AgentLaboratory: ein Open-Source-Tool zur Vervollständigung des gesamten Prozesses der wissenschaftlichen Forschung mit intelligenten Agenten

Allgemeine Einführung

AgentLaboratory ist ein Open-Source-Tool, das auf GitHub gehostet und von Samuel Schmidgall entwickelt wird. Es verwendet intelligente Agenten, die von Large Language Models (LLMs) gesteuert werden, um Forschern bei dem gesamten Prozess der wissenschaftlichen Forschung zu helfen, einschließlich Literaturrecherche, Versuchsplanung und Verfassen von Berichten. Das Ziel dieses Tools ist es, die Forschung effizienter zu machen, nicht die menschliche Kreativität zu ersetzen. Nachdem der Benutzer eine Forschungsidee eingegeben hat, automatisiert das Tool sich wiederholende Aufgaben wie die Suche nach Veröffentlichungen oder die Erstellung von Code. Es ist für akademische Forscher, Studenten und Ingenieure geeignet. Das Projekt unterstützt eine mehrsprachige Dokumentation und wurde zuletzt im März 2025 durch die Hinzufügung des AgentRxiv-Frameworks aktualisiert, das es Agenten ermöglicht, Forschungsergebnisse untereinander auszutauschen.

Funktionsliste

• LiteraturübersichtAutomatisches Sammeln von Artikeln aus Datenbanken wie arXiv und Organisieren verwandter Inhalte.
• Experimenteller AufbauGenerierung von Forschungsplänen und lauffähigem Python-Code.
• Bericht schreibenKonvertiert Studienergebnisse in das LaTeX-Format, um einen vollständigen Bericht zu erstellen.
• AgentRxiv-RahmenUnterstützung von Agenten beim Hochladen und Zugreifen auf Forschungsergebnisse für den gemeinsamen Fortschritt.
• Copilot-ModusWenn das Gerät eingeschaltet ist, interagiert es in Echtzeit mit dem Benutzer, um die Studie anzupassen.
• Unterstützung mehrerer SprachenDokumentation und Benutzeroberfläche in Chinesisch, Englisch und anderen Sprachen.

Hilfe verwenden

Die Installation und Verwendung von AgentLaboratory erfordert einige grundlegende Schritte, ist aber einfach zu befolgen. Im Folgenden finden Sie eine detaillierte Beschreibung der Installation und Verwendung, damit Sie schnell loslegen können.

Einbauverfahren

1. Projektcode herunterladen
   Öffnen Sie ein Terminal und geben Sie den folgenden Befehl ein, um die Codebasis zu klonen:

git clone git@github.com:SamuelSchmidgall/AgentLaboratory.git

Sobald der Download abgeschlossen ist, wird ein AgentLaboratory Mappe.

2. Erstellen einer Python-Umgebung
   Gehen Sie in den Projektordner und erstellen und aktivieren Sie die virtuelle Umgebung. Python 3.12 wird offiziell empfohlen:

cd AgentLaboratory
python -m venv venv_agent_lab
source venv_agent_lab/bin/activate  # Linux/Mac
venv_agent_lab\Scripts\activate  # Windows

Wenn aktiviert, zeigt das Terminal (venv_agent_lab).

3. Installation von Abhängigkeiten
   Läuft in einer virtuellen Umgebung:

pip install -r requirements.txt

Dadurch werden die erforderlichen Python-Bibliotheken installiert. Wenn Sie auf Probleme stoßen, schauen Sie auf der Issues-Seite von GitHub nach.

4. Installieren Sie pdflatex (optional)
   Wenn Sie Berichte im LaTeX-Format erstellen möchten, installieren Sie pdflatex:

sudo apt install pdflatex  # Linux

Keine Berechtigungen? Sie können den Parameter <code>--compile-latex "false"</code> Überspringen Sie diesen Schritt.

5. Einstellen des API-Schlüssels
   Tools erfordern OpenAI oder DeepSeek den API-Schlüssel. Setzen Sie die Umgebungsvariable, sobald Sie sie erhalten haben:

export OPENAI_API_KEY="你的密钥"  # Linux/Mac
set OPENAI_API_KEY="你的密钥"  # Windows

Oder geben Sie den Schlüssel direkt zur Laufzeit an.

laufendes Werkzeug

Führen Sie nach Abschluss der Installation den folgenden Befehl aus, um das Programm zu starten:

python ai_lab_repo.py --yaml-location "experiment_configs/MATH_agentlab.yaml"

Um ein bestimmtes Thema zu recherchieren, z. B. "Optimierung des maschinellen Lernens", geben Sie ein:

python ai_lab_repo.py --api-key "sk-xxx" --llm-backend "gpt-4o" --research-topic "机器学习优化"

Das Programm beginnt automatisch mit der Verarbeitung.

Hauptfunktionen

1. Geben Sie ein Forschungsthema ein
   Nach dem Start fragt das Tool nach, wenn kein Thema angegeben wurde:

请为 AgentLaboratory 输入一个实验想法：

Geben Sie ihn ein und drücken Sie die Eingabetaste, und das Tool beginnt zu arbeiten.

2. Literaturübersicht anzeigen
   Das Tool sammelt Arbeiten aus Datenbanken wie arXiv und generiert Ergebnisse, die in der output Ordner, wie zum Beispiel <研究主题>_literature.md. Öffnen Sie die Datei, um den Inhalt zu sehen.
3. Führen Sie den experimentellen Code aus
   erzeugt Python-Code mit einem ähnlichen Pfad wie output/<研究主题>_code.py. Läuft:

python output/机器学习优化_code.py

Die Ergebnisse des Experiments können eingesehen werden.

4. Erstellung von Berichten
   Wenn das Experiment abgeschlossen ist, erzeugt das Tool eine LaTeX-Datei mit folgendem Pfad output/<研究主题>_report.tex. Wenn pdflatex installiert ist, wird es automatisch zu PDF kompiliert.
5. Verwendung des Copilot-Modus
   Compiler <code>experiment_configs/MATH_agentlab.yaml</code> Datei, die copilot-mode einrichten als trueund führen Sie es dann aus. Das Tool fragt Sie in Echtzeit nach Ihren Eingaben.
6. AgentRxiv Merkmale
   Parameter zur Laufzeit hinzufügen <code>--agentrxiv "true"</code>lädt der Agent die Ergebnisse in den AgentRxiv-Rahmen hoch, damit sie von anderen Agenten verwendet werden können.

Tipps und Tricks

• Detaillierte Notizen schreiben: in <code>ai_lab_repo.py</code> (in Form eines Nominalausdrucks) task_notes_LLM Fügen Sie Notizen hinzu, z. B. zu Versuchszielen oder Hardware-Informationen, um dem Agenten das Verständnis der Anforderungen zu erleichtern.
• Modell auswählen: Verwendung von --llm-backend Geben Sie das Modell an, z. B. <code>--llm-backend="o1-mini"</code>. Leistungsstarke Modelle wie o1 Bessere Ergebnisse, aber teurer.
• Fortschritt beim LadenWenn sie unterbrochen wird, kann sie aus der Datenbank entfernt werden. state_saves Kontrollpunkte, bevor der Ordner geladen wird.
• Chinesische OperationEinstellung in der Konfigurationsdatei language: "中文"Das Tool generiert Inhalte auf Chinesisch.

caveat

• Vergewissern Sie sich, dass das Netzwerk funktioniert und dass das Tool Zugriff auf eine externe Datenbank benötigt.
• Die Datei wird im Verzeichnis output Ordner wird eine regelmäßige Reinigung empfohlen.
• Wenn ein Fehler auftritt, überprüfen Sie den API-Schlüssel oder die Modelleinstellungen.

Mit diesen Schritten können Sie Rechercheaufgaben mit AgentLaboratory effizient erledigen.

Anwendungsszenario

1. Essayistik
   Der Forscher gibt das Thema ein, und das Tool generiert eine Literaturübersicht und einen ersten Entwurf, was den Zugang erleichtert.
2. experimenteller Nachweis
   Die Ingenieure geben ihre Versuchsziele ein, und die Tools liefern Code und Pläne, um die Ideen schnell zu testen.
3. Teamarbeit
   Mit AgentRxiv können mehrere Forscher ihre Ergebnisse gemeinsam nutzen und den Projektfortschritt beschleunigen.

QA

1. Programmiererfahrung erforderlich?
   Nicht erforderlich. Kopieren Sie die Befehle einfach Schritt für Schritt und verwenden Sie sie. Aber Python-Kenntnisse geben Ihnen mehr Flexibilität, um den Code zu optimieren.
2. Ist es teuer?
   Das Projekt ist kostenlos, aber für API-Aufrufe kann eine Gebühr anfallen, je nachdem, welches Modell Sie wählen und wie oft Sie es nutzen.
3. Kann es offline verwendet werden?
   Nein. Das Tool erfordert einen Netzwerkzugriff auf die Datenbank und die API.