AI-Scientist 快速上手指南如何跑通第一个全自动科研实验【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它是什么AI-Scientist 在全自动科研里做什么 当「提想法 → 跑实验 → 写论文」这条链路可以压缩成一条启动命令时你要做的不再是逐行写实验代码而是选模板、配密钥、验收交付的 PDF。The AI ScientistAI-Scientist就是一个由大语言模型驱动的全自动科学发现系统它替你生成研究想法、修改并执行实验脚本、用 LaTeX 写出论文最后再让 LLM 以审稿人身份打分。系统内置三大官方模板——NanoGPTTransformer 下一词元预测、2D Diffusion低维数据的扩散生成和 Grokking深度网络的突然泛化入口统一在 launch_scientist.py核心逻辑分布在 ai_scientist/ 的generate_ideas.py、perform_experiments.py、perform_writeup.py等模块中。选择你的部署路径三种方案按背景自选快速起步5 行命令内完成安装最简路径是克隆仓库、建一个 Python 3.11 的 Conda 环境并装上 requirements.txt 里的依赖git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python3.11 conda activate ai_scientist pip install -r requirements.txt注意实验依赖 NVIDIA GPUCUDA PyTorch纯 CPU 机器上模板跑不完这点在仓库 README 中有明确说明。容器化部署一个镜像打包依赖与基线如果你不想在本机装 texlive 这类重型依赖可以用仓库自带的 Dockerfile 构建镜像。镜像基于 python:3.11已预装 texlive-full 并跑好了三个模板的基线run_0docker build -t ai-scientist -f experimental/Dockerfile . docker run -e OPENAI_API_KEY$OPENAI_API_KEY ai-scientist --experiment grokking --num-ideas 2镜像的 entrypoint 直接调用launch_scientist.py所以第二条命令就是完整的一次实验。完整配置补上 LaTeX 与模板依赖在宿主机上跑完整流程还需补两类依赖论文编译需要pdflatex和chktex来自 texlive-fullgrokking 模板需要einops2D Diffusion 模板需要scikit-learn外加 NPEET 库sudo apt-get install texlive-full pip install einops scikit-learntexlive-full安装耗时较长属正常现象装完后launch_scientist.py会在启动前自动检查pdflatex/chktex是否可用。选一个模板跑第一个实验三大模板对比与启动命令先按你的场景挑模板。三个官方模板的数据需求和运行入口各不相同对比如下模板适合场景数据 / 额外依赖运行入口nanoGPTTransformer 下一词元预测优化enwik8、shakespeare_char、text8需先跑 data/ 下 3 个prepare.pypython experiment.py --out_dir run_02d_diffusion低维数据上的扩散生成模型模板内置 DatasaurusDozen 数据集需装 NPEET scikit-learnpython experiment.py --out_dir run_0grokking泛化与学习速度突然理解研究内置算术任务只需pip install einopspython experiment.py --out_dir run_0新手推荐从 grokking 起步数据自包含、依赖最少。启动顺序是「先在本机跑基线 run_0不同硬件的运行时间对比才准确再启动 AI-Scientist 本体」cd templates/grokking python experiment.py --out_dir run_0 python plot.py cd ../.. python launch_scientist.py --experiment grokking --num-ideas 2跑之前先给要用的模型配置密钥OpenAI / Claude / DeepSeek 三选一ai_scientist/llm.py 里可见完整支持列表export OPENAI_API_KEY你的密钥 export ANTHROPIC_API_KEY你的密钥 export DEEPSEEK_API_KEY你的密钥--num-ideas 2表示只生成并执行 2 个想法默认 50首次跑通全流程足够。看结果如何读实验图表、曲线与生成样本 实验结束后每个想法的产物都落在results/模板名/时间戳_想法名/目录下。优先看四个文件notes.txt记录了 run_0 基线与后续各 run 的指标对比run_0到run_N里的final_info.json存着各项指标的均值review.txt是 LLM 审稿结果包含 1~10 的 Overall 分数与 Accept/Reject 决定同名的.pdf则是写好的论文。判断想法是否有效核心动作是拿 run_1 之后的曲线去对比 run_0 基线。grokking 模板的图重点看泛化跃迁下面这张验证准确率对比图中横轴是训练步数x_plus_y、x_minus_y等四条任务曲线在训练准确率爬升后验证准确率会同步跳升到接近 99%——这个「突然变好」的拐点就是 grokking 现象也是论文结论的主要依据。2D Diffusion 模板则用肉眼验收生成样本图展示模型在低维数据上采样的点云分布与真实数据集形状越贴合说明分布捕捉得越好配套的train_loss.png类曲线用于确认训练本身收敛。调优与排障控成本、开并行、解决常见报错 ️调优时抓住三个参数就够--num-ideas想法数量默认 50。首次建议 2~3 个验证流程确认稳定后再放大。--parallel与--gpus多卡环境用--parallel 2 --gpus 0,1让每张 GPU 领一个想法GPU 数不够时会自动降回可用卡数。--model决定成本与成功率。官方 FAQ 给出参考值——Claude Sonnet 3.5 下每篇论文通常不足 15 美元DeepSeek Coder V2 更省钱审稿环节建议用 GPT-4o 以获得更稳定的输出格式。常见报错按「症状 → 解决方案」自查症状解决方案报缺少数据文件先运行对应模板的数据准备脚本如python data/enwik8/prepare.py提示pdflatex或chktex未找到安装texlive-full或改用容器化镜像Semantic Scholar 查重/引用失败改用--engine openalex免 API 密钥或用--skip-novelty-check跳过某个想法没生成 PDF 或 review成功率取决于模板与基础模型换更强的模型如 Claude Sonnet 3.5重试担心 LLM 生成代码的自主执行风险用 Docker 镜像运行并限制网络访问README 对此有专门警示一条launch_scientist.py命令就能让 AI-Scientist 自主走完「想法 → 实验 → LaTeX 论文 → LLM 审稿」四个环节交付物是带审稿意见的 PDF 论文。如果你有自研方向可以照着templates/下experiment.pyplot.pyprompt.json的格式再扩一个自己的模板。现在就去配好密钥选 grokking 模板跑通你的第一个想法吧。【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 AI-Scientist 快速上手指南：如何跑通第一个全自动科研实验
AI-Scientist 快速上手指南如何跑通第一个全自动科研实验【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它是什么AI-Scientist 在全自动科研里做什么 当「提想法 → 跑实验 → 写论文」这条链路可以压缩成一条启动命令时你要做的不再是逐行写实验代码而是选模板、配密钥、验收交付的 PDF。The AI ScientistAI-Scientist就是一个由大语言模型驱动的全自动科学发现系统它替你生成研究想法、修改并执行实验脚本、用 LaTeX 写出论文最后再让 LLM 以审稿人身份打分。系统内置三大官方模板——NanoGPTTransformer 下一词元预测、2D Diffusion低维数据的扩散生成和 Grokking深度网络的突然泛化入口统一在 launch_scientist.py核心逻辑分布在 ai_scientist/ 的generate_ideas.py、perform_experiments.py、perform_writeup.py等模块中。选择你的部署路径三种方案按背景自选快速起步5 行命令内完成安装最简路径是克隆仓库、建一个 Python 3.11 的 Conda 环境并装上 requirements.txt 里的依赖git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist conda create -n ai_scientist python3.11 conda activate ai_scientist pip install -r requirements.txt注意实验依赖 NVIDIA GPUCUDA PyTorch纯 CPU 机器上模板跑不完这点在仓库 README 中有明确说明。容器化部署一个镜像打包依赖与基线如果你不想在本机装 texlive 这类重型依赖可以用仓库自带的 Dockerfile 构建镜像。镜像基于 python:3.11已预装 texlive-full 并跑好了三个模板的基线run_0docker build -t ai-scientist -f experimental/Dockerfile . docker run -e OPENAI_API_KEY$OPENAI_API_KEY ai-scientist --experiment grokking --num-ideas 2镜像的 entrypoint 直接调用launch_scientist.py所以第二条命令就是完整的一次实验。完整配置补上 LaTeX 与模板依赖在宿主机上跑完整流程还需补两类依赖论文编译需要pdflatex和chktex来自 texlive-fullgrokking 模板需要einops2D Diffusion 模板需要scikit-learn外加 NPEET 库sudo apt-get install texlive-full pip install einops scikit-learntexlive-full安装耗时较长属正常现象装完后launch_scientist.py会在启动前自动检查pdflatex/chktex是否可用。选一个模板跑第一个实验三大模板对比与启动命令先按你的场景挑模板。三个官方模板的数据需求和运行入口各不相同对比如下模板适合场景数据 / 额外依赖运行入口nanoGPTTransformer 下一词元预测优化enwik8、shakespeare_char、text8需先跑 data/ 下 3 个prepare.pypython experiment.py --out_dir run_02d_diffusion低维数据上的扩散生成模型模板内置 DatasaurusDozen 数据集需装 NPEET scikit-learnpython experiment.py --out_dir run_0grokking泛化与学习速度突然理解研究内置算术任务只需pip install einopspython experiment.py --out_dir run_0新手推荐从 grokking 起步数据自包含、依赖最少。启动顺序是「先在本机跑基线 run_0不同硬件的运行时间对比才准确再启动 AI-Scientist 本体」cd templates/grokking python experiment.py --out_dir run_0 python plot.py cd ../.. python launch_scientist.py --experiment grokking --num-ideas 2跑之前先给要用的模型配置密钥OpenAI / Claude / DeepSeek 三选一ai_scientist/llm.py 里可见完整支持列表export OPENAI_API_KEY你的密钥 export ANTHROPIC_API_KEY你的密钥 export DEEPSEEK_API_KEY你的密钥--num-ideas 2表示只生成并执行 2 个想法默认 50首次跑通全流程足够。看结果如何读实验图表、曲线与生成样本 实验结束后每个想法的产物都落在results/模板名/时间戳_想法名/目录下。优先看四个文件notes.txt记录了 run_0 基线与后续各 run 的指标对比run_0到run_N里的final_info.json存着各项指标的均值review.txt是 LLM 审稿结果包含 1~10 的 Overall 分数与 Accept/Reject 决定同名的.pdf则是写好的论文。判断想法是否有效核心动作是拿 run_1 之后的曲线去对比 run_0 基线。grokking 模板的图重点看泛化跃迁下面这张验证准确率对比图中横轴是训练步数x_plus_y、x_minus_y等四条任务曲线在训练准确率爬升后验证准确率会同步跳升到接近 99%——这个「突然变好」的拐点就是 grokking 现象也是论文结论的主要依据。2D Diffusion 模板则用肉眼验收生成样本图展示模型在低维数据上采样的点云分布与真实数据集形状越贴合说明分布捕捉得越好配套的train_loss.png类曲线用于确认训练本身收敛。调优与排障控成本、开并行、解决常见报错 ️调优时抓住三个参数就够--num-ideas想法数量默认 50。首次建议 2~3 个验证流程确认稳定后再放大。--parallel与--gpus多卡环境用--parallel 2 --gpus 0,1让每张 GPU 领一个想法GPU 数不够时会自动降回可用卡数。--model决定成本与成功率。官方 FAQ 给出参考值——Claude Sonnet 3.5 下每篇论文通常不足 15 美元DeepSeek Coder V2 更省钱审稿环节建议用 GPT-4o 以获得更稳定的输出格式。常见报错按「症状 → 解决方案」自查症状解决方案报缺少数据文件先运行对应模板的数据准备脚本如python data/enwik8/prepare.py提示pdflatex或chktex未找到安装texlive-full或改用容器化镜像Semantic Scholar 查重/引用失败改用--engine openalex免 API 密钥或用--skip-novelty-check跳过某个想法没生成 PDF 或 review成功率取决于模板与基础模型换更强的模型如 Claude Sonnet 3.5重试担心 LLM 生成代码的自主执行风险用 Docker 镜像运行并限制网络访问README 对此有专门警示一条launch_scientist.py命令就能让 AI-Scientist 自主走完「想法 → 实验 → LaTeX 论文 → LLM 审稿」四个环节交付物是带审稿意见的 PDF 论文。如果你有自研方向可以照着templates/下experiment.pyplot.pyprompt.json的格式再扩一个自己的模板。现在就去配好密钥选 grokking 模板跑通你的第一个想法吧。【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