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
- 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.
- 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)
.
- 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.
- 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.
- 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
- 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.
- Ver revisão da literatura
A ferramenta coleta documentos de bancos de dados como o arXiv e gera resultados que são salvos nooutput
como, por exemplo<研究主题>_literature.md
. Abra o arquivo para ver o conteúdo. - Executar o código experimental
gera código Python com um caminho semelhante aoutput/<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.
- Geração de relatórios
Quando o experimento é concluído, a ferramenta gera um arquivo LaTeX com o seguinte caminhooutput/<研究主题>_report.tex
. Se o pdflatex estiver instalado, ele será automaticamente compilado para PDF. - Uso do modo copiloto
compilador<code>experiment_configs/MATH_agentlab.yaml</code>
arquivo, que irácopilot-mode
configurado comotrue
e, em seguida, execute-o. A ferramenta pedirá sua opinião em tempo real. - 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, comoo1
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
- redação de ensaios
O pesquisador insere o tópico e a ferramenta gera uma revisão da literatura e um primeiro rascunho, economizando tempo de acesso. - verificação experimental
Os engenheiros inserem as metas de experimentação e as ferramentas fornecem códigos e planos para testar rapidamente as ideias. - Trabalho em equipe
Com o AgentRxiv, vários pesquisadores compartilham resultados e aceleram o progresso do projeto.
QA
- 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. - 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. - Ele pode ser usado off-line?
Não. A ferramenta requer acesso à rede para o banco de dados e a API.