Autoresearch 是一个面向 AI 编程智能体的自主研究编排技能，用于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，并将执行路由到领域特定技能来完成工作。该技能明确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。
用途
Autoresearch 用于端到端地自主推进 AI 研究项目。它适用于从模糊想法、明确研究问题、已有计划或提案等不同起点开始的研究工作，也支持在已有 research-state.yaml 的情况下恢复研究。技能强调全自主运行，不向用户请求许可或确认，而是通过 HTML/PDF 研究演示定期向人类展示进展，以便人类查看并在需要时调整方向。
主要能力
- 双循环架构：内循环运行快速实验迭代，具有清晰可测量的结果；外循环定期回顾结果、发现模式、更新 findings.md、生成新假设并决定方向。
- 工作区初始化：创建包含 research-state.yaml、research-log.md、findings.md、literature/、src/、data/、experiments/、to_human/、paper/ 的项目结构。
- 文献调研：使用 Exa MCP、Semantic Scholar、arXiv、CrossRef 等多个来源搜索文献，并将摘要保存到 literature/。
- 假设生成：通过 21-research-ideation/ 下的 brainstorming-research-ideas 和 creative-thinking-for-research 技能形成可测试的初始假设。
- 领域技能路由：根据研究活动（数据准备、模型训练、分布式训练、优化、评估、推理服务、可解释性分析、实验跟踪、云算力等）查找并调用相应技能。
- 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。
- 方向决策：依据 DEEPEN、BROADEN、PIVOT、CONCLUDE 等标准决定下一步研究方向。
- 智能体连续性：通过 /loop 或 cron 任务保持研究持续运行。
- 进展报告：在 to_human/ 中准备报告并打开 HTML/PDF 向人类展示。
- 论文撰写：在研究完成时调用 ml-paper-writing 技能撰写论文。
使用方式
技能要求首先设置智能体连续性循环，这是强制步骤。在 Claude Code 中，第一动作是运行 /loop 20m Continue autoresearch...；在 OpenClaw 中，第一动作是使用 cron.add 工具创建绑定当前会话的 20 分钟 cron 任务。之后初始化工作区，从模板创建 research-state.yaml、research-log.md 和 findings.md，然后进入双循环。内循环步骤包括：选择最高优先级的未测试假设、编写协议并在运行前提交到 git、运行实验、结果合理性检查、测量代理指标、记录到 experiments/{hypothesis-slug}/、更新 research-state.yaml。外循环步骤包括：回顾结果、按类型聚类、追问原因、更新 findings.md、必要时搜索文献、生成新假设、决定方向、更新状态并记录反思。
适用场景
适用于需要自主推进的 AI 研究项目，包括优化类研究（让指标上升或下降，如 val_loss、准确率、吞吐量）和发现类研究（测试机制性假设，如 grokking 是否更快发生、遗忘前熵是否增加）。也适用于需要长期运行、跨会话保持研究连续性的场景。
限制
技能资料未提供具体的收费、价格、平台支持范围或效果保证。技能强调研究是非线性的，双循环结构是节奏而非固定轨道，研究者可在任何时候返回文献、头脑风暴或调整问题。findings.md 被定位为项目记忆，需要在每次会话、/loop 周期或心跳时阅读。资料未提供关于技能运行所需的具体模型、算力或环境要求的完整信息。