AI-Researcher

AI-Researcher 是一个基于大型语言模型（LLM）的自动化科研工具。AI-Researcher 基于多模态数据集成、LLM 智能代理和自动化实验验证等技术，实现科研任务的高效处理，其核心功能包括支持文献综述、算法设计、实验验证和论文撰写等全流程自动化。

AI-Researcher 是什么？

AI-Researcher 是香港大学数据科学实验室推出的开源自动化科研工具，旨在通过大型语言模型（LLM）代理实现从研究想法到论文发表的全流程自动化。该工具支持用户在两种模式下操作：一是提供详细的研究想法描述，系统据此生成实现策略；二是提供参考文献，系统自主生成创新想法并实施。

AI-Researcher 集成了文献综述、想法生成、算法设计与验证、结果分析和论文撰写等核心功能，支持多领域研究，并基于开源的基准测试套件评估研究质量。无论是计算机视觉、自然语言处理，还是数据挖掘等领域，AI Researcher 都能提供高效的科研支持。

AI-Researcher 的主要功能

• 文献综述：系统自动收集和分析特定领域的现有研究文献，基于检索学术数据库（如 arXiv、IEEE Xplore 等）和代码平台（如 GitHub、Hugging Face）获取高质量的研究资源。
• 算法验证与优化：自动进行实验设计、执行和结果分析，评估算法的性能，根据反馈进行优化，确保算法的有效性和可靠性。
• 论文撰写：自动生成完整的学术论文，包括研究背景、方法、实验结果和讨论等内容。
• 多领域支持与基准测试：支持计算机视觉、自然语言处理、数据挖掘等多个领域的研究，提供标准化的基准测试框架，用于评估研究质量和创新性。

AI-Researcher 的技术原理

• 多模态数据集成与处理：系统基于自动化工具从学术数据库和代码平台收集文献、代码和数据集，利用自然语言处理（NLP）技术对文本内容进行解析和分析，提取关键信息。
• 基于 LLM 的智能代理：基于大型语言模型（LLM）作为核心驱动，利用预训练模型（如 OpenAI 的 GPT 或 DeepSeek 的模型）生成高质量的文本内容，包括研究想法、算法设计和论文撰写。
• 自动化实验与验证：系统基于容器化技术（如 Docker）和自动化脚本，实现算法的快速部署和实验执行。系统自动设计实验流程、收集结果，基于机器学习技术对结果进行分析和优化。
• 多级任务处理与模块化设计：支持两种任务级别：用户提供详细想法（Level 1）和仅提供参考文献（Level 2）。系统根据任务级别调用不同的模块，实现从想法生成到论文撰写的全流程自动化。

如何使用 AI-Researcher

AI-Researcher 是一个全自动化科学发现系统，它通过先进的 AI 代理技术重塑传统研究范式，为研究人员提供从概念到发表的无缝支持。下面将为您详细介绍如何运行 AI-Researcher，并结合具体示例演示其主要功能。

AI 安装

git clone https://github.com/HKUDS/AI-Researcher.git
cd AI-Researcher
pip install -e .

Docker 安装

docker pull tjbtech1/paperagent:latest

设置 API Key

根据提供的 '.env.template' 文件创建一个环境变量文件。在此文件中，设置你打算使用的 LLMs 的 API 键。请注意，并非所有 LLM API 键都是必需的——只需包含与你的需求相关的键。

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

示例 ：矢量量化（Vector Quantized）

Input:Prompt/输入：提示

I have some reference papers, please implement the following idea with these papers（我有一些参考论文，请用这些论文实现以下想法）

1. 提出的模型旨在通过解决非可微矢量量化层的梯度传播问题，提升矢量量化变分自编码器（VQ-VAE）的性能。
2. 核心方法包括：
- 旋转和缩放变换：调整编码器输出以对齐最近的码本向量，而不改变前向传播输出。
- 梯度传播方法：确保梯度从解码器流向编码器，同时保持梯度与码本向量之间的角度。
- 码本管理：通过连接编码器输出与码本向量的关系，避免码本崩溃并提高利用率。

Straightening out the straight-through estimator: Overcoming optimization challenges in vector quantized networks
理顺直通估计器：克服向量量化网络中的优化挑战
Estimating or propagating gradients through stochastic neurons for conditional computation
通过随机神经元估计或传播梯度以进行条件计算
High-resolution image synthesis with latent diffusion models
使用潜在扩散模型的高分辨率图像合成
Finite scalar quantization: Vq-vae made simple
有限标量量化：Vq-vae 简化版
Elements of information theory
信息论的元素
Vector-quantized image modeling with improved vqgan
带有改进的 VQGAN 的向量量化图像建模
Uvim: A unified modeling approach for vision with learned guiding codes
Uvim：一种使用学习引导代码的统一视觉建模方法
Auto-encoding variational bayes
自动编码变分贝叶斯
Categorical reparameterization with gumbel-softmax
类别重参数化与 gumbel-softmax

运行命令

current_dir=$(dirname "$(readlink -f "$0")")
cd $current_dir
export DOCKER_WORKPLACE_NAME=workplace_paper

export BASE_IMAGES=tjbtech1/paperagent:latest

export COMPLETION_MODEL=claude-3-5-sonnet-20241022
export CHEEP_MODEL=claude-3-5-haiku-20241022

category=vq
instance_id=one_layer_vq
export GPUS='"device=0,1"'

python run_infer_plan.py --instance_path ../benchmark/final/${category}/${instance_id}.json \
--container_name paper_eval --task_level task1 --model $COMPLETION_MODEL \
--workplace_name workplace --cache_path cache --port 12372 --max_iter_times 0 --category ${category}

运行完成后，系统将生成一份完整的论文（PDF 文件）以及研究工作区的代码实现。