AI-Scientist 部署实战：4 步跑通 LLM 全自动科研流水线
【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 让 LLM 自主完成“提出假设 → 设计实验 → 执行实验 → 撰写论文”的科研闭环，全程无需人工干预：睡前把机器挂着，早上输出目录里就多出几篇带图表的论文 PDF。下面是完整的 AI-Scientist 部署流程，覆盖环境安装、API 密钥配置、模板基线准备、首次实验启动与排错。
AI-Scientist 到底替你跑什么
AI-Scientist 是一个全自动科学发现工具：给它一个研究模板，剩下的由 LLM 完成——提出研究想法、设计实验、执行代码、分析结果，最后用 LaTeX 把论文排版成 PDF。一次完整运行结束，你得到的是一个目录：论文、实验数据、图表全部齐全。
项目自带三个核心模板，覆盖不同方向：
- nanoGPT：Transformer 自回归语言模型，使用 enwik8、shakespeare_char、text8 三个经典数据集；
- 2d_diffusion：低维二维数据集上的扩散生成模型，涉及概率建模与采样技术；
- grokking：研究深度神经网络的泛化能力与学习速度，观察模型如何从记忆训练数据走向真正的理解。
仓库里的 example_papers 目录存放了历次运行产出的完整示例论文，动手前先随便翻一篇，你就知道最后会拿到什么。
AI-Scientist 安装教程：从克隆仓库到环境就绪
前置条件比较直接：
- Linux 系统 + NVIDIA GPU，CUDA Toolkit 11.7 及以上，建议 16GB 显存起步；
- Python 3.11+、Git、Conda。
依赖各有用途：实验要在 GPU 上跑 PyTorch 训练，论文要用 LaTeX 编译，所以系统里还得装 texlive。
# 克隆仓库 git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist # 用 Conda 建独立环境，避免依赖和其他项目冲突 conda create -n ai_scientist python=3.11 conda activate ai_scientist # LaTeX 编译环境，装得比较久 sudo apt-get install texlive-full # Python 依赖 pip install -r requirements.txt两个容易卡住的点：texlive-full耗时较长，安装过程中可能反复要求确认磁盘占用，持续按 Enter 即可；Python 侧的依赖全在 requirements.txt 里，不用手动对版本。
API 密钥配置：三条 export 跑通 LLM 自动科学发现
模型调用只依赖环境变量，按需配置对应厂商的密钥：
export OPENAI_API_KEY="你的密钥" # GPT 系列，官方推荐 export ANTHROPIC_API_KEY="你的密钥" # Claude 系列 export DEEPSEEK_API_KEY="你的密钥" # 国内访问友好你实际用哪家模型就配哪家的，不必三个都填。
文献检索属于可选项，论文生成阶段可以接入 Semantic Scholar：
export S2_API_KEY="你的密钥"没有 Semantic Scholar 密钥时，用 OpenAlex 作为替代：
pip install pyalex export OPENALEX_MAIL_ADDRESS="你的邮箱"AI-Scientist 模板运行：三大模板的额外依赖与基线实验
每个模板要先跑一次基线，AI 后续的改进都是拿基线结果当参照物。三个模板的额外依赖平时散落在各处，这里统一收拢成一次操作。
额外依赖一次装齐
# 2d_diffusion 需要：NPEET 熵估计库 git clone https://github.com/gregversteeg/NPEET.git cd NPEET pip install . pip install scikit-learn # grokking 需要 pip install einopsNanoGPT 的数据准备
只有 nanoGPT 模板需要预先处理三个数据集，另两个模板没有这步：
python data/enwik8/prepare.py python data/shakespeare_char/prepare.py python data/text8/prepare.py基线实验与出图
三个模板的基线命令完全一致，换目录即可：
cd templates/nanoGPT # 或 templates/2d_diffusion、templates/grokking python experiment.py --out_dir run_0 python plot.py基线结果落在run_0目录里，实验日志和曲线都由plot.py生成，AI 生成新想法时会以此为改进的起点。
⚡ 启动首次实验：launch_scientist.py 的关键参数
基线就绪后，启动全自动流水线：
# GPT-4o python launch_scientist.py --model "gpt-4o-2024-05-13" --experiment nanoGPT_lite --num-ideas 2 # Claude python launch_scientist.py --model "claude-3-5-sonnet-20241022" --experiment nanoGPT_lite --num-ideas 2 # 多 GPU 并行（需要机器上有多块 GPU） python launch_scientist.py --model "gpt-4o-2024-05-13" --experiment 2d_diffusion --num-ideas 5 --parallel参数就记四个：--model选 LLM，--experiment选模板（nanoGPT_lite 是计算量更小的轻量版），--num-ideas控制生成几个研究方向，--parallel开启多 GPU 并行。launch_scientist.py 是整个过程唯一的启动入口。
实验结束后会自动产出一篇完整论文（PDF），所有实验数据和图表都存放在同一目录下，长这样：
论文产出后验证：LLM 审阅与批量分析
项目自带审阅模块，把生成的论文喂给 LLM，拿回评分、决定和缺点列表：
import openai from ai_scientist.perform_review import load_paper, perform_review client = openai.OpenAI() paper_txt = load_paper("report.pdf") review = perform_review( paper_txt, "gpt-4o-2024-05-13", client, num_reflections=5, num_fs_examples=1, num_reviews_ensemble=5, temperature=0.1, ) print(review["Overall"], review["Decision"], review["Weaknesses"])ai_scientist/perform_review.py 里的反思次数、few-shot 示例数、多评审集成这些参数可按需开关，快速验证时保持默认即可。
批量评估大规模实验结果另有入口，核心参数两个：
cd review_iclr_bench python iclr_analysis.py --num_reviews 500 --batch_size 100--num_reviews控制审阅总量、--batch_size控制批次大小；采样相关的--num_fs_examples、--temperature等参数按需追加。
🐳 跑进沙箱：Docker 容器化部署
流水线会执行 LLM 生成的代码，在宿主机上直接跑总归不太放心，容器化既隔离了风险，也方便跨机器复现。项目提供了社区贡献的 Dockerfile：
docker build -t ai-scientist -f experimental/Dockerfile . docker run -e OPENAI_API_KEY=$OPENAI_API_KEY \ -v $(pwd)/templates:/app/AI-Scientist/templates \ ai-scientist --model gpt-4o-2024-05-13 \ --experiment 2d_diffusion --num-ideas 2-v把本地 templates 目录挂进容器，改模板时无需重建镜像。experimental/Dockerfile 就是构建依据。
🛠️ 踩坑速查表：三种情况与对应命令
| 现象 | 处理 |
|---|---|
| 依赖冲突、环境跑不起来 | 重建干净环境：conda env remove -n ai_scientist，再依次执行conda create -n ai_scientist python=3.11、conda activate ai_scientist、pip install -r requirements.txt |
| LLM API 受限、调用不通 | 换 DeepSeek：export DEEPSEEK_API_KEY="你的密钥"，然后python launch_scientist.py --model "deepseek-chat" --experiment grokking --num-ideas 2 |
| 实验跑得慢 | 降算力：python launch_scientist.py --model "gpt-4o-mini" --experiment nanoGPT_lite --num-ideas 1 |
部署完成之后的三个方向
- 自建模板：参照 templates 目录下现成的模板结构，为自己关注的课题搭一个研究模板；
- 对比模型：同一实验换不同模型各跑一遍，观察论文质量与结论的差异；
- 量化质量：用审阅模块对一批产出做批量评估，给结果一个可比较的分数。
下次睡前把机器挂上时，你应该清楚里面每一环在做什么了。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
