SuperAPI AI 工具集

autoresearch

智能体与模型

查看项目

更新于 10-21 16:20

技能介绍

Autoresearch 是一个用于 AI 编程智能体的自主研究编排技能,目标是让智能体自主管理从文献调研到发表论文的完整研究生命周期。它通过维护结构化状态、运行双循环实验-综合周期,并将具体执行路由到领域专用技能来完成工作。

用途与定位 该技能将智能体定位为研究项目经理,而非领域专家。智能体负责编排,领域技能负责执行。它强调完全自主运行:不向用户请求许可或确认,而是依靠自身判断持续推进,并通过研究演示(HTML/PDF)频繁向人类展示进展,以便人类在必要时进行方向调整。

主要能力

  1. 双循环架构:内循环进行快速实验迭代,目标是运行具有明确可测量结果的受约束实验,可以是优化基准(如降低 val_loss)或测试机制假设(如干预 X 是否导致效应 Y)。外循环定期回顾结果、聚类分析、追问原因、更新 findings.md、生成新假设并决定方向。两个循环之间没有严格边界,通常每 5-10 个实验或发现模式、进展停滞时进行反思。
  2. 工作区初始化:在项目根目录创建 research-state.yaml(中央状态跟踪)、research-log.md(决策时间线)、findings.md(演进式叙述综合)、literature/(论文与调研笔记)、src/(可复用代码)、data/(原始结果数据)、experiments/(按假设组织的工作目录)、to_human/(面向人类的进展演示与报告)、paper/(最终论文)。
  3. 文献调研:使用 Exa MCP、Semantic Scholar、arXiv、CrossRef 等多个来源搜索文献,将每篇论文摘要保存到 literature/,并维护 literature/survey.md。
  4. 假设生成:调用 21-research-ideation/ 下的 brainstorming-research-ideas 和 creative-thinking-for-research 等技能,形成可测试且带明确预测的假设。
  5. 评估定义:在实验前设定代理指标和基线,指标应可在数分钟内计算,并提前锁定评估标准以防止指标操纵。
  6. 领域技能路由:根据研究活动查找对应技能目录,如数据准备(05-data-processing/)、模型训练(01-model-architecture/、03-fine-tuning/、06-post-training/)、分布式训练(08-distributed-training/)、优化(10-optimization/)、评估(11-evaluation/)、推理服务(12-inference-serving/)、可解释性(04-mechanistic-interpretability/)、实验跟踪(13-mlops/)、云算力(09-infrastructure/)等。
  7. 实验轨迹跟踪:维护跨实验的可测量结果记录,生成优化曲线图用于进展报告。
  8. 方向决策:根据结果选择深化(DEEPEN)、拓宽(BROADEN)、转向(PIVOT)或收尾(CONCLUDE)。

使用方式 用户可能以不同状态进入:模糊想法、明确研究问题、已有计划或提案、或恢复已有研究(存在 research-state.yaml)。智能体据此决定是简要讨论后引导启动、直接引导、审查计划并进入循环,还是读取状态继续。

强制性的智能体连续性设置:在开始任何研究前,必须先设置墙钟循环。在 Claude Code 中运行 /loop 20m 命令;在 OpenClaw 中使用 cron.add 工具创建每 20 分钟(everyMs: 1200000)触发、绑定当前会话的 cron 任务。该循环纯粹是墙钟节奏,与内/外研究循环完全独立,每次触发时读取状态文件、检查是否异常、继续推进工作,绝不空闲。

适用场景 适用于需要自主运行、持续迭代的 AI 研究项目,尤其是机器学习与 AI 领域的实验优化和机制发现。适合希望智能体在人类睡眠或忙碌时仍能推进研究、并通过定期报告展示进展的场景。

限制 该技能要求智能体具备运行实验的计算环境与相应领域技能库。它不提供具体领域知识,具体执行依赖被路由到的领域技能。关于收费、价格、平台支持范围等事实,资料中暂未提供。