はじめに
AgentLaboratoryは、Samuel Schmidgall氏によって開発された、GitHubでホストされているオープンソースツールです。大規模言語モデル(LLM)によって駆動されるインテリジェントエージェントを使用し、文献レビュー、実験デザイン、レポート作成を含む科学研究の全プロセスにおいて研究者を支援する。このツールの目的は、研究をより効率的にすることであり、人間の創造性を置き換えることではない。ユーザーが研究アイデアを入力すると、論文の検索やコードの生成といった繰り返し作業を自動化する。学術研究者、学生、エンジニアに適している。このプロジェクトは多言語のドキュメントをサポートしており、最終更新は2025年3月で、エージェント同士が研究結果を共有できるAgentRxivフレームワークが追加された。
機能一覧
- 文献レビューarXivなどのデータベースから論文を自動的に収集し、関連するコンテンツを整理します。
- 実験デザイン研究計画と実行可能なPythonコードを生成する。
- レポート作成研究結果をLaTeX形式に変換し、完全な報告書を作成します。
- AgentRxivフレームワーク共同研究の進捗のために研究結果をアップロードし、アクセスするエージェントをサポートします。
- コパイロット・モードスイッチを入れると、ツールはリアルタイムでユーザーと対話し、研究を調整する。
- 多言語サポート中国語、英語、その他の言語によるドキュメンテーションとオペレーターインターフェイスを提供します。
ヘルプの使用
AgentLaboratoryのインストールと使用には、いくつかの基本的な手順が必要ですが、簡単に行うことができます。以下にインストール方法と使用方法を詳しく説明しますので、すぐに使い始めることができます。
設置プロセス
- プロジェクトコードのダウンロード
ターミナルを開き、以下のコマンドを入力してコード・ベースをクローンする:
git clone git@github.com:SamuelSchmidgall/AgentLaboratory.git
ダウンロードが完了すると AgentLaboratory
フォルダー
- Python環境の作成
プロジェクトフォルダに移動し、仮想環境を作成してアクティブにします。Python 3.12が公式に推奨されています:
cd AgentLaboratory
python -m venv venv_agent_lab
source venv_agent_lab/bin/activate # Linux/Mac
venv_agent_lab\Scripts\activate # Windows
起動すると、端末には次のように表示されます。 (venv_agent_lab)
.
- 依存関係のインストール
仮想環境で動作する:
pip install -r requirements.txt
これで必要なPythonライブラリがインストールされます。問題が発生した場合は、GitHubのIssuesページをチェックしてください。
- pdflatexをインストールする(オプション)
LaTeX形式でレポートを作成する必要がある場合は、pdflatexをインストールしてください:
sudo apt install pdflatex # Linux
権限がありませんか?パラメータ <code>--compile-latex "false"</code>
このステップはスキップする。
- APIキーの設定
ツールにはOpenAIまたは ディープシーク APIキーを取得する。取得したら、環境変数を設定する:
export OPENAI_API_KEY="你的密钥" # Linux/Mac
set OPENAI_API_KEY="你的密钥" # Windows
あるいは、実行時にキーを直接指定する。
ランニングツール
インストールが完了したら、以下のコマンドを実行して起動する:
python ai_lab_repo.py --yaml-location "experiment_configs/MATH_agentlab.yaml"
機械学習の最適化」など、特定のトピックを調査するには、次のように入力する:
python ai_lab_repo.py --api-key "sk-xxx" --llm-backend "gpt-4o" --research-topic "机器学习优化"
ツールは自動的に処理を開始する。
主な機能
- 研究テーマを入力する
起動後、テーマが指定されていない場合、ツールはプロンプトを表示します:
请为 AgentLaboratory 输入一个实验想法:
それを入力してエンターキーを押すと、ツールが動き出す。
- 文献レビューを見る
このツールは、arXivなどのデータベースから論文を収集し、その結果を生成してoutput
のようなフォルダを作成します。<研究主题>_literature.md
.ファイルを開いて内容を見る。 - 実験コードを実行する
ツールは、次のようなパスでPythonコードを生成する。output/<研究主题>_code.py
.走っている:
python output/机器学习优化_code.py
実験結果を見ることができる。
- レポートの作成
実験が完了すると、このツールは以下のパスを持つLaTeXファイルを生成する。output/<研究主题>_report.tex
.pdflatexがインストールされていれば、自動的にPDFにコンパイルされます。 - コパイロットモードの使用
コンパイラ<code>experiment_configs/MATH_agentlab.yaml</code>
ファイルを作成する。copilot-mode
として設定した。true
そして実行する。ツールはリアルタイムであなたの意見を聞く。 - AgentRxivの特徴
実行時にパラメータを追加する<code>--agentrxiv "true"</code>
エージェントはその結果をAgentRxivフレームワークにアップロードし、他のエージェントが利用できるようにする。
ヒントとコツ
- 詳細なメモを書くで
<code>ai_lab_repo.py</code>
なtask_notes_LLM
実験目的やハードウェア情報など、エージェントが要件を理解しやすいようにメモを追加する。 - モデルを選択の使用
--llm-backend
モデルを指定する。<code>--llm-backend="o1-mini"</code>
.などの強力なモデルがある。o1
結果は良いが、コストがかかる。 - ローディングの進捗状況中断された場合は、次のようになる。
state_saves
フォルダがロードされる前のチェックポイント。 - 中国オペレーション設定ファイルでの設定
language: "中文"
このツールは中国語のコンテンツを生成する。
ほら
- ネットワークが機能しており、ツールが外部データベースへのアクセスを必要としていることを確認する。
- ファイルは
output
フォルダーは、定期的なクリーニングをお勧めします。 - エラーが発生した場合は、APIキーまたはモデルの設定を確認してください。
これらの手順により、AgentLaboratoryを使用して効率的に調査タスクを完了することができます。
アプリケーションシナリオ
- エッセイライティング
リサーチャーがトピックを入力すると、ツールは文献レビューと初稿を生成し、アクセス時間を節約する。 - 実験的検証
エンジニアは実験目標を入力し、ツールはアイデアを素早くテストするためのコードと計画を提供する。 - チームワーク
AgentRxivでは、複数の研究者が結果を共有し、プロジェクトの進捗を加速します。
品質保証
- プログラミングの経験が必要ですか?
必須ではありません。ステップ・バイ・ステップでコマンドをコピーして使うだけだ。しかし、Pythonを知っていれば、より柔軟にコードを微調整できる。 - 高いですか?
このプロジェクトは無料だが、API呼び出しには、選んだモデルや使用量に応じて料金がかかる場合がある。 - オフラインで使用できますか?
いいえ。このツールは、データベースとAPIへのネットワークアクセスが必要です。