Skip to content

OpenRaiser/NanoResearch

BranchesTags

Repository files navigation

NanoResearch Logo

NanoResearch

中文 | English

端到端自主 AI 科研引擎

NanoResearch 是一个端到端的自主科研系统。与传统的"AI 写论文"工具不同，NanoResearch 真正运行计算实验——它不仅生成代码，还能将代码提交到 GPU 集群执行训练，收集真实实验结果，生成论文配图，最终输出一篇有实验数据支撑的完整 LaTeX 论文。

Quick Start · Showcase · Pipeline

Repository Python License Pipeline Execution

Highlights

大多数 AI 科研工具只能生成文本大纲或论文草稿。NanoResearch 的核心差异在于它能真正执行计算实验：

💡 Idea Generation        自动检索文献、发现研究空白、提出假说
        ↓
📋 Experiment Planning    设计详细的实验方案和技术路线
        ↓
💻 Code Generation        生成完整可运行的实验代码（含训练脚本、数据加载、模型定义）
        ↓
🚀 GPU Execution          自动提交到 SLURM 集群或本地 GPU 执行训练
        ↓
📊 Results Analysis       解析训练日志，提取指标，生成结构化实验证据
        ↓
📈 Figure Generation      根据真实实验数据自动生成论文配图（结果图、消融图、架构图）
        ↓
✍️ Paper Writing          基于真实实验结果撰写 LaTeX 论文（非凭空生成）
        ↓
🔍 Review & Revision      自动审稿并修订

关键区别：论文中的每一个数据、表格、图表都来自实际运行的实验结果，而非 LLM 编造。

Before and After NanoResearch

🦀 告别手动科研的痛苦循环

不再反复调试失败的实验、手动整理数据、从零写论文——
NanoResearch 将完整科研流程自动化，让你专注于真正的研究创新。

Table of Contents

Why NanoResearch

特性 传统 AI 写作工具 NanoResearch
文献检索 部分支持 ✅ OpenAlex + Semantic Scholar 自动检索
实验设计 ❌ ✅ 自动生成实验方案
代码生成 部分支持 ✅ 完整可运行的实验代码
实验执行 ❌ ✅ 自动提交 GPU 训练（本地/SLURM）
结果分析 ❌ ✅ 解析真实训练日志和指标
论文配图 ❌ ✅ 基于真实数据生成图表
论文撰写 大纲/草稿 ✅ 基于实验证据的完整 LaTeX 论文
断点续跑 ❌ ✅ 任意阶段失败可恢复
多模型协作 单一模型 ✅ 每个阶段可配置不同模型

Use Cases

  • 科研原型验证 — 快速将一个研究想法变成完整的实验+论文工作空间
  • 自主实验 — 让系统自动生成代码、提交 GPU 训练、分析结果
  • Benchmark 批量生成 — 对多个课题批量运行，生成可复现的实验结果
  • 论文初稿辅助 — 基于真实实验数据产出 LaTeX 草稿，加速写作
  • 科研流程审计 — 完整的工作空间、中间产物和日志，可追溯每一步

Showcase

Generated Research Workspace

一次典型的 NanoResearch 运行会产出一个完整、可检查的工作空间：

  • 文献检索与实验规划产物
  • 可运行的实验代码
  • 自动生成的论文配图
  • LaTeX 论文源码和参考文献
  • 可导出的论文打包文件

Example Outputs

Framework Overview
Framework Overview 		Examples
Examples
Main Results
Main Results 		Ablation
Ablation

Pipeline

Research Topic
  ↓
IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW
  ↓
Exported workspace: paper.pdf / paper.tex / references.bib / figures / code / data

Stage Summary

Stage 功能 说明
IDEATION 文献检索与创意生成 搜索学术文献、发现研究空白、提出假说、收集必引文献
PLANNING 实验方案设计 将研究想法转化为详细的实验蓝图
SETUP 环境准备 准备代码仓库、依赖环境、模型和数据集
CODING 代码生成 生成完整可运行的实验项目（含训练脚本、数据处理、模型定义）
EXECUTION 实验执行 在本地 GPU 或 SLURM 集群上运行训练，支持自动重试和调试
ANALYSIS 结果分析 解析训练日志和指标，生成结构化实验证据
FIGURE_GEN 图表生成 创建架构图、结果对比图、消融实验图
WRITING 论文撰写 基于实验证据和引用撰写 LaTeX 论文
REVIEW 审稿与修订 自动审阅各章节，检测问题并修订

Execution Details

EXECUTION 阶段是 NanoResearch 的核心差异化能力：

  • 自动提交 SLURM 作业：生成 sbatch 脚本，提交到集群，监控作业状态
  • 本地 GPU 执行：自动检测可用 GPU，管理训练进程
  • 自动调试与重试：训练失败时自动分析错误日志，修复代码并重新执行
  • 实时日志监控：追踪训练进度和指标变化
  • 混合执行模式：可根据任务复杂度在本地和集群之间自动切换

Key Capabilities

Grounded Writing

  • 论文内容基于结构化实验证据、引用和实验产物，而非纯文本生成
  • 追踪必引文献及引用质量
  • 输出带 BibTeX 支持的 LaTeX 论文

Real Experiment Evidence

  • 写作和配图消费真实的实验输出和分析产物
  • 表格、数据声明和图表绑定到实际实验结果
  • 保留中间 JSON 产物，便于调试和审计

Hybrid Figure Generation

  • 架构图可由图像模型生成
  • 结果图和消融图由代码生成（基于真实数据）
  • 图表提示、脚本和输出均保存在工作空间中

Checkpoint & Resume

  • 每个阶段的产物写入磁盘，失败可从上次断点恢复
  • 避免从头重跑整个流水线

Quick Start

1) Install

git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"

2) Configure

创建 ~/.nanobot/config.json。需替换 base_url 和 api_key 为你自己的 OpenAI 兼容 API 端点，并为每个阶段选择可用的模型：

{
  "research": {
    "base_url": "https://your-openai-compatible-endpoint/v1/",
    "api_key": "your-api-key",
    "template_format": "neurips2025",
    "execution_profile": "local_quick",
    "writing_mode": "hybrid",
    "max_retries": 2,
    "auto_create_env": true,
    "auto_download_resources": true,
    "ideation": { "model": "your-model", "temperature": 0.5, "max_tokens": 16384, "timeout": 600.0 },
    "planning": { "model": "your-model", "temperature": 0.2, "max_tokens": 16384, "timeout": 600.0 },
    "code_gen": { "model": "your-model", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
    "writing": { "model": "your-model", "temperature": 0.4, "max_tokens": 16384, "timeout": 600.0 },
    "figure_gen": {
      "model": "gemini-3.1-flash-image-preview",
      "image_backend": "gemini",
      "temperature": null,
      "timeout": 300.0
    },
    "review": { "model": "your-model", "temperature": 0.3, "max_tokens": 16384, "timeout": 300.0 }
  }
}

Recommended Models

Stage 任务 推荐模型 经济型
ideation 文献检索+假说生成 DeepSeek-V3.2 DeepSeek-V3.2
planning 实验设计 Claude Sonnet 4.6 DeepSeek-V3.2
code_gen 代码生成 GPT-5.2-Codex / Claude Opus 4.6 DeepSeek-V3.2
writing 论文撰写 Claude Opus 4.6 / Claude Sonnet 4.6 DeepSeek-V3.2
figure_prompt 图表描述 GPT-5.2 DeepSeek-V3.2
figure_code 图表绘制代码 Claude Opus 4.6 DeepSeek-V3.2
figure_gen AI 架构图生成 Gemini 3.1 Flash（原生图像生成） Gemini 3.1 Flash
review 审稿+修订 Claude Sonnet 4.6 / Gemini Flash DeepSeek-V3.2

说明：所有文本模型通过单一 OpenAI 兼容端点访问。对于不支持 temperature 的模型（如 Codex、o 系列），设置 temperature: null。figure_gen 使用 Gemini 原生图像生成 API，需设置 "image_backend": "gemini"。

Estimated Cost

场景 模型选择 时间 预估费用
仅生成论文（跳过实验） 全部 DeepSeek-V3.2 ~30 分钟 ~$0.5 - $1
仅生成论文（跳过实验） 混合（Claude 写作，DeepSeek 其余） ~30 分钟 ~$3 - $8
完整流水线（含实验） 全部 DeepSeek-V3.2 2 - 5 小时 ~$1 - $3
完整流水线（含实验） 混合（Claude/GPT 写作+代码，DeepSeek 其余） 2 - 5 小时 ~$10 - $20

完整流水线的执行时间取决于实验复杂度和计算资源（本地 GPU vs SLURM 集群）。"仅生成论文"模式通过 "skip_stages": ["SETUP", "CODING", "EXECUTION", "ANALYSIS"] 跳过实验相关阶段。

环境变量覆盖：

  • NANORESEARCH_BASE_URL
  • NANORESEARCH_API_KEY
  • NANORESEARCH_TIMEOUT

Literature Search API Keys (optional)

IDEATION 阶段使用 OpenAlex 和 Semantic Scholar 检索学术文献。不配置 API Key 也能运行（匿名访问），但速率限制较低。

Service 获取方式 Config key Env variable
OpenAlex 免费 — openalex.org/settings/api-key openalex_api_key OPENALEX_API_KEY
Semantic Scholar 免费 — semanticscholar.org s2_api_key S2_API_KEY

3) Validate

nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run

4) Run

nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose

5) Resume

nanoresearch resume --workspace ~/.nanobot/workspace/research/{session_id} --verbose

6) Export

nanoresearch export --workspace ~/.nanobot/workspace/research/{session_id} --output ./my_paper

Claude Code Mode

除了 Python CLI，NanoResearch 还支持通过 Claude Code 直接驱动研究流水线——无需配置任何 API Key。

工作原理

在 Claude Code 集成模式下，Claude Code 本身就是研究引擎：

  • WebSearch 替代外部 API 进行文献检索（arXiv、Semantic Scholar、Google Scholar）
  • Bash 执行实验代码、提交 SLURM 作业、编译 LaTeX
  • 文件读写 生成实验代码、论文和结构化产物

Quick Start

# 1. Clone 项目
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch

# 2. 启动 Claude Code（确保已安装 claude CLI）
claude

# 3. 在 Claude Code 中运行完整流水线
/project:research "Your Research Topic Here"

Available Commands

Command 功能
/project:research <topic> 运行完整 9 阶段流水线
/project:ideation <topic> Stage 1: 文献检索 + 假说生成
/project:planning Stage 2: 实验方案设计
/project:experiment Stages 3-5: 环境准备 + 代码生成 + 实验执行
/project:analysis Stage 6: 实验结果分析
/project:writing Stages 7-8: 图表生成 + 论文撰写
/project:review Stage 9: 多视角审稿 + 修订
/project:status 查看当前流水线状态
/project:resume 从断点恢复流水线

Example Workflow

# 启动一个完整的研究项目
/project:research "Dropout Regularization Comparison on Tabular Data"

# 查看当前进度
/project:status

# 如果中途失败，从断点恢复
/project:resume

Tips

  • 架构图生成：推荐使用 Nano Banana 系列图像模型生成高质量架构图。Claude Code 模式下可在 figure_gen 阶段通过 Bash 调用图像生成 API。
  • LaTeX 编译：推荐使用 tectonic 替代 pdflatex。Conda 安装的 texlive 可能缺少 pdflatex.fmt，导致编译失败。安装 tectonic：conda install -c conda-forge tectonic。
  • 断点续跑：所有阶段的产物保存在 manifest.json 中，支持任意阶段恢复。
  • 与 Python CLI 兼容：Claude Code 模式生成的工作空间与 Python CLI 完全兼容，可混合使用两种模式。

Execution Profiles

Profile 说明
fast_draft 轻量级草稿模式，快速迭代
local_quick 优先本地执行，需要时可升级到 SLURM
cluster_full 集群优先，适合重量级实验

CLI Commands

Command 用途
nanoresearch run --topic "..." 启动新的流水线运行
nanoresearch resume --workspace ... 从上次断点恢复
nanoresearch status --workspace ... 查看各阶段状态和产物
nanoresearch list 列出已保存的研究会话
nanoresearch export --workspace ... 导出论文打包
nanoresearch config 打印当前配置（密钥已屏蔽）
nanoresearch inspect --workspace ... 检查工作空间产物
nanoresearch health 运行环境/配置健康检查
nanoresearch delete <session_id> 删除指定会话 
nanoresearch --help

Output Structure

导出的论文目录：

my_paper/
├── paper.pdf
├── paper.tex
├── references.bib
├── figures/
├── code/
├── data/
└── manifest.json

完整工作空间（含中间产物）：

~/.nanobot/workspace/research/{session_id}/
├── manifest.json
├── papers/
├── plans/
├── code/
├── figures/
├── drafts/
├── logs/
└── ...

Model Routing

NanoResearch 通过统一配置层将不同阶段路由到不同模型，让你可以按任务特性混合搭配模型，而非强制所有阶段使用同一模型。

可路由的阶段：

  • ideation — 文献检索与创意
  • planning — 实验设计
  • experiment — 实验相关
  • code_gen — 代码生成
  • writing — 论文撰写
  • figure_prompt — 图表描述
  • figure_code — 图表代码
  • figure_gen — 图像生成
  • review — 审稿
  • revision — 修订

系统基于 OpenAI 兼容端点构建，支持按阶段覆盖配置。

Paper Formats

模板从 nanoresearch/templates/ 自动发现。当前内置模板：

  • arxiv
  • icml
  • neurips
  • neurips2025
nanoresearch run --topic "Graph Foundation Models for Biology" --format neurips2025

Project Structure

nanoresearch/
├── nanoresearch/
│   ├── cli.py
│   ├── config.py
│   ├── agents/
│   ├── pipeline/
│   ├── schemas/
│   └── templates/
├── mcp_server/
├── skills/
├── outputs/
├── PROJECT_DOCUMENTATION.md
└── pyproject.toml

Important Modules

  • nanoresearch/agents/ — 各阶段 Agent（文献检索、实验设计、代码生成、执行、分析、配图、写作、审稿）
  • nanoresearch/pipeline/ — 编排器、状态机、多模型调度、工作空间管理
  • nanoresearch/templates/ — LaTeX 模板和会议格式
  • mcp_server/ — 研究和文档工作流的工具服务集成

Feishu Bot

NanoResearch 内置飞书（Lark）机器人，可直接在飞书聊天中触发流水线、查看进度、接收论文——无需打开终端。

Prerequisites

pip install lark-oapi

Configure

在 open.feishu.cn 创建自定义应用并获取 App ID 和 App Secret：

export FEISHU_APP_ID="cli_xxx"
export FEISHU_APP_SECRET="xxx"

或写入 ~/.nanobot/config.json：

{
  "feishu": {
    "app_id": "cli_xxx",
    "app_secret": "xxx"
  }
}

Launch

nanoresearch feishu          # 启动机器人
nanoresearch feishu -v       # 详细日志模式

机器人通过 WebSocket 长连接通信（无需公网服务器或 Webhook URL）。按 Ctrl+C 停止。

Supported Commands

Command 描述
/run <课题> 对指定课题启动研究流水线
/status 查看当前任务进度
/list 列出所有历史研究会话
/stop 停止当前运行的流水线
/export 重新导出最近完成的研究
/new 清除对话记忆，重新开始
/help 显示帮助信息

Natural Language Mode

也可以直接自然语言聊天——机器人充当 AI 科研助手：

  • 提问科研问题："多模态学习最新进展有哪些？"
  • 请求写论文："帮我写一篇关于自适应稀疏注意力的论文"——机器人会引导你回答 5 个快速问题（课题、论文类型、数据场景、创新偏好、目标），然后自动启动流水线
  • 对话记忆：机器人在对话内保持上下文记忆，使用 /new 重置

流水线完成后，机器人自动将编译好的 paper.pdf 发送到聊天中。

FAQ

NanoResearch 真的会运行实验吗？

是的。流水线会生成可运行的代码，在本地 GPU 或 SLURM 集群上执行，并将实验产物传递给后续的分析、配图和写作阶段。论文中的数据来自真实实验，而非模型编造。

可以断点续跑吗？

可以。工作空间按阶段保存检查点，nanoresearch resume --workspace ... 会从上次未完成或失败的阶段继续。

每个阶段都需要配置模型吗？

不需要。NanoResearch 支持按阶段配置模型路由，文献检索、代码生成、写作、配图和审稿可以使用不同模型，也可以全部使用同一个模型。

生成的论文可以直接投稿吗？

建议将其视为高质量初稿，而非最终投稿版本。系统可以生成完整的论文工作空间和编译好的 PDF，但人工审阅和修订仍然必要。

Requirements

  • Python 3.10+
  • OpenAI 兼容 API 端点（用于文本模型阶段）
  • 可选：图像模型访问权限（用于部分配图）
  • tectonic 或 pdflatex（用于 PDF 编译）

推荐使用 tectonic：Conda 安装的 texlive 可能缺少 pdflatex.fmt，导致编译失败且修复困难。tectonic 会自动下载所需的 TeX 包，无需额外配置。

conda install -c conda-forge tectonic

Acknowledgements

Star History

Citation

@software{nanoresearch2026,
  title = {NanoResearch},
  author = {OpenRaiser},
  year = {2026},
  url = {https://github.com/OpenRaiser/NanoResearch}
}

License

MIT

About

🦞+🔬: NanoResearch: The Autonomous AI Research Assistant

Topics

ai artificial-intelligence agents autonomous-agents ai-agents nanobot autonomous-research ai-scientist agent-skills claude-code claude-skills openclaw autoresearch

Resources

Readme

License

MIT license
Activity
Custom properties

Stars

80 stars

Watchers

2 watching

Forks

3 forks
Report repository

Releases 1

Static Assets Latest
Mar 19, 2026

Packages

 
 
 

Contributors

Languages