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。
$ npx -y skills add OpenRaiser/NanoResearch --agent claude-code
What's inside
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
🔬 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。
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。
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。
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。
| 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 |
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。
Research Topic
↓
IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW
↓
Exported: paper.pdf / paper.tex / references.bib / figures / code / data
| 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 阶段是 NanoResearch 的核心差异化能力：
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。
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"
[!TIP] 创建
~/.nanoresearch/config.json，替换base_url和api_key为你自己的 OpenAI 兼容 API 端点。
{
"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
# 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
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 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。
evo# 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 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。
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。
| 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 |
View @openraiser’s profileVision-in-the-Loop Academic Typesetting Agent System PaperFit 是面向 Claude Code、Codex、Cursor 的 LaTeX 论文排版 Agent System。你只需要在论文项目根目录描述目标，PaperFit 会自动完成编译、页图渲染、视觉诊断、源码修复与最终验收。 为什么需要 · 核心能力 · 效果展示 · 快速开始 · 安装 · 使用方法 · 工作流 · 架构
@openraiserFAQ
nanoresearch is a Claude Code plugin with 16 hand-picked skills for automation work, indexed on Flowy. Install it with the command on its page. It includes nanoresearch-experiment, nanoresearch-ideation, nanoresearch-planning. Its skills do not fire on their own yet. Request auto-invocation to have Flowy route them as you prompt. Free and open source.
Is this plugin yours?
Claim it with GitHubSubmit a pluginPromote it