선택의 의사결정 근거
• 실험 stderr의 런타임 경고 (예: RuntimeWarning: division by zero)
• 메트릭 이상 (NaN, Inf, 동일한 수렴 속도)

이 교훈들은 30일 반감기 시간 감쇠 가중치를 적용하여 JSONL 저장소에 보존되며, 향후 실행에 프롬프트 오버레이로 주입됩니다. 파이프라인은 말 그대로 실수로부터 학습합니다.

모든 실행은 6개 카테고리로 구성된 구조화된 지식 기반을 구축합니다 (docs/kb/에 저장):

• decisions/ — 실험 설계, 품질 게이트, 연구 결정, 자원 계획, 검색 전략, 지식 아카이브
• experiments/ — 코드 생성 로그, 실험 실행, 반복적 개선
• findings/ — 인용 검증, 결과 분석, 종합 보고서
• literature/ — 지식 추출, 문헌 수집, 선별 결과
• questions/ — 가설 생성, 문제 분해, 주제 초기화
• reviews/ — 내보내기/출판 보고서, 논문 초안, 개요, 수정, 피어 리뷰

메인 파이프라인이 놓칠 수 있는 문제를 포착하는 백그라운드 품질 모니터:

• 런타임 버그 감지 — 메트릭의 NaN/Inf, stderr 경고를 LLM에 피드백하여 표적화된 수리
• 논문-증거 일관성 — 실제 실험 코드, 실행 결과, 개선 로그를 피어 리뷰에 주입
• 인용 관련성 점수 — 존재 여부 검증 외에도 LLM이 각 참고문헌의 주제 관련성을 평가
• 수렴 기준 적용 — 고정 반복 실험을 감지하고 적절한 조기 종료를 요구
• 절제 실험 검증 — 중복/동일한 절제 조건을 감지하고 잘못된 비교를 표시
• 날조 방지 가드 — 실험이 메트릭을 생성하지 않으면 논문 작성을 강제 차단

OpenClaw을 이미 AI 어시스턴트로 사용하고 있다면:

1️⃣  GitHub 저장소 URL을 OpenClaw에 공유
2️⃣  OpenClaw이 자동으로 RESEARCHCLAW_AGENTS.md를 읽고 → 파이프라인을 이해
3️⃣  "Research [주제]"라고 말하기
4️⃣  완료 — OpenClaw이 클론, 설치, 설정, 실행, 결과 반환까지 자동 처리

그게 전부입니다. OpenClaw이 git clone, pip install, 설정 구성, 파이프라인 실행을 자동으로 처리합니다. 채팅만 하면 됩니다.

더 깊은 통합을 위해 AutoResearchClaw는 6가지 선택적 기능을 갖춘 브릿지 어댑터 시스템을 포함합니다:

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ 예약된 연구 실행
  use_message: true           # 💬 진행 상황 알림 (Discord/Slack/Telegram)
  use_memory: true            # 🧠 세션 간 지식 영속성
  use_sessions_spawn: true    # 🔀 동시 단계를 위한 병렬 서브세션 생성
  use_web_fetch: true         # 🌐 문헌 검토 중 실시간 웹 검색
  use_browser: false          # 🖥️ 브라우저 기반 논문 수집

각 플래그는 타입이 지정된 어댑터 프로토콜을 활성화합니다. OpenClaw이 이러한 기능을 제공하면 어댑터가 코드 변경 없이 이를 소비합니다. 전체 세부 사항은 integration-guide.md를 참조하세요.

단계 A: 연구 범위 설정            단계 E: 실험 실행
  1. TOPIC_INIT                      12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE               13. ITERATIVE_REFINE  ← 자가 복구

단계 B: 문헌 탐색                단계 F: 분석 및 의사결정
  3. SEARCH_STRATEGY                 14. RESULT_ANALYSIS    ← 멀티 에이전트
  4. LITERATURE_COLLECT  ← 실제 API  15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN   [게이트]
  6. KNOWLEDGE_EXTRACT               단계 G: 논문 작성
                                     16. PAPER_OUTLINE
단계 C: 지식 종합                   17. PAPER_DRAFT
  7. SYNTHESIS                       18. PEER_REVIEW        ← 증거 확인
  8. HYPOTHESIS_GEN    ← 토론        19. PAPER_REVISION

단계 D: 실험 설계               단계 H: 최종화
  9. EXPERIMENT_DESIGN   [게이트]      20. QUALITY_GATE      [게이트]
 10. CODE_GENERATION                 21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING               22. EXPORT_PUBLISH     ← LaTeX
                                     23. CITATION_VERIFY    ← 관련성 확인

게이트 단계 (5, 9, 20)는 사람의 승인을 기다리거나 --auto-approve로 자동 승인합니다. 거부 시 파이프라인이 롤백됩니다.

의사결정 루프: 15단계에서 REFINE (→ 13단계) 또는 PIVOT (→ 8단계)을 트리거할 수 있으며, 산출물 버전 관리가 자동으로 이루어집니다.

• 🐍 Python 3.11+
• 🔑 OpenAI 호환 LLM API 엔드포인트 (GPT-4o, GPT-5.x 또는 기타 호환 제공자)

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"     # OpenAI 호환 엔드포인트
  api_key_env: "OPENAI_API_KEY"              # API 키가 포함된 환경 변수 이름
  primary_model: "gpt-4o"                    # 엔드포인트가 지원하는 모든 모델
  fallback_models: ["gpt-4o-mini"]
  s2_api_key: ""                             # 선택 사항: 더 높은 속도 제한을 위한 Semantic Scholar API 키

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

# API 키 설정
export OPENAI_API_KEY="sk-..."

# 🚀 전체 파이프라인 실행
researchclaw run --config config.arc.yaml --auto-approve

# 🎯 주제를 인라인으로 지정
researchclaw run --config config.arc.yaml --topic "Transformer attention for time series" --auto-approve

# ✅ 설정 검증
researchclaw validate --config config.arc.yaml

# ⏩ 특정 단계부터 재개
researchclaw run --config config.arc.yaml --from-stage PAPER_OUTLINE --auto-approve

출력 → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/ 각 단계별 하위 디렉토리 포함.

모든 사용자 대상 결과물은 자동으로 하나의 deliverables/ 폴더에 수집됩니다:

artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/
├── paper_final.md             # 최종 논문 (Markdown)
├── paper.tex                  # 학회 제출용 LaTeX
├── references.bib             # 검증된 BibTeX 참고문헌 (자동 정리)
├── neurips_2025.sty           # 학회 스타일 파일 (자동 선택)
├── code/                      # 실험 코드 + requirements.txt
├── verification_report.json   # 인용 무결성 보고서
├── charts/                    # 결과 시각화 (조건 비교, 오차 막대)
└── manifest.json              # 메타데이터가 포함된 결과물 인덱스

deliverables/ 폴더는 바로 컴파일 가능합니다 — 학회 .sty 및 .bst 파일이 포함되어 있어 pdflatex + bibtex로 paper.tex를 바로 컴파일하거나 추가 다운로드 없이 Overleaf에 업로드할 수 있습니다.

4단계에서 실제 학술 API를 쿼리합니다 — LLM이 생성한 가짜 논문이 아닙니다. Semantic Scholar 속도 제한을 피하기 위해 arXiv 우선 전략을 사용합니다.

• arXiv API (주요) — 실제 arXiv ID와 메타데이터가 포함된 프리프린트, 속도 제한 없음
• Semantic Scholar API (보조) — 제목, 초록, 학회, 인용 수, DOI가 포함된 실제 논문
• 쿼리 확장 — 포괄적인 커버리지(30-60개 참고문헌)를 위해 더 넓은 쿼리를 자동 생성 (서베이, 벤치마크, 비교 변형)
• 자동 중복 제거 — DOI → arXiv ID → 퍼지 제목 매칭
• BibTeX 생성 — 실제 메타데이터가 포함된 유효한 @article{cite_key, ...} 항목
• 3상태 서킷 브레이커 — CLOSED → OPEN → HALF_OPEN 복구, 지수 백오프 쿨다운 (영구 비활성화 없음)
• 단계적 성능 저하 — S2 실패 시 arXiv 결과를 차단하지 않음; 모든 API 실패 시 LLM 보강 결과로 폴백

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())

논문 작성 후, 23단계에서 모든 참고문헌의 무결성과 관련성을 팩트체크합니다:

각 참고문헌 → VERIFIED ✅ · SUSPICIOUS ⚠️ · HALLUCINATED ❌ · SKIPPED ⏭️ · LOW_RELEVANCE 📉

자동 정리: 환각된 인용은 논문 텍스트에서 조용히 제거됩니다 ([HALLUCINATED] 태그 없음). 인용되지 않은 참고문헌 항목은 정리됩니다. 최종 references.bib에는 검증되고 인용된 참고문헌만 포함됩니다.

1단계에서 로컬 GPU 기능을 자동 감지하고 전체 파이프라인을 적응시킵니다:

하드웨어 프로필은 stage-01/hardware_profile.json에 저장되며 코드 생성, 샌드박스 임포트, 프롬프트 제약에 영향을 줍니다.

• 코드 검증 — AST 파싱, 임포트 화이트리스트, 샌드박스 외부 파일 I/O 금지
• 컴퓨팅 예산 보호 — 시간 예산 (설정 가능, 기본값 600초)을 코드 생성 프롬프트에 주입; LLM은 샌드박스 타임아웃 내에서 완료되는 실험을 설계해야 함
• 실험 하네스 — 불변 experiment_harness.py가 샌드박스에 주입되며 should_stop() 시간 가드, report_metric() NaN/Inf 거부, finalize() 결과 기록 기능 포함 (karpathy/autoresearch의 불변 평가 패턴에서 영감)
• 구조화된 출력 — 실험이 타입이 지정된 메트릭이 포함된 results.json을 생성 (단순 stdout 파싱이 아님)
• 스마트 메트릭 파싱 — 키워드 감지(is_metric_name())를 사용하여 로그 라인을 메트릭에서 필터링
• NaN/발산 즉시 실패 — 메트릭에서 NaN/Inf 값 필터링; 발산하는 손실 (>100) 감지 및 표시
• 수렴 기준 적용 — 생성된 코드에 고정 반복 횟수가 아닌 조기 종료 기준이 반드시 포함되어야 함
• 런타임 버그 감지 — NaN/Inf 메트릭 및 stderr 경고 (0으로 나눔, 오버플로우)가 자동 감지
• 자가 복구 수리 — 런타임 문제를 LLM에 피드백하여 근본 원인을 수정하는 표적화된 진단 (임시방편 try/except가 아님)
• 반복적 개선 — 13단계에서 결과를 분석하고 개선된 코드/매개변수로 재실행 (최대 10회 반복, 타임아웃 인식 프롬프트)
• 부분 결과 캡처 — 캡처된 메트릭이 있는 타임아웃 실험은 "failed" 대신 "partial" 상태를 받아 사용 가능한 데이터를 보존
• 주제-실험 정렬 — LLM 기반 사후 생성 검사로 실험 코드가 실제로 명시된 연구 주제를 테스트하는지 확인

작성 파이프라인은 NeurIPS/ICML/ICLR 기준 (9+ 페이지, 5,000-6,500단어)을 목표로 합니다:

• 데이터 무결성 적용 — 실험이 메트릭을 생성하지 않으면 논문 작성이 강제 차단됨 (LLM의 결과 날조 방지); 날조 방지 지침이 초안 및 수정 프롬프트에 모두 주입
• 학회 수준 프롬프트 — 시스템 프롬프트에 채택된 논문 분석의 핵심 원칙 포함: 참신성, 서사, 강력한 기준선, 절제, 정직성, 재현성; 일반적인 거절 사유 표시
• 제목 및 프레이밍 가이드라인 — 참신성 신호, 기억에 남는 제목 테스트, 5문장 초록 구조, 일반적인 제목 감지 및 재생성
• 섹션별 작성 — 3회 순차 LLM 호출 (서론+관련 연구 → 방법론+실험 → 결과+결론)로 출력 잘림 방지
• 섹션별 목표 단어 수 — 초록 (150-250), 서론 (800-1000), 관련 연구 (600-800), 방법론 (1000-1500), 실험 (800-1200), 결과 (600-800), 토론 (400-600)
• 수정 길이 제한 — 수정된 논문이 초안보다 짧으면 더 강한 규칙으로 자동 재시도; 필요시 초안+주석으로 폴백
• 면책 조항 방지 적용 — "계산 제약으로 인해"를 최대 1회로 제한; 수정 프롬프트에서 반복되는 단서를 적극 제거
• 통계적 엄밀성 — 결과 표에 신뢰 구간, p-값, 효과 크기 필요; 결함 있는 절제 실험은 표시 및 주장에서 제외
• 학회 평가 기준 피어 리뷰 — 리뷰어가 NeurIPS/ICML 기준에 따라 1-10점 평가 (참신성, 기준선, 절제, 주장 대 증거, 한계점)

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

Markdown → LaTeX 변환기는 다음을 처리합니다: 섹션 제목 (자동 번호 매김 중복 제거), 인라인/디스플레이 수학, 굵게/기울임, 목록, 표 (\caption/\label 포함), 그림 (\includegraphics), 코드 블록 (유니코드 안전), 교차 참조, \cite{} 참고문헌.

--auto-approve를 사용하여 모든 게이트를 건너뛰거나, security.hitl_required_stages에서 특정 단계를 설정하세요.

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

# === 연구 ===
research:
  topic: "..."                     # 연구 주제 (필수)
  domains: ["ml", "nlp"]           # 문헌 검색용 연구 분야
  daily_paper_count: 8             # 검색 쿼리당 목표 논문 수
  quality_threshold: 4.0           # 논문 최소 품질 점수

# === 런타임 ===
runtime:
  timezone: "America/New_York"     # 타임스탬프용
  max_parallel_tasks: 3            # 동시 실험 제한
  approval_timeout_hours: 12       # 게이트 단계 타임아웃
  retry_limit: 2                   # 단계 실패 시 재시도 횟수

# === LLM ===
llm:
  provider: "openai-compatible"    # 제공자 유형
  base_url: "https://..."          # API 엔드포인트 (필수)
  api_key_env: "OPENAI_API_KEY"    # API 키용 환경 변수 (필수)
  api_key: ""                      # 또는 키를 직접 입력
  primary_model: "gpt-4o"          # 기본 모델
  fallback_models: ["gpt-4o-mini"] # 폴백 체인
  s2_api_key: ""                   # Semantic Scholar API 키 (선택, 더 높은 속도 제한)

# === 실험 ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 600             # 실행당 최대 실행 시간 (기본값: 600초)
  max_iterations: 10               # 최대 최적화 반복 횟수
  metric_key: "val_loss"           # 기본 메트릭 이름
  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        # import 자동 감지 → requirements.txt
  ssh_remote:
    host: ""                       # GPU 서버 호스트명
    gpu_ids: []                    # 사용 가능한 GPU ID
    remote_workdir: "/tmp/researchclaw_experiments"

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

# === 프롬프트 ===
prompts:
  custom_file: ""                  # 사용자 정의 프롬프트 YAML 경로 (비어 있으면 기본값)

# === 보안 ===
security:
  hitl_required_stages: [5, 9, 20] # 사람의 승인이 필요한 단계
  allow_publish_without_approval: false
  redact_sensitive_logs: true

# === 지식 기반 ===
knowledge_base:
  backend: "markdown"              # markdown | obsidian
  root: "docs/kb"

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

# === OpenClaw 브릿지 ===
openclaw_bridge:
  use_cron: false                  # 예약된 연구 실행
  use_message: false               # 진행 상황 알림
  use_memory: false                # 세션 간 지식 영속성
  use_sessions_spawn: false        # 병렬 서브세션 생성
  use_web_fetch: false             # 실시간 웹 검색
  use_browser: false               # 브라우저 기반 논문 수집

다음 프로젝트에서 영감을 받았습니다:

• 🔬 AI Scientist (Sakana AI) — 자동화 연구의 선구자
• 🧠 AutoResearch (Andrej Karpathy) — 엔드투엔드 연구 자동화
• 🌐 FARS (Analemma) — 완전 자동 연구 시스템

MIT — 자세한 내용은 LICENSE를 참조하세요.

_{Built with 🦞 by the AutoResearchClaw team}