❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

🚀 「论文生产力革命！港大开源AI科研代理：输入想法=自动出论文+实验报告」

大家好，我是蚝油菜花。你是否经历过这些崩溃瞬间——

• 👉 凌晨3点还在手动爬取文献，咖啡续命到心悸
• 👉 实验方案改了20版，跑代码时发现参数全错
• 👉 导师催稿在即，论文结论段写了删删了写...

今天要揭秘的 港大AI-Researcher ，正在掀起科研界的工业革命！这个由香港大学数据科学实验室打造的开源神器，能实现：

• ✅ 文献综述自动化：5分钟扫荡arXiv+GitHub最新成果
• ✅ 智能实验设计：自动验证算法并生成可视化报告
• ✅ 论文全流程托管：从引言到参考文献一键生成SCI级文稿

已有博士生用它3天完成顶会投稿，连评审都惊叹「这实验设计比人类更严谨」。想知道如何用AI自动「肝」出高质量论文？接下来的保姆级教程千万别眨眼！

🚀 快速阅读

AI-Researcher 是一个基于大型语言模型（LLM）的自动化科研工具。

1. 核心功能：支持文献综述、算法设计、实验验证和论文撰写等全流程自动化。
2. 技术原理：基于多模态数据集成、LLM 智能代理和自动化实验验证等技术，实现科研任务的高效处理。

AI-Researcher 是什么

AI-Researcher 是香港大学数据科学实验室推出的开源自动化科研工具，旨在通过大型语言模型（LLM）代理实现从研究想法到论文发表的全流程自动化。该工具支持用户在两种模式下操作：一是提供详细的研究想法描述，系统据此生成实现策略；二是提供参考文献，系统自主生成创新想法并实施。

AI-Researcher 集成了文献综述、想法生成、算法设计与验证、结果分析和论文撰写等核心功能，支持多领域研究，并基于开源的基准测试套件评估研究质量。无论是计算机视觉、自然语言处理，还是数据挖掘等领域，AI-Researcher 都能提供高效的科研支持。

AI-Researcher 的主要功能

• 文献综述：系统自动收集和分析特定领域的现有研究文献，基于检索学术数据库（如 arXiv、IEEE Xplore 等）和代码平台（如 GitHub、Hugging Face）获取高质量的研究资源。
• 算法验证与优化：自动进行实验设计、执行和结果分析，评估算法的性能，根据反馈进行优化，确保算法的有效性和可靠性。
• 论文撰写：自动生成完整的学术论文，包括研究背景、方法、实验结果和讨论等内容。
• 多领域支持与基准测试：支持计算机视觉、自然语言处理、数据挖掘等多个领域的研究，提供标准化的基准测试框架，用于评估研究质量和创新性。

AI-Researcher 的技术原理

• 多模态数据集成与处理：系统基于自动化工具从学术数据库和代码平台收集文献、代码和数据集，利用自然语言处理（NLP）技术对文本内容进行解析和分析，提取关键信息。
• 基于LLM的智能代理：基于大型语言模型（LLM）作为核心驱动，利用预训练模型（如 OpenAI 的 GPT 或 DeepSeek 的模型）生成高质量的文本内容，包括研究想法、算法设计和论文撰写。
• 自动化实验与验证：系统基于容器化技术（如 Docker）和自动化脚本，实现算法的快速部署和实验执行。系统自动设计实验流程、收集结果，基于机器学习技术对结果进行分析和优化。
• 多级任务处理与模块化设计：支持两种任务级别：用户提供详细想法（Level 1）和仅提供参考文献（Level 2）。系统根据任务级别调用不同的模块，实现从想法生成到论文撰写的全流程自动化。

如何运行 AI-Researcher

AI-Researcher 是一个全自动化科学发现系统，它通过先进的 AI 代理技术重塑传统研究范式，为研究人员提供从概念到发表的无缝支持。下面将为您详细介绍如何运行 AI-Researcher，并结合具体示例演示其主要功能。

环境准备

安装方式一：通过源代码安装

git clone https://github.com/HKUDS/AI-Researcher.git
cd AI-Researcher
pip install -e .

安装方式二：通过 Docker 安装

确保系统已安装 Docker，然后执行以下命令：

docker pull tjbtech1/paperagent:latest

设置 LLM API 密钥

创建环境变量文件 .env，并设置 API 密钥：

OPENAI_API_KEY=
DEEPSEEK_API_KEY=
ANTHROPIC_API_KEY=
GEMINI_API_KEY=
HUGGINGFACE_API_KEY=
GROQ_API_KEY=
XAI_API_KEY=

运行示例

以下是 AI-Researcher 的运行示例，展示了其在不同研究任务中的应用。

示例 1：矢量量化（Vector Quantized）

输入：提示（Prompt）

用户可以提供详细的研究想法描述，系统将根据描述生成实现策略。以下是一个示例输入：

1. 提出的模型旨在通过解决非可微矢量量化层的梯度传播问题，提升矢量量化变分自编码器（VQ-VAE）的性能。
2. 核心方法包括：
   - 旋转和缩放变换：调整编码器输出以对齐最近的码本向量，而不改变前向传播输出。
   - 梯度传播方法：确保梯度从解码器流向编码器，同时保持梯度与码本向量之间的角度。
   - 码本管理：通过连接编码器输出与码本向量的关系，避免码本崩溃并提高利用率。

运行命令

current_dir=$(dirname "$(readlink -f "$0")")
cd $current_dir
export DOCKER_WORKPLACE_NAME=workplace_paper

export BASE_IMAGES=tjbtech1/paperagent:latest

export COMPLETION_MODEL=claude-3-5-sonnet-20241022
export CHEEP_MODEL=claude-3-5-haiku-20241022

category=vq
instance_id=one_layer_vq
export GPUS='"device=0,1"'

python run_infer_plan.py --instance_path ../benchmark/final/${category}/${instance_id}.json --container_name paper_eval --task_level task1 --model $COMPLETION_MODEL --workplace_name workplace --cache_path cache --port 12372 --max_iter_times 0 --category ${category}

输出

运行完成后，系统将生成一份完整的论文（PDF 文件）以及研究工作区的代码实现。您可以点击以下链接查看示例输出：

• 论文：https://github.com/HKUDS/AI-Researcher/examples/rotation_vq/paper.pdf
• 代码实现：https://github.com/HKUDS/AI-Researcher/examples/rotation_vq/project

示例 2：推荐系统（Recommendation）

输入：提示（Prompt）

1. 提出的模型旨在通过利用异构关系信息改进推荐系统中的用户-物品交互预测。
2. 核心技术包括：
   - 异构图神经网络（GNN）：用于嵌入初始化和消息传递。
   - 对比学习：通过跨视图对比学习框架增强表示学习。
   - 元网络：提取个性化知识，促进辅助视图与用户-物品交互视图之间的知识转移。

运行命令

current_dir=$(dirname "$(readlink -f "$0")")
cd $current_dir
export DOCKER_WORKPLACE_NAME=workplace_paper

export BASE_IMAGES=tjbtech1/paperagent:latest

export COMPLETION_MODEL=claude-3-5-sonnet-20241022
export CHEEP_MODEL=claude-3-5-haiku-20241022

category=recommendation
instance_id=heterogeneous_gnn
export GPUS='"device=0,1"'

python run_infer_plan.py --instance_path ../benchmark/final/${category}/${instance_id}.json --container_name paper_eval --task_level task1 --model $COMPLETION_MODEL --workplace_name workplace --cache_path cache --port 12372 --max_iter_times 0 --category ${category}

输出

• 论文：https://github.com/HKUDS/AI-Researcher/examples/hgcl/paper.pdf
• 代码实现：https://github.com/HKUDS/AI-Researcher/examples/hgcl/project

示例 3：论文写作（Paper Writing）

在研究代理完成实验后，您可以使用以下命令生成论文：

#!/bin/bash

cd path/to/AI-Researcher/paper_agent

export OPENAI_API_KEY=sk-SKlupNntta4WPmvDCRo7uuPbYGwOnUQcb25Twn8c718tPpXN

research_field=vq
instance_id=rotated_vq

python path/to/AI-Researcher/paper_agent/writing.py --research_field ${research_field} --instance_id ${instance_id}

请注意，并非所有 LLM API 密钥都是必需的，只需设置你打算使用的 LLM 的 API 密钥。。

资源

• GitHub 仓库：https://github.com/HKUDS/AI-Researcher

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦