AgentLaboratory: uma ferramenta de código aberto para completar todo o processo de pesquisa científica com agentes inteligentes

Introdução geral

O AgentLaboratory é uma ferramenta de código aberto hospedada no GitHub e desenvolvida por Samuel Schmidgall. Ela usa agentes inteligentes orientados por modelos de linguagem ampla (LLMs) para ajudar os pesquisadores com todo o processo de pesquisa científica, incluindo revisão da literatura, projeto experimental e elaboração de relatórios. O objetivo dessa ferramenta é tornar a pesquisa mais eficiente, não substituir a criatividade humana. Depois que o usuário insere uma ideia de pesquisa, a ferramenta automatiza tarefas repetitivas, como a busca de artigos ou a geração de códigos. Ela é adequada para pesquisadores acadêmicos, estudantes e engenheiros. O projeto oferece suporte à documentação multilíngue e foi atualizado pela última vez em março de 2025 com a adição da estrutura AgentRxiv, que permite que os agentes compartilhem resultados de pesquisa entre si.

Lista de funções

• Revisão da literaturaColeta automaticamente documentos de bancos de dados como o arXiv e organiza o conteúdo relacionado.
• Projeto experimentalGeração de planos de pesquisa e código Python executável.
• Elaboração de relatóriosConverte os resultados do estudo no formato LaTeX para gerar um relatório completo.
• Estrutura do AgentRxivSuporte a agentes para carregar e acessar resultados de pesquisa para o progresso colaborativo.
• Modo copilotoQuando ligada, a ferramenta interage com o usuário em tempo real para ajustar o estudo.
• Suporte a vários idiomasDocumentação e interface do operador em chinês, inglês e outros idiomas.

Usando a Ajuda

A instalação e o uso do AgentLaboratory requerem algumas etapas básicas, mas são simples de seguir. A seguir, há uma descrição detalhada de como instalar e usar o AgentLaboratory, para que você possa começar rapidamente.

Processo de instalação

1. Download do código do projeto
   Abra um terminal e digite o seguinte comando para clonar a base de código:

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

Depois que o download for concluído, um AgentLaboratory Pasta.

2. Criando um ambiente Python
   Vá para a pasta do projeto, crie e ative o ambiente virtual. O Python 3.12 é oficialmente recomendado:

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

Quando ativado, o terminal exibe (venv_agent_lab).

3. Instalação de dependências
   É executado em um ambiente virtual:

pip install -r requirements.txt

Isso instalará as bibliotecas Python necessárias. Se você tiver problemas, consulte a página de problemas do GitHub.

4. Instale o pdflatex (opcional)
   Se você precisar gerar relatórios no formato LaTeX, instale o pdflatex:

sudo apt install pdflatex  # Linux

Não há permissões? Você pode usar o parâmetro <code>--compile-latex "false"</code> Pule esta etapa.

5. Configuração da chave de API
   As ferramentas requerem OpenAI ou DeepSeek a chave da API. Depois de obtida, defina a variável de ambiente:

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

Ou especifique a chave diretamente no tempo de execução.

ferramenta de execução

Após a conclusão da instalação, execute o seguinte comando para iniciá-la:

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

Para pesquisar um tópico específico, como "otimização de aprendizado de máquina", digite:

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

A ferramenta iniciará o processamento automaticamente.

Funções principais

1. Insira um tópico de pesquisa
   Após a inicialização, a ferramenta solicitará se nenhum tema for especificado:

请为 AgentLaboratory 输入一个实验想法：

Digite-o e pressione Enter, e a ferramenta começará a funcionar.

2. Ver revisão da literatura
   A ferramenta coleta documentos de bancos de dados como o arXiv e gera resultados que são salvos no output como, por exemplo <研究主题>_literature.md. Abra o arquivo para ver o conteúdo.
3. Executar o código experimental
   gera código Python com um caminho semelhante a output/<研究主题>_code.py. Em execução:

python output/机器学习优化_code.py

Os resultados do experimento podem ser visualizados.

4. Geração de relatórios
   Quando o experimento é concluído, a ferramenta gera um arquivo LaTeX com o seguinte caminho output/<研究主题>_report.tex. Se o pdflatex estiver instalado, ele será automaticamente compilado para PDF.
5. Uso do modo copiloto
   compilador <code>experiment_configs/MATH_agentlab.yaml</code> arquivo, que irá copilot-mode configurado como truee, em seguida, execute-o. A ferramenta pedirá sua opinião em tempo real.
6. Recursos do AgentRxiv
   Adicionar parâmetros em tempo de execução <code>--agentrxiv "true"</code>O agente faz o upload dos resultados para a estrutura do AgentRxiv para uso por outros agentes.

Dicas e truques

• Faça anotações detalhadas: em <code>ai_lab_repo.py</code> (usado em uma expressão nominal) task_notes_LLM Adicione notas, como objetivos do experimento ou informações de hardware, para ajudar o agente a entender os requisitos.
• Selecione o modeloUso de --llm-backend Especifique o modelo, por exemplo <code>--llm-backend="o1-mini"</code>. Modelos poderosos, como o1 Melhores resultados, mas mais caros.
• Progresso do carregamentoSe interrompido, ele pode ser removido do state_saves Pontos de controle antes de a pasta ser carregada.
• Operação chinesaDefinição no arquivo de configuração language: "中文"A ferramenta gera conteúdo em chinês.

advertência

• Verifique se a rede está funcionando e se a ferramenta requer acesso a um banco de dados externo.
• O arquivo será salvo na pasta output Recomenda-se a limpeza regular da pasta.
• Se você encontrar um erro, verifique a chave da API ou as configurações do modelo.

Com essas etapas, você pode concluir com eficiência as tarefas de pesquisa com o AgentLaboratory.

cenário do aplicativo

1. redação de ensaios
   O pesquisador insere o tópico e a ferramenta gera uma revisão da literatura e um primeiro rascunho, economizando tempo de acesso.
2. verificação experimental
   Os engenheiros inserem as metas de experimentação e as ferramentas fornecem códigos e planos para testar rapidamente as ideias.
3. Trabalho em equipe
   Com o AgentRxiv, vários pesquisadores compartilham resultados e aceleram o progresso do projeto.

QA

1. É necessário ter experiência em programação?
   Não é necessário. Basta copiar os comandos passo a passo e usá-los. Mas conhecer Python lhe dá mais flexibilidade para ajustar o código.
2. É caro?
   O projeto é gratuito, mas pode haver uma cobrança pelas chamadas à API, dependendo do modelo escolhido e do uso que você fizer dele.
3. Ele pode ser usado off-line?
   Não. A ferramenta requer acesso à rede para o banco de dados e a API.