OpenResearch Skill：将 Coding Agent 转化为研究者的本地工作空间

Skill超级捕获手 技术创作者 2026-09-26 998 阅读

OpenResearch 是一个将 Coding Agent（Claude Code、Codex、Cursor、OpenCode 等）转化为研究 Agent 的本地工作空间。它解决的核心问题是：当前主流 Coding Agent 擅长写代码和执行任务，但缺乏系统性研究能力——无法系统性地做文献调研、提出假设、设计实验并记录研究过程。OpenResearch 通过为每个研究方向分配独立 Agent 会话和隔离 git worktree，内置 git 原生实验追踪、证据关联上下文和并行探索机制，让 AI 可以独立完成「提出想法 → 改代码 → 跑实验 → 检查结果」的完整研究闭环。2026 年 9 月中下旬，该项目连续登上 GitHub Trending，两天内 Star 增长 +1017 颗，刷新了”Agent 转型研究者”这一细分赛道的记录，增长率约 22%（截至 2026-09-26 Star 总数 5,744）。

OpenResearch 的设计原则是本地优先（Local-first）和可复现性（Reproducibility）。所有项目、对话、实验、日志和产物均存储在用户本地机器上，不强制依赖云端服务。同时，每个实验变体都记录在 git 原生实验树中，每次运行都会获得一个包含录制提交的不可变存档，确保研究过程可回溯、可复现。

认可度

  • GitHub Star：5,744（截至 2026-09-26）
  • Fork：364
  • 语言：Rust
  • 最后提交：2026-09-26（今日活跃）
  • 许可证：MIT
  • 2026 年 9 月中下旬连续登顶 GitHub Trending
  • 单日/两日内 Star 增长约 +1017，日增长率约 22%，为 Agent→Researcher 赛道最高增速
  • 支持 Claude Code、Codex、OpenCode、Cursor、Google Antigravity 五种主流 Coding Agent

链接

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

官网：https://openresearch.sh

文档：https://openresearch.sh/docs

原作者

alphaXiv 团队——专注研究 Agent 基础设施的开源组织，OpenResearch 是其核心产品，同时提供托管计算服务（OpenResearch Cloud）和跨平台客户端（macOS / Windows）。

介绍

OpenResearch 将 Coding Agent 能力扩展到科研场景，让 AI 不只是执行编程任务，而是能够像真正的研究者一样工作。

核心功能包括：并行探索（Parallel Exploration）——为每个研究方向创建独立 Agent 会话和隔离的 git worktree，多个假设同步推进而不互相干扰；可复现实验（Reproducible Experiments）——实验变体记录在 git 原生实验树中，每次运行自动生成包含所有上下文（代码 diff、日志、产物）的不可变存档；证据关联上下文（Evidence in Context）——日志、diff、文件、结果和产物始终与产生它们的工作记录绑定，便于回溯。

安装方式上，macOS/Linux 用户可通过命令行一键安装：curl -LsSf https://openresearch.sh/install.sh | sh，然后运行 orx up 启动本地 Dashboard（http://127.0.0.1:4791）。Windows 用户可下载预编译 zip 包（需先安装 Git for Windows）。本地模型支持 LM Studio、oMLX、Ollama 或自定义 OpenAI-compatible 端点。

特点

  • 多 Agent 并行探索：每个研究方向分配独立会话和隔离 git worktree，多假设同步验证互不干扰
  • Git 原生实验追踪：所有实验变体进入 git 实验树，每次运行生成不可变存档，研究过程 100% 可回溯
  • 证据驱动上下文：日志、diff、产物与产生它们的工作严格绑定，告别”结果找不到来源”的问题
  • 五大 Coding Agent 全支持：Claude Code、Codex、OpenCode、Cursor、Google Antigravity 可同时运行，按需切换
  • 本地优先：所有数据留在本地，支持完全离线使用，不强制依赖云端服务
  • Rust 实现：核心工具链由 Rust 编写，性能和安全性俱佳

使用方法

macOS / Linux 一键安装：

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

启动后访问本地 Dashboard：

http://127.0.0.1:4791

Windows 安装（Beta）：

  1. 安装 Git for Windows
  2. 下载：https://github.com/alphaXiv/OpenResearch/releases/latest/download/openresearch-cli-x86_64-pc-windows-msvc.zip
  3. 解压并运行 orx up

连接本地模型（可选）：

在文档「Connect a local model」页面配置 LM Studio、Ollama 或自定义 OpenAI-compatible 端点。

基本工作流示例：

# 启动研究项目
orx new my-research-project

# 为研究方向 A 创建独立 Agent 会话
orx explore --direction "研究假设A" --agent claude-code

# 为研究方向 B 创建独立 Agent 会话（并行）
orx explore --direction "研究假设B" --agent codex

# 运行实验并自动存档
orx run --experiment "exp-v1"

# 查看实验历史和证据
orx log --experiment exp-v1

使用场景与人群

适用场景：

  • AI 学术研究：让 Agent 独立完成文献调研 → 假设提出 → 实验设计 → 结果分析的完整研究流程
  • 算法验证：多组超参数或模型变体并行实验，git 原生追踪保证每个变体可独立回溯
  • 代码探索性研究：不确定哪种方案最优时，多个 Agent 会话同时尝试不同路径
  • 技术预研：在大规模重构前，让 Agent 先做小范围实验并记录所有证据

目标用户：

  • AI 研究人员（需要系统性研究工具）
  • 博士研究生 / 学术工程师（做实验需要可复现性）
  • AI 团队（构建 Agent 研究工作流）
  • 独立研究者（需要本地优先、不依赖云的研究环境）

输入与输出案例

案例 1：多假设并行验证

输入（orx explore）：
研究方向：「评估 RLHF vs. DPO 在代码生成任务上的效果差异」

输出（并行 Agent 会话）：
会话 A：运行 RLHF 变体实验，生成 exp-rlhf-v1 存档
会话 B：运行 DPO 变体实验，生成 exp-dpo-v1 存档

每个存档包含：训练日志、评估指标 diff、代码变更记录、产物文件

案例 2：实验可复现性验证

输入（orx run --experiment exp-base）：
运行基础实验，生成不可变存档：commit hash abc123

输入（orx reproduce --from abc123）：
基于同一存档重新运行，验证结果一致性

输出：
✅ 实验可复现，结果一致（完整日志和 diff 均可查验）

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 998 阅读