端到端自主AI科研引擎 NanoResearch

NanoResearch 是一个 AI 科研引擎，可以真正跑起计算实验，而不仅仅是生成文本大纲或论文草稿。NanoResearch能自动完成文献检索、研究思路生成、实验方案设计、编写可运行代码，然后把代码提交到 GPU 集群或本地执行训练，收集实验结果、分析数据，自动生成论文配图（包括架构图、结果对比图和消融实验图），最后产出一篇有真实实验数据支撑的完整 LaTeX 论文，并且还能自动审阅和修订。

NanoResearch 支持两种运行模式：Python CLI 和 Claude Code。其中 Claude Code 模式不需要配置外部 API Key，直接利用其内置的 WebSearch、Bash 执行和文件读写能力就能驱动整个科研流程。另外，它还集成了飞书机器人，用户可以在聊天界面里启动科研任务、查询进度，最后直接接收 PDF 论文。整个流程自动化程度很高，每个阶段都支持断点续跑，也可以灵活配置不同的模型，保证了科研过程的效率、可重复性和可追溯性。

常规的 AI 科研工具大多只能生成文本大纲或论文草稿。NanoResearch 的不同之处在于，它能执行完整的计算实验流程：

Idea Generation 自动检索文献、发现研究空白、提出假说
 ↓
Experiment Planning 设计详细实验方案与技术路线
 ↓
Code Generation 生成可运行实验代码（包含训练脚本、数据加载、模型定义）
 ↓
GPU Execution 自动提交到 SLURM 集群或本地 GPU 执行训练
 ↓
Results Analysis 解析训练日志、提取指标、生成结构化实验证据
 ↓
Figure Generation 依据真实实验数据自动生成论文配图
 ↓
Paper Writing 基于真实实验结果撰写 LaTeX 论文
 ↓
Review & Revision 自动审稿并完成修订

论文里所有数据、表格、图表都来自实际运行的实验。

功能对比

适用场景

• 科研原型验证：快速把研究想法转化成完整的实验和论文。
• 自主实验：系统自动生成代码、提交 GPU 训练、分析结果。
• Benchmark 批量生成：批量跑多个课题，生成可复现的实验结果。
• 论文初稿辅助：基于真实实验数据产出 LaTeX 草稿。
• 科研流程审计：完整保留工作空间、中间产物和日志，方便追溯每一步操作。

运行流水线

Research Topic
 ↓
IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW
 ↓
Exported workspace: paper.pdf / paper.tex / references.bib / figures / code / data

EXECUTION 阶段具备自动提交 SLURM 作业、本地 GPU 执行、自动调试与重试、实时日志监控、混合执行模式等能力。

核心能力

基于实证写作

论文内容依托结构化的实验证据、引用和实验产物，追踪必引文献及引用质量，输出带 BibTeX 支持的 LaTeX 论文。

真实实验依据

写作与配图都使用真实的实验输出和分析产物，表格、数据声明、图表都与实际实验结果绑定，保留中间 JSON 产物，方便调试和审计。

混合图表生成

架构图由图像模型生成，结果图与消融图由代码基于真实数据生成，图表提示、脚本和输出都会保存到工作空间。

断点续跑

各阶段的产物会写入磁盘，失败后可以从上次断点继续跑，不用从头再来。

安装配置

1. 安装

git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"

2. 配置

创建 ~/.nanoresearch/config.json，把 base_url 和 api_key 换成自己 OpenAI 兼容的 API 端点，并为各阶段选择可用的模型。

3. 验证

nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run

4. 运行

nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips --verbose

5. 恢复

nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose

6. 导出

nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./my_paper

Claude Code 模式

NanoResearch 支持通过 Claude Code 直接驱动研究流水线，不需要配置任何 API Key。

操作步骤

# 1. Clone 项目
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch

# 2. 启动 Claude Code
claude

# 3. 运行完整流水线
/project:research "Your Research Topic Here"

常用指令

飞书机器人集成

NanoResearch 内置了飞书机器人，可以在飞书聊天里触发流水线、查看进度、接收论文。

配置与启动

pip install lark-oapi
export FEISHU_APP_ID="cli_xxx"
export FEISHU_APP_SECRET="xxx"
nanoresearch feishu

支持指令

常见问题

系统真的会跑实验吗？ 会。系统生成的是可运行的代码，在本地 GPU 或 SLURM 集群上执行，论文里的数据都来自真实实验。

支持断点续跑吗？ 支持。工作空间按阶段保存检查点，执行恢复命令就能从未完成的地方继续。

每个阶段必须配置不同的模型吗？ 不一定。系统支持按阶段配置不同的模型路由，也可以统一用同一个模型。

生成的论文能直接投稿吗？ 生成的内容可以作为高质量的初稿，投稿前还是建议人工审阅和修订一下。

环境要求

• Python 3.10 及以上版本
• OpenAI 兼容的 API 端点
• 可选：图像模型访问权限
• tectonic 或 pdflatex（推荐用 tectonic 编译 PDF）