nanoresearch

NanoResearch

端到端自主 AI 科研引擎 — 从研究想法到完整论文，全程自动化

快速开始 · 效果展示 · 流水线 · Claude Code · 飞书机器人

---

🔬 NanoResearch 真正运行计算实验——它不仅生成代码，还能将代码提交到 GPU 集群执行训练，收集真实实验结果，生成论文配图，最终输出一篇有实验数据支撑的完整 LaTeX 论文。论文中的每一个数据、表格、图表都来自实际运行的实验结果，而非 LLM 编造。

---

📖 目录

• 📊 论文实测展示
• ⚡ CLI 演示
• 📢 最新动态
• ✨ 核心特性
• 🆚 为何选择 NanoResearch
• 🎯 应用场景
• 🖼️ 效果展示
• CLI：标准输出与 TUI 对比
• 🔬 流水线
• 📦 快速开始
• 🧬 Evo 自进化流水线
• 🧩 Claude Code 模式
• ⚙️ 配置
• 💻 CLI 参考
• 🍪 示例与 Demo
• 📂 输出结构
• 💬 飞书机器人
• 🏗️ 项目结构
• ❓ 常见问题
• 🎯 路线图
• 📋 环境要求
• 🙏 致谢
• 🤝 贡献
• 📝 引用
• 📄 许可证

---

📊 论文实测展示

以下为 NanoResearch 自动生成论文中的真实配图，所有数据、曲线、表格均来自实际运行的实验结果，非 LLM 虚构。

实验结果展示

方法对比 / 主结果

消融与可视化

以上配图均为流水线自动生成，数据来源于真实训练日志与实验结果。

---

⚡ CLI 演示

NanoResearch 命令行（CLI） 提供 TUI 全屏界面 与 传统流式日志 两种呈现方式。下方为 CLI 端 TUI 主题与界面 演示视频（配色切换与布局优化）。其他入口（如 Claude Code、飞书机器人）见文档对应章节。

---

Why NanoResearch

特性	传统 AI 写作工具	NanoResearch
文献检索	部分支持	✅ OpenAlex + Semantic Scholar 自动检索
实验设计	❌	✅ 自动生成实验方案
代码生成	部分支持	✅ 完整可运行的实验代码
GPU 实验执行	❌	✅ 本地 / SLURM 自动训练
结果分析	❌	✅ 解析真实训练日志
论文配图	❌	✅ 基于真实数据
论文撰写	大纲/草稿	✅ 完整 LaTeX 论文
断点续跑	❌	✅ 任意阶段可恢复
多模型协作	单一模型	✅ 按阶段路由

---

🎯 应用场景

• 科研原型验证 — 快速将研究想法变成完整的实验 + 论文工作空间
• 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 — 对多个课题批量运行，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，加速写作
• 科研流程审计 — 完整工作空间、中间产物和日志，可追溯每一步

---

🖼️ 效果展示

CLI：标准输出与 TUI 模式对比

CLI 支持 传统流式日志（非 TUI） 与 全屏 TUI 面板 两种呈现方式，可按习惯切换。

示例输出

框架概览

生成论文示例

主结果（真实实验数据）

消融实验

---

🔬 流水线

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

📋 各阶段详细说明

Stage	功能	说明
IDEATION	文献检索与创意生成	搜索学术文献、发现研究空白、提出假说、收集必引文献
PLANNING	实验方案设计	将研究想法转化为详细的实验蓝图（数据集、基线、指标、消融）
SETUP	环境准备	准备代码仓库、依赖环境、模型和数据集
CODING	代码生成	生成完整可运行的实验项目（含训练脚本、数据处理、模型定义）
EXECUTION	实验执行	在本地 GPU 或 SLURM 集群上运行训练，支持自动重试和调试
ANALYSIS	结果分析	解析训练日志和指标，生成结构化实验证据
FIGURE_GEN	图表生成	创建架构图、结果对比图、消融实验图
WRITING	论文撰写	基于实验证据和引用撰写 LaTeX 论文
REVIEW	审稿与修订	自动审阅各章节，检测问题并修订

🚀 EXECUTION 阶段核心能力

EXECUTION 阶段是 NanoResearch 的核心差异化能力：

• 自动提交 SLURM 作业 — 生成 sbatch 脚本，提交到集群，监控作业状态
• 本地 GPU 执行 — 自动检测可用 GPU，管理训练进程
• 自动调试与重试 — 训练失败时自动分析错误日志，修复代码并重新执行
• 实时日志监控 — 追踪训练进度和指标变化
• 混合执行模式 — 可根据任务复杂度在本地和集群之间自动切换

---

📦 快速开始

遵循以下步骤，约 5 分钟即可完成从安装到首次运行的完整流程。

步骤一：安装

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

步骤二：配置

Tip 创建 ~/.nanoresearch/config.json，替换 base_url 和 api_key 为你自己的 OpenAI 兼容 API 端点。

查看完整配置示例

{
  "research": {
    "base_url": "https://your-openai-compatible-endpoint/v1/",
    "api_key": "your-api-key",
    "template_format": "neurips2025",
    "execution_profile": "local_quick",
    "writing_mode": "hybrid",
    "max_retries": 2,
    "auto_create_env": true,
    "auto_download_resources": true,
    "ideation": { "model": "your-model", "temperature": 0.5, "max_tokens": 16384, "timeout": 600.0 },
    "planning": { "model": "your-model", "temperature": 0.2, "max_tokens": 16384, "timeout": 600.0 },
    "code_gen": { "model": "your-model", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
    "writing": { "model": "your-model", "temperature": 0.4, "max_tokens": 16384, "timeout": 600.0 },
    "figure_prompt": { "model": "pro/gpt-5.5", "temperature": 0.5, "max_tokens": 4096, "timeout": 300.0 },
    "figure_code": { "model": "pro/gpt-5.5", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
    "figure_gen": {
      "model": "gpt-image-2",
      "image_backend": "openai",
      "base_url": "https://your-image-endpoint/v1/",
      "api_key": "your-image-api-key",
      "temperature": null,
      "timeout": 600.0
    },
    "review": { "model": "your-model", "temperature": 0.3, "max_tokens": 16384, "timeout": 300.0 }
  }
}

环境变量覆盖：NANORESEARCH_BASE_URL / NANORESEARCH_API_KEY / NANORESEARCH_TIMEOUT

步骤三：验证与运行

# 验证配置
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run

# 启动完整流水线
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose

# 从断点恢复（若某阶段失败）
nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose

# 导出论文
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./my_paper

步骤四：预期输出

完成流水线后，你将得到包含真实实验数据的论文配图与 LaTeX 源码。

---

🧬 Evo 自进化流水线

evo 是 NanoResearch 的自进化流水线，面向个性化科研自动化。它围绕技能演化、记忆演化和反馈驱动的 planner / router 适配运行，让系统在多轮研究中复用经验并逐步贴合用户偏好。

什么时候使用 evo

• 希望系统跨多轮研究积累可复用技能和项目记忆。
• 希望根据个人偏好、算力约束、目标 venue 和反馈逐步调整研究计划。
• 希望规划阶段明确生成 proposed method、baseline、ablation、optimization/history 和 complexity 相关实验，并让论文只基于真实 artifact 写作。

从用户初始化到论文产出

# 1. 初始化或更新用户画像、偏好和运行配置
nanoresearch init

# 2. 启动自进化完整流水线
nanoresearch run --pipeline evo --topic "your research topic" --format neurips2025 --verbose

# 3. 中途失败或断开后恢复
nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose

# 4. 查看阶段状态和产物
nanoresearch status --workspace ~/.nanoresearch/workspace/research/{session_id}
nanoresearch inspect --workspace ~/.nanoresearch/workspace/research/{session_id}

# 5. 导出最终论文包
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./paper_export

Evo 模式会产出什么

evo 仍然运行 9 个阶段：IDEATION -> PLANNING -> SETUP -> CODING -> EXECUTION -> ANALYSIS -> FIGURE_GEN -> WRITING -> REVIEW。区别在于它会在这些阶段之间持续更新和复用用户画像、技能库、项目记忆和反馈路由。

关键机器可检查 artifact 通常位于：

~/.nanoresearch/workspace/research/{session_id}/experiment/configs/experiment_matrix.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/metrics.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/run_manifest.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/final_metrics.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/optimization_history.csv
~/.nanoresearch/workspace/research/{session_id}/experiment/results/pareto_front.json

写作阶段只读取真实执行结果、分析报告和图表 artifact。若某类实验或指标没有真实产物，系统会降低证据范围或写入 limitation / future work，不会补 synthetic 数值。文献检索可匿名使用 OpenAlex；如需更高速率，可自行配置 OPENALEX_API_KEY。

SDPO adapter 训练

Evo/RAM 运行产生的完整 (x, y, feedback) 三元组会保存在 ~/.nanoresearch/ram_data/。安装可选训练依赖后，可训练或续训 RAM LoRA adapter：

pip install -e ".[sdpo]"
nanoresearch ram-train \
  --model Qwen/Qwen2.5-7B-Instruct \
  --data-root ~/.nanoresearch/ram_data \
  --output ~/.nanoresearch/adapters/ram-sdpo

训练完成后，将配置中的 ram_checkpoint_path 指向输出目录即可在后续 Evo 运行中加载该 adapter。

---

🤖 推荐模型

Stage	任务	推荐模型	经济型
ideation	文献检索 + 假说生成	DeepSeek-V3.2	DeepSeek-V3.2
planning	实验设计	Claude Sonnet 4.6	DeepSeek-V3.2
code_gen	代码生成	pro/gpt-5.5	DeepSeek-V3.2
writing	论文撰写	pro/gpt-5.5 / Claude Sonnet 4.6	DeepSeek-V3.2