AgentLaboratory: una herramienta de código abierto para completar todo el proceso de investigación científica con agentes inteligentes

Introducción general

AgentLaboratory es una herramienta de código abierto alojada en GitHub y desarrollada por Samuel Schmidgall. Utiliza agentes inteligentes impulsados por modelos de lenguaje de gran tamaño (LLM) para ayudar a los investigadores con el proceso completo de la investigación científica, incluida la revisión de la literatura, el diseño experimental y la redacción de informes. El objetivo de esta herramienta es hacer más eficiente la investigación, no sustituir la creatividad humana. Una vez que el usuario introduce una idea de investigación, la herramienta automatiza tareas repetitivas como la búsqueda de artículos o la generación de código. Es adecuada para investigadores académicos, estudiantes e ingenieros. El proyecto admite documentación multilingüe y se actualizó por última vez en marzo de 2025 con la incorporación del marco AgentRxiv, que permite a los agentes compartir entre sí los resultados de sus investigaciones.

Lista de funciones

• Revisión bibliográfica: Recopila automáticamente artículos de bases de datos como arXiv y organiza el contenido relacionado.
• Diseño experimentalGeneración de planes de investigación y código Python ejecutable.
• Redacción de informesConvierte los resultados del estudio en formato LaTeX para generar un informe completo.
• Marco AgentRxiv: Ayuda a los agentes a cargar y acceder a los resultados de la investigación para avanzar en colaboración.
• Modo copiloto: Cuando está encendida, la herramienta interactúa con el usuario en tiempo real para ajustar el estudio.
• Soporte multilingüe: Proporciona documentación e interfaz de operador en chino, inglés y otros idiomas.

Utilizar la ayuda

La instalación y uso de AgentLaboratory requiere algunos pasos básicos, pero es sencillo de seguir. A continuación se describe detalladamente cómo instalarlo y utilizarlo, para que pueda empezar rápidamente.

Proceso de instalación

1. Descargar el código del proyecto
   Abra un terminal e introduzca el siguiente comando para clonar el código base:

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

Una vez finalizada la descarga, aparecerá un AgentLaboratory Carpeta.

2. Creación de un entorno Python
   Vaya a la carpeta del proyecto y cree y active el entorno virtual. Se recomienda oficialmente 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

Cuando se activa, el terminal muestra (venv_agent_lab).

3. Instalación de dependencias
   Se ejecuta en un entorno virtual:

pip install -r requirements.txt

Esto instalará las librerías Python necesarias. Si tiene problemas, consulte la página de problemas de GitHub.

4. Instalar pdflatex (opcional)
   Si necesita generar informes en formato LaTeX, instale pdflatex:

sudo apt install pdflatex  # Linux

¿No tiene permisos? Puede utilizar el parámetro <code>--compile-latex "false"</code> Omita este paso.

5. Configuración de la clave API
   Las herramientas requieren OpenAI o DeepSeek la clave API. Una vez obtenida, configure la variable de entorno:

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

O especifique la clave directamente en tiempo de ejecución.

herramienta de trabajo

Una vez finalizada la instalación, ejecute el siguiente comando para iniciarla:

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

Para investigar un tema específico, como "optimización del aprendizaje automático", introduzca:

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

La herramienta empezará a procesar automáticamente.

Funciones principales

1. Introduzca un tema de investigación
   Una vez iniciada, la herramienta preguntará si no se ha especificado ningún tema:

请为 AgentLaboratory 输入一个实验想法：

Introdúcelo y pulsa intro, la herramienta empezará a funcionar.

2. Ver revisión bibliográfica
   La herramienta recopila artículos de bases de datos como arXiv y genera resultados que se guardan en el archivo output como, por ejemplo <研究主题>_literature.md. Abra el archivo para ver el contenido.
3. Ejecutar el código experimental
   genera código Python con una ruta similar a output/<研究主题>_code.py. Corriendo:

python output/机器学习优化_code.py

Se pueden ver los resultados del experimento.

4. Generación de informes
   Una vez finalizado el experimento, la herramienta genera un archivo LaTeX con la siguiente ruta output/<研究主题>_report.tex. Si pdflatex está instalado, se compila automáticamente en PDF.
5. Uso del modo Copiloto
   compilador <code>experiment_configs/MATH_agentlab.yaml</code> archivo, que copilot-mode establecido como truey ejecútela. La herramienta te pedirá información en tiempo real.
6. Características de AgentRxiv
   Añadir parámetros en tiempo de ejecución <code>--agentrxiv "true"</code>El agente carga los resultados en el marco AgentRxiv para que otros agentes puedan utilizarlos.

Trucos y consejos

• Escribir notas detalladas: en <code>ai_lab_repo.py</code> (utilizado como expresión nominal) task_notes_LLM Añada notas, como objetivos del experimento o información sobre el hardware, para ayudar al agente a comprender los requisitos.
• Seleccionar modelo: Uso de --llm-backend Especifique el modelo, por ejemplo <code>--llm-backend="o1-mini"</code>. Modelos potentes como o1 Mejores resultados, pero más costosos.
• Progreso de la carga: Si se interrumpe, puede eliminarse del state_saves Puntos de control antes de cargar la carpeta.
• Operación chinaAjuste en el archivo de configuración language: "中文"La herramienta genera contenidos en chino.

advertencia

• Asegúrese de que la red funciona y de que la herramienta necesita acceder a una base de datos externa.
• El archivo se guardará en la carpeta output carpeta, se recomienda una limpieza periódica.
• Si encuentra un error, compruebe la clave API o la configuración del modelo.

Con estos pasos, podrá completar eficazmente las tareas de investigación con AgentLaboratory.

escenario de aplicación

1. redacción de ensayos
   El investigador introduce el tema y la herramienta genera una revisión bibliográfica y un primer borrador, ahorrando tiempo de acceso.
2. verificación experimental
   Los ingenieros introducen objetivos de experimentación, y las herramientas proporcionan código y planes para probar rápidamente las ideas.
3. Trabajo en equipo
   Con AgentRxiv, varios investigadores comparten resultados y aceleran el progreso de los proyectos.

CONTROL DE CALIDAD

1. ¿Se requiere experiencia en programación?
   No es necesario. Simplemente copia los comandos paso a paso y úsalos. Pero saber Python te da más flexibilidad para ajustar el código.
2. ¿Es caro?
   El proyecto es gratuito, pero las llamadas a la API pueden tener un coste, dependiendo del modelo que elijas y de cuánto lo utilices.
3. ¿Se puede utilizar sin conexión?
   No. La herramienta requiere acceso de red a la base de datos y a la API.