港大开源了博士级全自动AI科研助手：利用 LLM Agent实现全自动科研

摘要：这个全自动系统彻底消除了研究全过程中的人工干预，实现了科学发现的无缝自动化，覆盖每个关键阶段：文献综述 & 创意生成算法设计 & 实现算法验证 & 优化结果分析✍️ 论文撰写

香港大学数据科学团队近日宣布了他们的 Google AI Co-Scientist 的开源替代品 AI-Researcher：一款利用 LLM Agent 实现的全自动科研助手系统。

这个全自动系统彻底消除了研究全过程中的人工干预，实现了科学发现的无缝自动化，覆盖每个关键阶段：
文献综述 & 创意生成
算法设计 & 实现
算法验证 & 优化
结果分析
✍️ 论文撰写

AI-Researcher 为科学家提供：
完全自主：端到端的研究自动化
无缝协作：集成所有研究阶段的工作流
先进 AI 驱动：基于最前沿的 LLM Agent
科研加速：提升科学创新效率

✨ AI-Researcher 支持两种不同层次的用户输入查询 ✨

Level 1：详细创意描述

在此层级，用户提供具体的研究想法描述，系统根据这些详细输入制定实施策略，并严格按照用户需求进行研究开发。

Level 2：基于参考文献的创意生成

这一层级更为简化，用户可以提交相关的参考论文，而无需提供具体的研究想法。例如，用户可能会输入：
"我有一些参考论文，请基于这些文献生成一个创新研究思路，并实现相关研究。"
系统将自动分析提供的文献，并基于其内容生成和发展新的研究概念。

核心能力 & 集成

AI-Researcher 通过关键组件的无缝整合，构建了一个完整的科研生态系统：

核心研究功能

文献综述：对现有研究进行全面分析与综合归纳创意生成：系统性地收集、组织并提出新的研究方向算法设计与实现：开发方法论，并将研究思路转化为可执行的实现方案算法验证与优化：自动化测试、性能评估和迭代优化结果分析：提供高级实验数据解析与洞察✍️ 论文撰写：自动生成高质量、完整的学术论文

端到端科学研究自动化系统
AI-Researcher 通过集成式流水线，实现完整科研生命周期的全面自动化。系统将研究活动划分为三个核心阶段：

1. 文献综述 & 创意生成

资源收集器：系统化地从多个科学领域收集全面的研究资料，自动检索主要学术数据库（如 arXiv、IEEE Xplore、ACM Digital Library、Google Scholar）、代码平台（如 GitHub、Hugging Face）以及各类开放数据集。

资源筛选器：通过质量指标（如引用次数、代码维护情况、数据完整性）和相关性评估，筛选高影响力论文、优质代码实现以及基准数据集。

创意生成器：基于筛选出的高质量研究资源（包括论文和代码库），自动分析当前方法的局限性，绘制技术发展趋势，并探索新的研究方向，形成创新性研究思路。

2. 新算法设计、实现与验证

设计 → 实现 → 验证 → 优化

设计阶段：在此阶段，系统围绕算法构思进行概念开发，并建立理论基础。同时，制定实施策略，确保方案不仅超越现有方法，还具有实际可行性。

⚙️ 实现阶段：将抽象概念转化为具体代码，开发功能模块，建立测试环境，构建实验验证所需的基础设施。

验证阶段：系统化实验是验证过程的核心，包括算法性能评估、指标收集、实验结果记录，确保算法符合实际需求。

优化阶段：根据验证结果，进入迭代优化，识别需要改进的部分，优化代码效率，提升性能，并规划下一步开发方向。

3. ✍️ 论文撰写

Writer Agent（论文写作Agent）：自动生成完整的学术论文，整合研究想法、研究动机、新设计的算法框架、算法验证结果，采用层次化写作方法，生成精准且清晰的高质量论文。

全自动化系统，消除人工干预，助力科研人员高效完成从构思到发表的整个研究过程，成为理想的科研助手。

全面的基准评测体系

港大还开发了一套全面且标准化的评估框架，用于客观评估 AI 科研助手的学术能力及其研究质量。

1. 专家级基准：

基准测试使用人类专家撰写的论文作为参考标准，确保高质量对比与验证。

2. 多学科覆盖：

基准测试涵盖 四大核心研究领域，确保广泛适用性：

计算机视觉（CV）自然语言处理（NLP）数据挖掘（DM）信息检索（IR）

3. 完全开源的基准构建：

完整开源数据处理流程，包括数据集、数据收集流水线、数据处理代码，确保评测透明，同时支持社区定制，可针对不同研究领域扩展评测标准。

4. 全面评测指标：

评估框架采用层次化、系统化评估，使用 Evaluator Agent 进行多维度考察：

创新性（Novelty）：研究工作的创新性和独特性实验完整度（Experimental Comprehensiveness）：实验设计、执行和严谨性理论基础（Theoretical Foundation）：理论背景的稳健性和深度结果分析（Result Analysis）：实验结果的准确性和解释的深入程度写作质量（Writing Quality）：论文的清晰度、逻辑性和结构

推动科研自动化进步：该基准测试框架不断演进，持续整合新技术，拓展适用范围，以满足科研社区的不断增长的需求。

AI-Researcher 提供真正无缝、易用的科研自动化体验，消除技术壁垒，帮助用户专注于创新。

多LLM支持：
兼容多家LLM供应商，如 Claude、OpenAI、DeepSeek 等，用户可自由选择最适合的 AI 能力。

轻松开启研究：
无需上传文件或提供复杂初始设定，只需提供一份相关论文列表，AI-Researcher 即可自动完成后续研究，极大简化科研流程。

低门槛使用：
AI-Researcher 自动识别研究空白、提出创新方案，并执行整个研究流程，即使缺乏专业领域知识，用户仍可轻松产出高质量研究成果。

官方提供了两种安装方式：

1. 源码安装：

git clone https://github.com/HKUDS/AI-Researcher.gitcd AI-Researcherpip install -e .

2. 通过 Docker 安装：

docker pull tjbtech1/paperagent:latest

根据提供的 .env.template 文件创建环境变量文件。在此文件中，设置你要使用的 LLM 的 API Key。

OPENAI_API_KEY=DEEPSEEK_API_KEY=ANTHROPIC_API_KEY=GEMINI_API_KEY=HUGGINGFACE_API_KEY=GROQ_API_KEY=XAI_API_KEY=