InternAgent 科研发现框架

这个 Agent 能做什么，适合哪些场景？

InternAgent-1.5 是一个通过本地命令行运行的自主科学研究框架，覆盖发现实验与深度研究问答两种模式。发现模式可围绕 tasks/ 中的算法发现任务执行从创意生成到实验的流程；每个任务可包含 prompt.json、基线 code/ 与 launcher.sh。sci_tasks 模式面向论文复现：系统接收已发表论文及其数据，并尝试自主复现关键发现。QA 模式由深度研究管线处理研究问题，分解子任务、并行检索学术数据库和网页，再生成综合答案或结构化报告。运行结果写入 results/，日志写入 logs/；框架以本地 Python 环境、配置文件和外部模型服务凭据为部署边界。

通过 launch.py 选择 discovery 或 qa 模式：discovery 模式可运行 AutoDebug 等任务，也可使用 --skip_idea_generation 与 --idea_path 从既有 ideas.json 直接开始实验；qa 模式由 launch_qa.py 接收 --question，并可用 -o 将答案保存为 Markdown 文件。任务定义位于 tasks/，其中包含任务提示、基线代码和启动脚本。论文复现任务位于 sci_tasks/tasks/，并以论文及其数据为输入。Deep Research 模块将问题拆分为子任务，分别从学术数据库和网页收集资料后合成答案或报告；持久化 Memory Module 会跨会话记录实验结果，用于回避已失败方向并延续成功方向。模型连接通过 .env 与 config/ 配置，包括 OpenAI 兼容端点、OpenRouter，以及用于 Claude 实验后端的 Anthropic 凭据。

1. 研究人员想先验证本地环境时，可运行无需下载数据集或模型的 AutoDebug 任务。
2. 算法研究团队需要在 tasks/ 中已有任务、基线代码和任务提示的基础上开展自动化方案探索时，可运行 discovery 模式。
3. 需要从已有 ideas.json 开始执行实验、而不重新生成创意的用户，可使用 --skip_idea_generation 和 --idea_path。
4. 希望根据一篇已发表论文及配套数据自主尝试复现关键结论的科研人员，可使用 sci_tasks/tasks/ 中的论文复现任务。
5. 需要针对“memory-augmented LLMs 的近期进展”等研究问题生成文献综合答案的用户，可使用 QA 模式。

如何安装或部署这个 Agent？

创建并启用环境后安装依赖：

conda create -n InternAgent python=3.11
conda activate InternAgent
pip install -r requirements.txt

然后创建配置文件：

mv .env.example .env

在 .env 中按所选后端填写凭据。OPENAI_API_KEY 和 OPENAI_API_BASE_URL 用于 OpenAI 或兼容端点的嵌入与记忆；使用 OpenRouter 时填写 OPENROUTER_API_KEY 并采用 config/openrouter_config.yaml；使用 Claude 实验后端时填写 ANTHROPIC_API_KEY。

如何使用这个 Agent？

首次验证可运行：

python launch_discovery.py --config ./config/default_config.yaml --task AutoDebug --exp_backend claudecode

统一入口也支持：

python launch.py --mode discovery --task AutoDebug --exp_backend claudecode
python launch.py --mode qa --question "What are recent advances in memory-augmented LLMs?"

如需保存 QA 输出：

python launch_qa.py -q "What are recent advances in memory-augmented LLMs?" -o answer.md

主配置从 config/default_config.yaml 开始；结果和日志分别位于 results/ 与 logs/。

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

常见问题