SuperAPI AI 工具集
合作ENAI 行业资讯收藏
全部工具AI搜索引擎auto-deep-researcher-24x7

auto-deep-researcher-24x7

Auto Deep Researcher 24x7 是一个用于深度学习实验的自主 AI 智能体，可在你睡觉时 7×24 小时自动运行实验。它采用 Leader-Worker 架构与恒定大小的两层记忆，通过零成本监控（训练期间不调用 LLM）显著降低开销，官方称约 $0.08/24 小时周期。工作循环为 THINK → EXECUTE → REFLECT：读取项目简报、分析历史结果、规划下一次实验，修改代码/配置并试运行后在 GPU 上启动训练，以零 LLM 成本监控训练过程，解析结果、与基线对比并决定下一步，然后重复。支持本地/SSH/Slurm 执行后端，支持通过 provider 预设接入 DeepSeek、Qwen（dashscope）、Kimi（moonshot）、GLM（zhipu）等中文 LLM API。内置实验账本、停滞信号、研究日志、违规扫描与阶段门、反烧钱限速、代码理解与文献检索工具，并支持将进度导出到 Obsidian 或本地文本。

访问官网

工具介绍

用途

Auto Deep Researcher 24x7 是一个面向深度学习实验的自主 AI 智能体，目标是自动执行重复性的实验运维工作，让研究者把时间投入到思考与判断中。它适合已经明确要跑什么实验、但不想全程盯着训练循环的人：启动训练、决定下一个变体、在你睡觉时持续迭代。官方明确表示它不替代研究者，而是接管“实验运维层”。

主要能力

智能体按照 THINK → EXECUTE → REFLECT 循环工作：

  • 思考（Think）：读取项目简报、分析之前的结果、规划下一个实验。
  • 执行（Execute）：修改代码/配置，执行 dry-run，然后在 GPU 上启动训练。
  • 监控（Monitor）：以零 LLM 成本监控训练（仅进程检查与日志读取）。
  • 反思（Reflect）：解析结果、与基线比较、决定下一步要尝试什么。
  • 重复（Repeat）：7×24 无人工干预运行。

it 采用 Leader-Worker 智能体系统，同一时间只有一个 worker 在运行，其余空闲且零成本；两层记忆保持恒定大小。官方强调监控采用零成本策略：训练期间智能体休眠、不发起 API 调用，仅在训练结束时唤醒 LLM；以训练 8 小时的 24 小时周期计，约 $0.08 的 LLM 调用费用。

使用方式

官方给出三步最短路径：

  1. 创建一个项目文件夹，内含一个文件 PROJECT_BRIEF.md。
  2. 运行 /auto-experiment --project /path/to/project --gpu 0。
  3. 用 /experiment-status 查看进度，或使用可选的 Obsidian/本地文本记录。

也可以打开 AI_GUIDE.md，让 Claude / ChatGPT / Codex 引导完成设置。安装步骤上有 API key 需求，例如在 console.anthropic.com 获取并设置；官方还提到 Python 直接启动方式与 Claude Code 方式。

可以通过三个文件控制研究方向：PROJECT_BRIEF.md（稳定目标、约束、允许的搜索空间）、HUMAN_DIRECTIVE.md（下一个周期的临时改向）、workspace/MEMORY_LOG.md（结果与决策的滚动记忆）。进度查看方式包括 /experiment-status、/progress-report、/obsidian-sync，以及在未配置 Obsidian vault 时保存到 workspace/progress_tracking/ 的本地文本记录。

近期版本要点（据官方更新说明）

  • 2026-06-03：新增国内 LLM API 预设，将 agent.provider 设为一词预设 deepseek、qwen（dashscope）、kimi（moonshot）或 glm（zhipu），自动填充 OpenAI 兼容的 base_url 与默认 key 环境变量（DEEPSEEK_API_KEY / DASHSCOPE_API_KEY / MOONSHOT_API_KEY / ZHIPUAI_API_KEY），只需设置该厂商的 model id；base_url / api_key_env 仍可覆盖以用于自托管或代理端点。
  • 2026-06-02：新增 Slurm 执行后端（execution.mode: "slurm"），控制器留在本地，训练通过一次性 SSH 调用的 sbatch --parsable 提交到登录节点；sacct 作为存活状态的唯一权威，并通过两个边界保证监控循环终止。同时新增“真实的实验结局”：监控通过 final_status() 获取已完成任务的真实终态，FAILED / TIMEOUT / CANCELLED 不再被静默记为 completed，结果流入 state.json、实验账本与 REFLECT 上下文；仅 pid 的后端（local / ssh）报告为不确定并保持原行为。
  • 2026-06-01 v2.0：新增自主层（实验账本 experiments.jsonl、数据驱动停滞信号、追加式研究日志 DEAD_ENDS.md 与 INSIGHTS.md、零成本违规扫描与建议式阶段门、主动反烧钱限速 agent.max_cycles_per_hour）；新增智能体工具（search_code、list_tree、read_file 行范围、get_paper、search_arxiv），并说明所有新工具在本地与 SSH 执行模式下表现一致。

适用场景与限制

适用场景：已有明确实验目标、希望自动做重复实验运维（启动、监控、解析日志、扫超参）的深度学习研究。官方同时表达了使用期望：不要把该工具用于伪造结果、无人在环的“研究”或绕过需要人真正理解的部分；科学应保持纯粹，想法、解释与责任应留给人。

限制与注意事项：官方未在资料中说明具体的基准测试结果（原文称“Battle-Tested Results”来自数月 7×24 运行的实战结果而非基准）；未列出支持的模型清单、GPU 型号要求、系统依赖、许可协议与收费政策。成本数字（约 $0.08/24 小时周期）是官方在其设定（训练 8 小时）下的说明，实际可能因配置不同而变化。安装与运行需要 API key，具体获取与设置方式以官方文档为准。

同类工具

查看分类