综合介绍
AgentLaboratory 是一个开源工具,托管在 GitHub 上,由 Samuel Schmidgall 开发。它利用大语言模型(LLM)驱动的智能代理,帮助研究人员完成科研全流程,包括文献综述、实验设计和报告撰写。这个工具的目标是让科研更高效,而不是取代人的创造力。用户输入研究想法后,工具会自动完成重复性任务,比如搜索论文或生成代码。它适合学术研究人员、学生和工程师使用。项目支持多语言文档,最新更新在 2025 年 3 月,新增了 AgentRxiv 框架,让代理之间可以共享研究成果。
功能列表
- 文献综述:自动从 arXiv 等数据库收集论文并整理相关内容。
- 实验设计:生成研究计划和可运行的 Python 代码。
- 报告撰写:将研究结果转为 LaTeX 格式,生成完整报告。
- AgentRxiv 框架:支持代理上传和获取研究成果,实现协作进步。
- Copilot 模式:开启后,工具与用户实时互动,调整研究内容。
- 多语言支持:提供中文、英文等多种语言的文档和操作界面。
使用帮助
AgentLaboratory 的安装和使用需要一些基础步骤,但操作简单。下面详细介绍如何安装和使用,让你快速上手。
安装流程
- 下载项目代码
打开终端,输入以下命令克隆代码库:
git clone git@github.com:SamuelSchmidgall/AgentLaboratory.git
下载完成后,会生成一个 AgentLaboratory
文件夹。
- 创建 Python 环境
进入项目文件夹,创建并激活虚拟环境。官方推荐使用 Python 3.12:
cd AgentLaboratory
python -m venv venv_agent_lab
source venv_agent_lab/bin/activate # Linux/Mac
venv_agent_lab\Scripts\activate # Windows
激活后,终端会显示 (venv_agent_lab)
。
- 安装依赖
在虚拟环境中运行:
pip install -r requirements.txt
这会安装所需的 Python 库。如果遇到问题,可以查看 GitHub 的 Issues 页面。
- 安装 pdflatex(可选)
如果需要生成 LaTeX 格式报告,安装 pdflatex:
sudo apt install pdflatex # Linux
没有权限?可以用参数 <code>--compile-latex "false"</code>
跳过此步骤。
- 设置 API 密钥
工具需要 OpenAI 或 DeepSeek 的 API 密钥。获取后,设置环境变量:
export OPENAI_API_KEY="你的密钥" # Linux/Mac
set OPENAI_API_KEY="你的密钥" # Windows
或者在运行时直接指定密钥。
运行工具
安装完成后,运行以下命令启动:
python ai_lab_repo.py --yaml-location "experiment_configs/MATH_agentlab.yaml"
想研究特定主题,比如“机器学习优化”,可以输入:
python ai_lab_repo.py --api-key "sk-xxx" --llm-backend "gpt-4o" --research-topic "机器学习优化"
工具会自动开始处理。
主要功能操作
- 输入研究主题
启动后,如果没指定主题,工具会提示:
请为 AgentLaboratory 输入一个实验想法:
输入后按回车,工具开始工作。
- 查看文献综述
工具会从 arXiv 等数据库收集论文,生成结果保存在output
文件夹,比如<研究主题>_literature.md
。打开文件就能看到内容。 - 运行实验代码
工具生成 Python 代码,路径类似output/<研究主题>_code.py
。运行:
python output/机器学习优化_code.py
即可查看实验结果。
- 生成报告
实验完成后,工具会生成 LaTeX 文件,路径如output/<研究主题>_report.tex
。如果安装了 pdflatex,会自动编译成 PDF。 - 使用 Copilot 模式
编辑<code>experiment_configs/MATH_agentlab.yaml</code>
文件,将copilot-mode
设为true
,然后运行。工具会实时询问你的意见。 - AgentRxiv 功能
运行时加参数<code>--agentrxiv "true"</code>
,代理会将结果上传到 AgentRxiv 框架,供其他代理使用。
使用技巧
- 写详细笔记:在
<code>ai_lab_repo.py</code>
的task_notes_LLM
中添加笔记,比如实验目标或硬件信息,帮助代理理解需求。 - 选择模型:用
--llm-backend
指定模型,比如<code>--llm-backend="o1-mini"</code>
。强大模型如o1
效果更好,但成本更高。 - 加载进度:如果中断,可以从
state_saves
文件夹加载之前的检查点。 - 中文操作:在配置文件中设置
language: "中文"
,工具会用中文生成内容。
注意事项
- 确保网络正常,工具需要访问外部数据库。
- 文件会保存在
output
文件夹,建议定期清理。 - 如果遇到错误,检查 API 密钥或模型设置。
通过这些步骤,你可以用 AgentLaboratory 高效完成科研任务。
应用场景
- 论文写作
研究人员输入课题,工具生成文献综述和初稿,节省查阅时间。 - 实验验证
工程师输入实验目标,工具提供代码和计划,快速测试想法。 - 团队协作
通过 AgentRxiv,多个研究人员共享成果,加速项目进展。
QA
- 需要编程经验吗?
不需要。按步骤复制命令即可使用。但懂 Python 可以更灵活调整代码。 - 费用高吗?
项目免费,但 API 调用可能收费,取决于你选的模型和使用量。 - 可以离线使用吗?
不行。工具需要联网访问数据库和 API。