AI-Scientist AI 科研助手快速部署教程：3 步从零跑通自动生成论文

AI-Scientist AI 科研助手快速部署教程：3 步从零跑通自动生成论文

【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist

AI-Scientist 是一个开源 AI 科研助手，让大模型独立完成“提想法 → 做实验 → 写论文 → 同行评审”的完整闭环。本文给出最快环境配置、两条官方运行路径和一组避坑表，帮你在自己的 GPU 上快速跑出第一篇论文 PDF。

项目定位：把科研全流程串起来的自动系统

AI-Scientist 把想法生成、代码实验、LaTeX 论文撰写、LLM 同行评审四个环节接到同一个入口 launch_scientist.py 上。给它一个模板和若干种子想法，它自己改代码、跑训练、画图表，再把结果编译成会议格式的论文。

仓库内置三个官方模板：语言模型方向（nanoGPT）、生成模型方向（2d_diffusion）、Grokking 现象研究（grokking）。example_papers/ 下的 10 篇完整论文（PDF、实验代码、中间结果）全部由系统自动生成，可直接翻阅。

从零跑通：环境配置与两条路径

最快路径：Conda + LaTeX

运行环境要求 Linux + NVIDIA GPU（CUDA/PyTorch）、Python 3.11 和 pdflatex：

git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python=3.11 && conda activate ai_scientist pip install -r requirements.txt && sudo apt-get install texlive-full

注意：texlive-full安装耗时较长，在预生成上下文阶段可能卡住不动，按住 Enter 一段时间会继续。

进阶路径：Docker 隔离运行

系统会执行 LLM 写出的代码，README 明确建议容器化并限制网络访问：

docker build -t ai-scientist -f experimental/Dockerfile . docker run -e OPENAI_API_KEY=$OPENAI_API_KEY ai-scientist

该镜像为社区贡献版本，定义见 experimental/Dockerfile。

先跑通一次实验

配置好 API 密钥后，先准备数据并跑基线，再启动主流程：

python data/enwik8/prepare.py cd templates/nanoGPT_lite python experiment.py --out_dir run_0 && python plot.py

python launch_scientist.py --model "gpt-4o-2024-05-13" \ --experiment nanoGPT_lite --num-ideas 2

结果写入results/nanoGPT_lite/，每个想法对应一个带时间戳的独立目录，内含实验代码、日志、图表和 PDF。

核心功能实测：AI 科研循环的三个关键环节

想法生成与实验执行全自动化

想法阶段，generate_ideas先依据模板里的seed_ideas.json做 few-shot 采样，再通过 Semantic Scholar API 对文献做新颖性检查，只有通过检查的想法才会进入实验。实验阶段由 LLM 借助 aider 直接编辑experiment.py和plot.py，逐轮输出run_1～run_N目录，并把指标写入final_info.json供后续论文引用。

下图是系统在 grokking 方向实验中自动生成的论文插图（各数据变体达到 99% 训练精度所需步数），来自 example_papers/data_augmentation_grokking/：

论文写作与 LLM 同行评审

实验成功后，perform_writeup按 LaTeX 模板填充数据与图表并调用pdflatex编译；随后perform_review用 5 个 GPT-4o 评审做集成打分，输出 1–10 总分、Accept/Reject 结论与弱点清单，存入review.txt。再加--improvement参数，系统会根据评审意见修改论文、重新编译出_improved.pdf并再次送审。

下图是 2D Diffusion 实验中由系统自动绘制的训练损失曲线，展示“实验输出 → 论文配图”的完整链路：

三个官方模板与社区扩展机制

每个模板目录结构固定：experiment.py（实验入口，必须接收--out_dir）、plot.py（绘图）、prompt.json（领域说明）、seed_ideas.json（种子想法）、latex/template.tex（论文模板）。新建模板只需照抄这套结构，保证文件名与输出 JSON 格式对齐即可。

除官方三个模板外，templates/ 还有 seir、mobilenetV3、sketch_rnn、MACE、earthquake-prediction、tensorf 等社区贡献方向。下图为 2d_diffusion 模板实验中训练 10000 步后的生成样本点云：

进阶调优：模型选择与关键参数

LLM 选择

完整模型清单见 ai_scientist/llm.py 中的AVAILABLE_LLMS，涵盖 Claude 3.5 Sonnet、GPT-4o/o1 系列、Llama3.1-405b（OpenRouter）及 Bedrock 渠道。官方 FAQ 给出的经验：生成成功率最高的是 Claude Sonnet 3.5，评审环节用 GPT-4o 最稳（其他模型存在积极偏差或输出不合规问题）；追求低成本可用 DeepSeek Coder V2，Claude 方案平均每个想法成本低于 15 美元。

对应的环境变量：

export OPENAI_API_KEY="..." # 或 ANTHROPIC_API_KEY # 或 DEEPSEEK_API_KEY / GEMINI_API_KEY / OPENROUTER_API_KEY

多卡并行与 GPU 指定

多卡环境下用--parallel把想法分配到多张卡，worker 通过CUDA_VISIBLE_DEVICES固定显卡；--gpus 0,1可指定使用哪些卡：

python launch_scientist.py --model "gpt-4o-2024-05-13" \ --experiment nanoGPT_lite --num-ideas 4 --parallel 2 --gpus 0,1

文献检索引擎切换

没有 Semantic Scholar key 时，可切到免 key 的 OpenAlex 引擎（pip install pyalex并设置OPENALEX_MAIL_ADDRESS环境变量，启动时加--engine openalex），或用--skip-novelty-check直接跳过新颖性检查阶段。

避坑速查：常见卡点与解法

卡点	典型表现	解法
缺run_0基线	报final_info.json缺失、流程直接失败	先跑数据prepare.py，再在本机执行模板的experiment.py --out_dir run_0基线
PDF 或评审没生成	想法目录只有代码，没有论文	成功率取决于模型与想法复杂度；换 Claude Sonnet 3.5，评审固定用 GPT-4o
texlive 安装卡死	context-markiv 阶段长时间无输出	按住 Enter 等待，属于正常现象
Semantic Scholar 访问异常	新颖性检查或引用收集失败	改用--engine openalex，或加--skip-novelty-check跳过
执行风险	LLM 代码可能装包、联网、起进程	用 Docker 容器运行并限制网络，不要在与他人共享的主机上裸跑

延伸资源：代码入口与下一步

• 主入口 launch_scientist.py；想法、实验、评审、写作四个阶段分别拆在 ai_scientist/ 的generate_ideas.py、perform_experiments.py、perform_review.py、perform_writeup.py
• 10 篇全自动论文案例在 example_papers/，每篇含 PDF、实验代码与中间结果，适合先读再上手
• 评审模块可独立复用：ai_scientist/perform_review.py 的perform_review可批量审已有 PDF，review_iclr_bench/ 下附有现成批处理脚本

建议的下一步：选一个模板把基线run_0跑通，再用--num-ideas 2让系统完整走一遍想法生成到出 PDF 的流程。

【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist