AgentLaboratory：利用智能代理完成科研全流程的开源工具

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

1. 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。

2. 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)。

3. 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。

4. 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。

5. 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

1. 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。

2. 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。
3. 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。

4. 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。
5. 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。
6. 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

1. 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。
2. 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。
3. 团队协作
   通过 AgentRxiv，多个研究人员共享成果，加速项目进展。

QA

1. 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。
2. 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。
3. 可以离线使用吗？
   不行。工具需要联网访问数据库和 API。