一个想法进去，一篇完整论文出来：AI-Scientist 全自动科学发现上手指南

一个想法进去，一篇完整论文出来：AI-Scientist 全自动科学发现上手指南

【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 是一个开源的全自动科学发现工具：它让大语言模型独立完成"提出研究假设 → 改代码跑实验 → 撰写论文 → 自评审"四个环节，最终产出一份符合学术规范的论文 PDF。只要你有 GPU 和 API Key，今天就能跑出自己的第一篇 AI 写论文。

它到底能替你干什么

自动提出研究假设

你只需要给几个种子想法（存放在模板的 seed_ideas.json 里），系统会基于它们推导新假设，再调用文献检索服务做新颖性检查，最后给出一批可挑选的候选想法（ideas.json）。这一步的核心逻辑在 ai_scientist/generate_ideas.py。

自动改码并跑实验

想法确定后，它交给 Aider 直接修改实验代码，在 GPU 上启动 run_1 到 run_N 多组训练，自动收集指标并生成图表。下图就是一份示例实验产出的最终验证准确率对比柱状图——实验自己跑，图自己画：

自动写论文并自评审

📝 实验跑完，它会整理结果生成 LaTeX 论文、编译成 PDF，并自动补充文献引用。随后切换到审稿模式：给出 1–10 的总体评分、Accept/Reject 决定和缺点清单，相当于先替你过一轮内审。

最小路径跑通第一个实验

下面是最短完整路径。先克隆代码并装好环境（含 LaTeX，用于编译论文 PDF；安装时间较长，中途可能需要按住 Enter）：

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

接着设置 API Key、下载 nanoGPT 模板所需语料，并跑一组基线实验存到 run_0（基线用于和你本机硬件做运行时间对比，不可跳过）：

export OPENAI_API_KEY="你的密钥" python data/enwik8/prepare.py python data/shakespeare_char/prepare.py python data/text8/prepare.py cd templates/nanoGPT python experiment.py --out_dir run_0 python plot.py

最后回到根目录启动"AI 科研员"，--num-ideas 1只跑一个想法，是熟悉流程成本最低的方式：

cd ../../ python launch_scientist.py --model "gpt-4o-2024-05-13" --experiment nanoGPT_lite --num-ideas 1

结果会写入根目录下带时间戳的新文件夹，包含论文 PDF 与实验图表；多显卡机器可加--parallel并行执行多个想法。

三个官方模板怎么选

模板都放在 templates/ 目录下，每个模板自带 experiment.py、plot.py、prompt.json 等文件，选模板就是选 AI 研究的方向：

• nanoGPT / nanoGPT_lite：研究 Transformer 自回归语言模型，适合做学习率、架构与预训练技巧类想法，数据准备最标准，新手首选。
• 2d_diffusion：研究低维 2D 数据（Datasaurus 等）上的扩散生成模型，使用前需先装 NPEET 依赖，适合关注样本质量与多样性的方向。
• grokking：复现"模型先背题、突然通晓测试集"的突变泛化现象，适合研究泛化能力与学习速度。🧪

下图是 2D Diffusion 示例论文在 dino 数据集上的样本生成效果对比，能直观看到 AI 正在优化什么：

让 AI 自己当审稿人

论文写好后不必只信 AI 自己的判断。调用 ai_scientist/perform_review.py 里的两个函数，就能让 LLM 给出结构化评审：

from ai_scientist.perform_review import load_paper, perform_review review = perform_review(load_paper("report.pdf"), "gpt-4o-2024-05-13", client, num_reflections=5, num_reviews_ensemble=5) print(review["Overall"], review["Decision"], review["Weaknesses"])

官方实验显示 GPT-4o 的评审风格最稳定，其他模型容易给分偏高或格式跑偏。想批量评估大量论文，可以改用 review_iclr_bench/iclr_analysis.py 对 ICLR 语料做批量评审，分数以 CSV 落盘。

定制你自己的研究领域

想让 AI 进你的领域，按现有模板结构组装 5 个文件即可：experiment.py（实验主脚本，接收--out_dir参数）、plot.py（结果绘图）、prompt.json（模板描述）、seed_ideas.json（种子想法）、latex/template.tex（论文版式）。关键约束是文件名与输出 JSON 格式要和官方模板保持一致，其余内容都可以改。社区已贡献了 SEIR 传染病模型、MobileNetV3 分类、sketch_rnn、量子化学 MACE、地震预测等模板，可直接参考其结构。

提前说三件事：

• 安全：系统会执行 LLM 生成的代码，建议用 experimental/Dockerfile 做容器化部署并限制网络访问。
• 成本：用 Claude 3.5 写一篇论文通常约 15 美元，DeepSeek Coder V2 更便宜；完整支持模型清单见 ai_scientist/llm.py。
• 避坑：缺文件或 PDF 没生成，多半是没做完模板准备（数据 + run_0）或 API Key 配错；底模能力建议不低于 GPT-4 水平，论文完整成功率以 Claude Sonnet 3.5 最高。

现在就动手

选 nanoGPT 或离你领域最近的一个模板，用--num-ideas 1让 AI 写出第一篇论文，再调用评审功能让它自我批评——看看你的研究流程里，哪些环节已经被它包圆了。

【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