AutoResearch Skill：让 AI 从想法直达论文级证据的研究助手

Skill超级捕获手 技术创作者 2026-09-18 891 阅读

AutoResearch Skill：让 AI 从想法直达论文级证据的研究助手

AI/ML 学术界和工业界有一个长期痛点：从「有个想法」到「有证据支撑的结论」，中间隔着几周甚至几个月的文献阅读、实验设计、代码编写、结果分析、多轮 review——每一步都可能因为人工介入的低效和 bias 而延滞。现在，一个叫 AutoResearch 的开源 Skill，正在试图把这整条链路压缩成一条自动化流水线。

功能与原则

AutoResearch 是一个开源的 AI/ML 研究智能体工作流，由专注 Agent 自进化引擎的 EvoMap 团队发布。它的核心逻辑是：给一个研究想法（或让它自动从最新论文和社区趋势中发现想法），系统自动完成实验规划、代码实现、结果分析、多模型交叉 review，最终输出一个可供论文写作使用的证据包（evidence package）。

设计原则有几条值得注意：多模型独立 review——在 Idea Forge 和评估阶段强制使用至少三个不同模型，而不是让同一个模型自己生成自己审批；有据可查的负结果——当假设被证伪时，保留完整证据而不是强行把它包装成「成功故事」；状态持久化——研究计划、代码、运行日志、指标、失败原因、review 报告全部落盘，中断后可恢复。

认可度

  • GitHub Star：约 4,257（截至 2026-09-12）
  • 本周新增约 2,575 颗 Star（9月第二周爆发式增长）
  • 项目创建于 2026-08-15，上线约 29 天即突破 4k Star，增长曲线陡峭
  • 在 GitHub Python 语言热门榜稳定在前列，GitFind 98 百分位

链接

GitHub：https://github.com/EvoMap/AutoResearch

原作者

EvoMap（Infinite Evolution Lab）——一个十几个人的中国年轻创业团队，基于自研的 GEP（Genome Evolution Protocol，基因组进化协议）做 AI Agent 自进化引擎。旗下还有 Evolver（自进化引擎，GitHub 8.7k Star）、gep-sdk-js、MCP Server 等生态项目。EvoMap 曾在 2026 年初因 Evolver 开源引发与 Hermes Agent 的技术争议一度受到关注。

介绍

AutoResearch 的工作流支持三条路径：完全没有想法时，运行 Idea Generation，从最新论文、开发者社区和开源趋势中自动发现研究方向，输出候选想法、已 review 想法和实验计划；已有具体想法时，直接进入执行路径，输出实验代码、运行日志、结果分析、多模型独立 review；想跑完整流程，先生成想法，再选一个计划执行，获得从研究信号到论文级证据的完整记录。

整个工作流分为六个阶段：① 收集（从多个公开渠道搜集最新研究信号）→ ② 过滤（聚合、去重、筛选、深度评估）→ ③ 交叉（将外部信号与本地领域知识结合）→ ④ 生成与 review（三个以上独立模型独立开发想法并交叉 review）→ ⑤ 规划（检查新鲜度和一致性，为通过的想法生成实验计划）→ ⑥ 执行与评估（运行实验并输出证据包）。

系统本身无法保证每个结论都正确，但它保留了 researcher 审查所需的全部证据和状态。

特点

  • 完整研究链路：从想法发现到论文级证据包，覆盖研究全流程，不需要人工串联各环节
  • 强制多模型独立 review：至少三个不同模型交叉审核，防止单一模型的自我肯定 bias
  • 状态持久化、可中断恢复：研究计划、代码、日志、review 报告全部落盘，长时间任务可随时接管或停止
  • Pilot 先行：先以低成本验证可行性，再决定是否扩大实验规模，避免资源浪费
  • 支持负结果记录：假设被证伪时保留完整证据，逼迫系统承认失败而不是强行圆谎
  • 本地领域知识库：支持用户将自己的研究经验、约束条件、常见失败模式以 Markdown 形式加入知识库，系统在想法生成时会与之交叉

使用方法

环境准备（Linux 或 SSH 机器，需 Git + Python 3.10+）：

git clone https://github.com/EvoMap/AutoResearch.git
cd AutoResearch
bash scripts/bringup.sh

bringup.sh 会创建虚拟环境、安装依赖、运行基线测试和安全扫描，不会产生 API 调用费用。

配置 API 凭证：

test -f .env || cp .env.example .env
test -f config/providers.local.json || 
  cp config/providers.example.json config/providers.local.json
# 编辑 .env 和 config/providers.local.json，填入真实 API URL 和 Key

AutoResearch 不绑定某一特定模型，支持 Gemini、GPT、Claude 或任何兼容 OpenAI 接口的端点。

验证配置可用性：

set -a && . ./.env && set +a
.venv/bin/python scripts/preflight.py --live

运行想法生成（无具体想法时）：

.venv/bin/python idea_generation.py

运行实验执行（已有想法时）：

.venv/bin/python run_pending_forge.py

主要输出目录：data/candidates/（候选信号）、data/verified/（过滤与评估结果）、data/idea_forge/（完整想法、review 结果和实验计划）、logs/（运行日志）。

使用场景与人群

适用场景： AI/ML 学术研究快速验证想法、产品团队 hypothesis-driven 的技术调研、跨领域研究者寻找可落地的研究方向。

目标用户： 对 AI 辅助研究有需求但缺乏大量人力做文献综述和实验验证的团队；希望让研究流程更系统化、避免「拍脑袋」式决策的 PI；需要对 AI 生成结论保持怀疑、要求每一步都有据可查的严谨研究者。

输入与输出案例

输入（无想法路径）： 运行 .venv/bin/python idea_generation.py，系统自动从 arXiv、Hugging Face Papers、Reddit、GitHub Trending 等渠道收集信号，结合本地知识库，输出候选研究方向和实验计划。

输出（Idea Forge 阶段）：

data/
├── candidates/          # 聚合后的候选研究信号
├── verified/            # 经过深度评估的想法
├── idea_forge/          # 完整想法 + 独立 review 报告 + 实验计划
└── logs/               # 本次运行的完整日志

输入（已有想法路径）： 直接运行 run_pending_forge.py，系统执行实验代码，输出运行日志、指标数据、多模型 review 报告和盲评结果，形成证据包供后续论文写作使用。

GitHub: https://github.com/EvoMap/AutoResearch

评论区

0 条评论

登录后可评论。

Skill超级捕获手 891 阅读