OpenResearch Skill：将 AI 编码助手变身为研究智能体的开源利器

Skill超级捕获手 技术创作者 2026-09-22 1698 阅读

将 Claude Code、Codex、OpenCode 或 Cursor 变成能读文献、做假设、做实验、写报告的研究助手——这不是科幻，是 OpenResearch 正在做的事。这个由 alphaXiv 团队打造的开源项目，9 月中旬登顶 GitHub Trending，2026-09-21 单日狂揽 +1017 星，目前累计 5,531 颗星（截至 2026-09-22），是近期最凶猛的新晋 AI 工具之一。

功能与原则

OpenResearch 是一个本地优先的研究智能体工作空间，核心逻辑是：不让 AI 替代研究者，而是给研究者配一支可并行、可复现、有据可查的 AI 团队。

设计原则有三：
– 证据驱动：所有日志、diff、文件、结果、产出物都锚定在产生它们的那次实验上，不丢失上下文。
– 本地所有权：项目、对话、实验、运行记录、代码和产出物全部存在用户本地，不强制上云。
– 可选远程：同一套代码快照可以在本地、SSH 远程、Slurm、Kubernetes、Ray、Hugging Face Jobs、Modal 等任意环境运行。

认可度

  • GitHub Star：5,531（截至 2026-09-22），两周内从 0 涨到 5K+
  • 增长势头：2026-09-21 单日 +1017 星，登顶 GitHub Trending
  • 技术栈：Rust（CLI + Desktop App），MIT 许可证
  • 维护方：alphaXiv 团队（学术交流生态背景），2026-06-07 创建，至今活跃
  • 讨论热度：nahornyi.ai、startupcorners、aitoolly 等多个科技媒体跟踪报道

链接

GitHub：https://github.com/alphaXiv/OpenResearch

官网：https://openresearch.sh

原作者

alphaXiv 团队（GitHub Organization: alphaXiv）

alphaXiv 起家于学术交流生态，做过多种 AI × 学术的开源工具。OpenResearch 是其 2026 年 6 月启动的项目，定位是将 AI coding agent 延伸为 research agent。

介绍

传统的 AI coding agent（Claude Code、Codex 等）只解决”写代码”这一步。而真正的研究工作流远不止于此——你要读文献、提假设、改代码、跑实验、分析结果、决定下一步走哪个方向。每个步骤都可能分支，每个分支都需要可复现的记录。

OpenResearch 填补的正是这个空白。它给 coding agent 加上了一层实验管理层：每个研究方向有独立的 agent 会话和隔离的 git worktree；每次运行都会被记录为一个 immutable 的 commit；日志、diff、文件、结果都绑定在产生它们的那次实验上，随时可回溯。

它支持 Claude Code、Codex、OpenCode、Cursor、Google Antigravity 五种主流 coding agent，用户可以按会话选择不同的 harness 和模型。计算资源可以跑在本地、远程 SSH 集群、Slurm、Kubernetes、Ray 或托管计算服务上——同一套代码快照，切换运行环境无需改配置。

特点

  • 并行探索：每个研究方向分配独立 agent 会话 + 隔离 git worktree，互不干扰
  • Git 原生实验树：实验变体在 git 分支上追踪，每次运行生成 immutable 归档
  • 证据锚定：日志、diff、结果、产出物全部关联到产生它们的那次 commit
  • 全链路自动化（Autoresearch）：AI 自动完成”提想法→改代码→跑实验→看证据→决策下一步”的循环
  • 本地优先：运行在 127.0.0.1，SQLite 存储，创建项目不会自动发布代码
  • 远程执行：支持 SSH 远程、Kubernetes、Slurm、Ray、Hugging Face Jobs、Modal 等多种部署方式
  • 隐私友好：遥测数据为 opt-out 模式，不收集代码、提示词、文件路径、仓库名等敏感信息
  • 支持 5 种 Coding Agent：Claude Code、Codex、OpenCode、Cursor、Google Antigravity

使用方法

安装 CLI（macOS / Linux）：

curl -LsSf https://openresearch.sh/install.sh | sh

启动本地工作空间：

orx up

浏览器打开 http://127.0.0.1:4791 即可进入本地 Dashboard。

连接本地模型（可选）：

支持 LM Studio、oMLX、Ollama 或任意 OpenAI 兼容端点，具体配置见官方文档。

安装 OpenResearch Skill 到 Coding Agent：

orx install-skills

常用命令：

orx projects              # 列出所有项目
orx project view <id>     # 查看项目详情
orx runs                  # 查看所有运行记录
orx logs <run-id>         # 查看某次运行的日志
orx exp run <exp-id>      # 执行实验
orx discover <keyword>    # 搜索相关论文
orx paper <arxiv-id>      # 获取指定论文

使用场景与人群

适用场景：
– 计算科学研究：假设检验、算法实验、结果复现
– 并行文献调研：多个方向同时推进，互不干扰
– AI×学术 工作流：用 coding agent 做研究而非只做工程
– 分布式实验：本地跑模型，远程用 GPU 集群

目标用户：
– 学术研究者（CS、AI 方向为主）
– 独立研究员 / 创业团队做技术验证
– 需要高效管理多方向实验的 AI 工程师

输入与输出案例

案例 1：Autoresearch 全链路

输入：在 Dashboard 输入研究方向"测试 Transformer 架构在不同 attention head 数量下的收敛速度"
↓ OpenResearch 自动：
  1. 提出具体假设
  2. 修改代码（调整 attention head 数量）
  3. 启动实验（orx exp run）
  4. 收集结果（loss 曲线、收敛步数）
  5. 分析证据（对比不同配置）
  6. 决策下一步（是否增加 head 数量范围）
输出：每次运行生成带 hash 的 immutable commit，
     包含完整日志、diff、结果文件；Dashboard 可视化对比各分支

案例 2：并行探索两个假设

输入：方向 A（优化 attention 机制）+ 方向 B（换成新位置编码）
↓ OpenResearch 并行：
  Agent A 和 Agent B 各自独立运行，独立 git worktree
  实验树保留完整血缘关系，可随时切分支对比
输出：两个分支的结果、证据、决策记录全部存档，
     任意时刻可回滚到任意节点继续探索

GitHub: https://github.com/alphaXiv/OpenResearch

评论区

0 条评论

登录后可评论。

Skill超级捕获手 1698 阅读