AgentLaboratory : un outil open-source pour compléter l'ensemble du processus de recherche scientifique avec des agents intelligents

Introduction générale

AgentLaboratory est un outil open source hébergé sur GitHub et développé par Samuel Schmidgall. Il utilise des agents intelligents pilotés par de grands modèles de langage (LLM) pour aider les chercheurs dans l'ensemble du processus de recherche scientifique, y compris l'analyse de la littérature, la conception expérimentale et la rédaction de rapports. L'objectif de cet outil est de rendre la recherche plus efficace, et non de remplacer la créativité humaine. Une fois que l'utilisateur a saisi une idée de recherche, l'outil automatise les tâches répétitives telles que la recherche d'articles ou la génération de code. Il convient aux chercheurs universitaires, aux étudiants et aux ingénieurs. Le projet prend en charge une documentation multilingue et a été mis à jour en mars 2025 avec l'ajout du cadre AgentRxiv, qui permet aux agents de partager les résultats de leurs recherches entre eux.

Liste des fonctions

• Revue de la littérature: collecte automatiquement des articles à partir de bases de données telles que arXiv et organise le contenu connexe.
• Plan d'expérienceLes projets de recherche : Générer des plans de recherche et du code Python exécutable.
• Rédaction de rapportsLe rapport : convertit les résultats de l'étude au format LaTeX afin de générer un rapport complet.
• Cadre AgentRxivLes agents de soutien peuvent télécharger et accéder aux résultats de la recherche dans le cadre d'une collaboration.
• Mode copiloteLorsque l'outil est activé, il interagit avec l'utilisateur en temps réel pour ajuster l'étude.
• Prise en charge multilingueLe système de gestion de l'information de l'entreprise : fournit une documentation et une interface opérateur en chinois, en anglais et dans d'autres langues.

Utiliser l'aide

L'installation et l'utilisation d'AgentLaboratory nécessitent quelques étapes de base, mais sont simples à suivre. Vous trouverez ci-dessous une description détaillée de l'installation et de l'utilisation du logiciel, afin que vous puissiez démarrer rapidement.

Processus d'installation

1. Télécharger le code du projet
   Ouvrez un terminal et entrez la commande suivante pour cloner la base de code :

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

Une fois le téléchargement terminé, un AgentLaboratory Dossier.

2. Création d'un environnement Python
   Allez dans le dossier du projet et créez et activez l'environnement virtuel. Python 3.12 est officiellement recommandé :

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

Lorsqu'il est activé, le terminal affiche (venv_agent_lab).

3. Installation des dépendances
   Fonctionne dans un environnement virtuel :

pip install -r requirements.txt

Cela installera les bibliothèques Python nécessaires. Si vous rencontrez des problèmes, consultez la page GitHub Issues.

4. Installer pdflatex (optionnel)
   Si vous avez besoin de générer des rapports au format LaTeX, installez pdflatex :

sudo apt install pdflatex  # Linux

Pas d'autorisations ? Vous pouvez utiliser le paramètre <code>--compile-latex "false"</code> Sauter cette étape.

5. Définition de la clé API
   Les outils nécessitent OpenAI ou DeepSeek la clé API. Une fois obtenue, définissez la variable d'environnement :

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

Ou spécifier la clé directement au moment de l'exécution.

outil de travail

Une fois l'installation terminée, exécutez la commande suivante pour le démarrer :

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

Pour rechercher un sujet spécifique, tel que "optimisation de l'apprentissage automatique", entrez :

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

L'outil démarre automatiquement le traitement.

Principales fonctions

1. Entrer un sujet de recherche
   Après le lancement, l'outil vous demandera si aucun thème n'a été spécifié :

请为 AgentLaboratory 输入一个实验想法：

Saisissez-le et appuyez sur la touche "Entrée", l'outil commence à fonctionner.

2. Voir l'analyse documentaire
   L'outil recueille des articles dans des bases de données telles que arXiv et génère des résultats qui sont sauvegardés dans le fichier output comme par exemple <研究主题>_literature.md. Ouvrez le fichier pour en voir le contenu.
3. Exécuter le code expérimental
   génère du code Python avec un chemin d'accès similaire à output/<研究主题>_code.py. La course à pied :

python output/机器学习优化_code.py

Les résultats de l'expérience peuvent être consultés.

4. Générer des rapports
   Lorsque l'expérience est terminée, l'outil génère un fichier LaTeX avec le chemin suivant output/<研究主题>_report.tex. Si pdflatex est installé, il est automatiquement compilé en PDF.
5. Utilisation du mode Copilote
   compilateur <code>experiment_configs/MATH_agentlab.yaml</code> qui sera copilot-mode mis en place en tant que truepuis exécutez-le. L'outil vous demandera votre avis en temps réel.
6. Caractéristiques de l'agentRxiv
   Ajouter des paramètres au moment de l'exécution <code>--agentrxiv "true"</code>L'agent télécharge les résultats dans le cadre AgentRxiv pour qu'ils puissent être utilisés par d'autres agents.

Conseils et astuces

• Rédiger des notes détaillées: en <code>ai_lab_repo.py</code> (utilisé comme expression nominale) task_notes_LLM Ajoutez des notes, telles que les objectifs de l'expérience ou des informations sur le matériel, pour aider l'agent à comprendre les exigences.
• Sélectionner le modèleUtilisation de la --llm-backend Spécifier le modèle, par exemple <code>--llm-backend="o1-mini"</code>. Des modèles puissants tels que o1 De meilleurs résultats, mais plus coûteux.
• Progression du chargementSi elle est interrompue, elle peut être supprimée de la liste de contrôle. state_saves Points de contrôle avant le chargement du dossier.
• Opération chinoiseParamétrage dans le fichier de configuration language: "中文"L'outil génère du contenu en chinois.

mise en garde

• Assurez-vous que le réseau fonctionne et que l'outil nécessite l'accès à une base de données externe.
• Le fichier sera enregistré dans le dossier output le dossier, un nettoyage régulier est recommandé.
• Si vous rencontrez une erreur, vérifiez la clé API ou les paramètres du modèle.

Grâce à ces étapes, vous pouvez effectuer efficacement des tâches de recherche avec AgentLaboratory.

scénario d'application

1. rédaction d'essais
   Le chercheur saisit le sujet et l'outil génère une analyse documentaire et un premier projet, ce qui lui permet de gagner du temps.
2. vérification expérimentale
   Les ingénieurs définissent des objectifs d'expérimentation et les outils fournissent du code et des plans pour tester rapidement les idées.
3. Travail d'équipe
   Avec AgentRxiv, plusieurs chercheurs partagent leurs résultats et accélèrent l'avancement des projets.

QA

1. Expérience en programmation requise ?
   Ce n'est pas nécessaire. Il suffit de copier les commandes étape par étape et de les utiliser. Mais le fait de connaître Python vous donne plus de flexibilité pour modifier le code.
2. Est-ce que c'est cher ?
   Le projet est gratuit, mais les appels à l'API peuvent être payants, en fonction du modèle choisi et de l'utilisation que vous en ferez.
3. Peut-il être utilisé hors ligne ?
   Non. L'outil nécessite un accès réseau à la base de données et à l'API.