NanoResearch
把研究课题推进为实验、证据图表与 LaTeX 论文的科研流水线。
按维度查看评分与理由
证据显示：README 提到配置 API key 和环境变量，但未说明权限最小化或用户确认机制；数据流透明性部分体现在工作空间和日志，但未明确数据流向；敏感数据处理未提及；依赖安全未提及；外部影响（如 SLURM 作业）有描述但无安全措施；断点续跑提供回滚能力；来源归属有致谢和引用。扣分原因：缺乏具体的安全机制和用户确认流程。
证据显示：README 和代码结构一致，自洽性较好；依赖在 pyproject.toml 中列出，但未验证可用性；失败消息未详细说明。扣分原因：依赖可用性和失败消息缺乏具体证据。
证据显示：README 描述了多种应用场景和用户群体；能力边界通过阶段划分明确；触发命令精确；环境要求明确。扣分原因：未提供更多环境适配细节。
证据显示：README 结构清晰，安装说明详细，命名稳定，有示例和 FAQ，许可证明确，但版本和变更日志缺失，维护责任未明确。扣分原因：版本和变更日志缺失，维护责任不明确。
证据显示：输出结构清晰，提供论文和代码；边际价值高，自动化科研流程；成本效益未详细说明。扣分原因：成本效益缺乏具体数据。
证据显示：README 声称真实实验数据，但未提供验证方法；无跨来源验证；事实与推断未明确分离。扣分原因：缺乏可验证的证据。
- API 密钥和配置可能被不当处理，需确保安全存储。
- 自动执行实验可能产生不可预测的外部影响，需谨慎使用。
- 依赖安全未明确，需检查依赖漏洞。
这个 Agent 能做什么，适合哪些场景？
NanoResearch 是一个端到端的自主科研流水线，将研究课题依次交给 IDEATION、PLANNING、SETUP、CODING、EXECUTION、ANALYSIS、FIGURE_GEN、WRITING 和 REVIEW 九个阶段处理。它提供 Python CLI、Claude Code 项目命令、Codex 项目入口，以及可选的飞书机器人；核心工作空间以 manifest.json 跟踪状态和中间产物。执行阶段可在本地 GPU 或 SLURM 集群运行生成的实验代码，并将训练日志和指标传递给分析、绘图和写作阶段。最终可导出包含 PDF、LaTeX、参考文献、图表、代码、数据和 manifest.json 的论文包。它面向愿意配置模型端点、计算环境及论文编译工具，并需要可恢复科研自动化流程的研究者。
用户通过 nanoresearch run --topic "..." 启动研究。IDEATION 使用 OpenAlex 和 Semantic Scholar 检索文献、提出假说并收集引用；PLANNING 形成包含数据集、基线、指标和消融项的实验蓝图；SETUP、CODING 和 EXECUTION 准备环境、生成实验项目并在本地 GPU 或 SLURM 上运行训练。系统解析训练日志和指标，生成结构化实验依据、架构图和结果/消融图，再由 WRITING 产出 LaTeX 论文、由 REVIEW 审阅修订；工作空间支持通过 nanoresearch resume 从未完成或失败阶段恢复。evo 管线还会在多轮研究中维护用户画像、技能库、项目记忆和反馈路由，并记录 experiment_matrix.json、metrics.json、run_manifest.json、final_metrics.json、optimization_history.csv 与 pareto_front.json 等产物。
- 需要快速验证一个机器学习研究想法的研究者：从课题出发生成实验代码，在本地 GPU 或 SLURM 上运行，并获得论文初稿。
- 拥有 SLURM 集群的实验室成员：让 EXECUTION 自动生成 sbatch 作业、监控状态，并在训练失败时尝试分析日志、修复和重试。
- 需要对多个研究课题建立可审计工作空间的团队：保存计划、代码、日志、数据、图表和 manifest.json 以追溯各阶段。
- 希望依据真实实验结果撰写 NeurIPS、ICML 或 arXiv 格式草稿的作者：导出 PDF、LaTeX、参考文献和图表。
- 使用 Claude Code 进行研究操作的用户：通过 /project:research、/project:experiment 或 /project:resume 调用对应阶段。
- 希望跨多轮任务复用偏好、记忆和技能的个人研究者：使用 nanoresearch run --pipeline evo。
这个 Agent 有哪些优点和局限？
- 九阶段流程覆盖文献检索、实验设计、代码生成、实际执行、分析、制图、写作和审阅，而非只生成论文文本。
- EXECUTION 同时支持本地 GPU 与 SLURM，并声明具备作业提交、状态监控、日志分析、自动修复与重试能力。
- 工作空间保留 manifest.json、计划、实验代码、结果、图表、草稿和日志，且 CLI 支持 resume、status、inspect 与 export。
- 可按阶段路由模型，并支持 OpenAI 兼容端点；Claude Code 模式可通过其 WebSearch、Bash 和文件操作驱动同一研究流程。
- 运行完整实验需要可用的本地 GPU 或 SLURM 集群；README 未给出 CPU-only 执行路径或具体硬件基线。
- Python CLI 的文本阶段依赖用户配置 OpenAI 兼容 API 端点和密钥；图像生成还可能需要单独的图像模型端点与访问权限。
- 产出的论文被定位为高质量初稿，仓库明确建议在投稿前进行人工审阅和修订。
- PDF 编译依赖 tectonic 或 pdflatex；README 特别提示部分 Conda texlive 安装可能缺少 pdflatex.fmt。
如何安装或部署这个 Agent？
运行：
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"运行环境需要 Python 3.10+、OpenAI 兼容 API 端点，以及用于 PDF 编译的 tectonic 或 pdflatex。创建 ~/.nanoresearch/config.json，在 research 中至少填入 base_url、api_key，并为所用阶段配置 model；也可用 NANORESEARCH_BASE_URL、NANORESEARCH_API_KEY 和 NANORESEARCH_TIMEOUT 覆盖。文献检索可匿名访问 OpenAlex 和 Semantic Scholar；OPENALEX_API_KEY 与 S2_API_KEY 为可选的速率提升配置。
如何使用这个 Agent？
先验证配置：nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run。随后运行完整管线：nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose。失败后可执行 nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose；完成后用 nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./my_paper 导出。若使用 Claude Code，在仓库目录启动 claude 后执行 /project:research "你的研究课题"。
这个 Agent 与同类方案有什么区别？
README 将 NanoResearch 与“传统 AI 写作工具”对比：后者通常只部分覆盖文献检索或代码生成，而 NanoResearch 声明还会设计实验、执行本地/SLURM GPU 训练、解析训练日志、基于结果制图，并生成完整 LaTeX 论文。