일반 소개
에이전트래버러토리는 GitHub에서 호스팅되는 오픈 소스 도구로 Samuel Schmidgall이 개발했습니다. 이 도구는 대규모 언어 모델(LLM)로 구동되는 지능형 에이전트를 사용하여 문헌 검토, 실험 설계, 보고서 작성 등 과학 연구의 전 과정을 연구자가 수행할 수 있도록 도와줍니다. 이 도구의 목표는 인간의 창의성을 대체하는 것이 아니라 연구를 더 효율적으로 만드는 것입니다. 사용자가 연구 아이디어를 입력하면 이 도구는 논문 검색이나 코드 생성과 같은 반복적인 작업을 자동화합니다. 학술 연구자, 학생, 엔지니어에게 적합합니다. 이 프로젝트는 다국어 문서를 지원하며, 2025년 3월에 에이전트들이 서로 연구 결과를 공유할 수 있는 AgentRxiv 프레임워크가 추가되어 마지막으로 업데이트되었습니다.

기능 목록
- 문헌 검토arXiv와 같은 데이터베이스에서 논문을 자동으로 수집하고 관련 콘텐츠를 정리합니다.
- 실험 설계: 연구 계획과 실행 가능한 Python 코드를 생성합니다.
- 보고서 작성: 연구 결과를 LaTeX 형식으로 변환하여 전체 보고서를 생성합니다.
- AgentRxiv 프레임워크: 에이전트가 연구 결과를 업로드하고 액세스하여 공동 작업을 진행할 수 있도록 지원합니다.
- 코파일럿 모드전원을 켜면 도구가 사용자와 실시간으로 상호작용하여 스터디를 조정합니다.
- 다국어 지원중국어, 영어 및 기타 언어로 된 문서 및 운영자 인터페이스를 제공합니다.
도움말 사용
에이전트래버러토리의 설치 및 사용에는 몇 가지 기본 단계가 필요하지만 간단하게 따라 할 수 있습니다. 다음은 설치 및 사용 방법에 대한 자세한 설명이므로 빠르게 시작할 수 있습니다.
설치 프로세스
- 프로젝트 코드 다운로드
터미널을 열고 다음 명령을 입력하여 코드베이스를 복제합니다:
git clone git@github.com:SamuelSchmidgall/AgentLaboratory.git
다운로드가 완료되면 AgentLaboratory
폴더.
- Python 환경 만들기
프로젝트 폴더로 이동하여 가상 환경을 생성하고 활성화합니다. Python 3.12가 공식적으로 권장됩니다:
cd AgentLaboratory
python -m venv venv_agent_lab
source venv_agent_lab/bin/activate # Linux/Mac
venv_agent_lab\Scripts\activate # Windows
활성화되면 터미널에 다음과 같이 표시됩니다. (venv_agent_lab)
.
- 종속성 설치
가상 환경에서 실행됩니다:
pip install -r requirements.txt
이렇게 하면 필요한 Python 라이브러리가 설치됩니다. 문제가 발생하면 GitHub 이슈 페이지를 확인하세요.
- pdflatex 설치(선택 사항)
LaTeX 형식으로 보고서를 생성해야 하는 경우 pdflatex를 설치하세요:
sudo apt install pdflatex # Linux
권한이 없으신가요? 매개 변수를 사용할 수 있습니다. <code>--compile-latex "false"</code>
이 단계를 건너뜁니다.
- API 키 설정
도구에는 OpenAI 또는 DeepSeek API 키를 입력합니다. 키를 얻으면 환경 변수를 설정합니다:
export OPENAI_API_KEY="你的密钥" # Linux/Mac
set OPENAI_API_KEY="你的密钥" # Windows
또는 런타임에 직접 키를 지정하세요.
실행 도구
설치가 완료되면 다음 명령을 실행하여 시작합니다:
python ai_lab_repo.py --yaml-location "experiment_configs/MATH_agentlab.yaml"
'머신 러닝 최적화'와 같은 특정 주제를 조사하려면 입력하세요:
python ai_lab_repo.py --api-key "sk-xxx" --llm-backend "gpt-4o" --research-topic "机器学习优化"
도구가 자동으로 처리를 시작합니다.
주요 기능
- 연구 주제 입력
도구를 실행한 후 테마를 지정하지 않으면 메시지가 표시됩니다:
请为 AgentLaboratory 输入一个实验想法:
입력하고 엔터를 누르면 도구가 작동하기 시작합니다.
- 문헌 검토 보기
이 도구는 arXiv와 같은 데이터베이스에서 논문을 수집하고 그 결과를 생성하여output
폴더에<研究主题>_literature.md
. 파일을 열어 내용을 확인합니다. - 실험 코드 실행
도구는 다음과 유사한 경로를 가진 파이썬 코드를 생성합니다.output/<研究主题>_code.py
. 실행 중입니다:
python output/机器学习优化_code.py
실험 결과를 확인할 수 있습니다.
- 보고서 생성
실험이 완료되면 도구가 다음 경로의 LaTeX 파일을 생성합니다.output/<研究主题>_report.tex
. pdflatex가 설치되어 있으면 자동으로 PDF로 컴파일됩니다. - 코파일럿 모드 사용
컴파일러<code>experiment_configs/MATH_agentlab.yaml</code>
파일에copilot-mode
로 설정true
을 클릭한 다음 실행합니다. 이 도구는 실시간으로 사용자의 의견을 묻습니다. - AgentRxiv 기능
런타임에 매개 변수 추가<code>--agentrxiv "true"</code>
를 입력하면 에이전트는 다른 에이전트가 사용할 수 있도록 결과를 AgentRxiv 프레임워크에 업로드합니다.
팁 및 유용한 정보
- 자세한 노트 작성: in
<code>ai_lab_repo.py</code>
(명목식 형태로 사용됨)task_notes_LLM
실험 목표나 하드웨어 정보 등의 메모를 추가하여 상담원이 요구 사항을 이해하는 데 도움이 되도록 하세요. - 모델 선택사용
--llm-backend
모델을 지정합니다(예<code>--llm-backend="o1-mini"</code>
. 다음과 같은 강력한 모델o1
결과는 더 좋지만 비용이 더 많이 듭니다. - 로딩 진행 상황중단된 경우 중단된 경우
state_saves
폴더가 로드되기 전 체크포인트. - 중국 운영설정 파일에서 설정
language: "中文"
이 도구는 중국어로 콘텐츠를 생성합니다.
주의
- 네트워크가 작동 중이고 도구에 외부 데이터베이스에 대한 액세스가 필요한지 확인합니다.
- 파일은
output
폴더를 정기적으로 청소하는 것이 좋습니다. - 오류가 발생하면 API 키 또는 모델 설정을 확인하세요.
이 단계를 통해 에이전트래버러토리로 연구 작업을 효율적으로 완료할 수 있습니다.
애플리케이션 시나리오
- 에세이 쓰기
연구자가 주제를 입력하면 도구가 문헌 검토와 초안을 생성하므로 액세스 시간을 절약할 수 있습니다. - 실험적 검증
엔지니어가 실험 목표를 입력하면 도구가 코드와 계획을 제공하여 아이디어를 빠르게 테스트할 수 있습니다. - 팀워크
AgentRxiv를 사용하면 여러 연구자가 결과를 공유하고 프로젝트 진행을 가속화할 수 있습니다.
QA
- 프로그래밍 경험이 필요하신가요?
필요하지 않습니다. 명령을 단계별로 복사하여 사용하기만 하면 됩니다. 하지만 파이썬을 알고 있으면 코드를 더 유연하게 조정할 수 있습니다. - 비싸나요?
프로젝트는 무료이지만 선택한 모델과 사용량에 따라 API 호출에 대한 요금이 부과될 수 있습니다. - 오프라인에서도 사용할 수 있나요?
아니요. 이 도구를 사용하려면 데이터베이스 및 API에 대한 네트워크 액세스가 필요합니다.
© 저작권 정책
기사 저작권 AI 공유 서클 모두 무단 복제하지 마세요.
관련 문서
댓글 없음...