AgentLaboratory: инструмент с открытым исходным кодом для завершения всего процесса научных исследований с помощью интеллектуальных агентов

Общее введение

AgentLaboratory - это инструмент с открытым исходным кодом, размещенный на GitHub и разработанный Самуэлем Шмидгалом. Он использует интеллектуальные агенты, управляемые большими языковыми моделями (LLM), чтобы помочь исследователям в полном процессе научного исследования, включая обзор литературы, разработку эксперимента и написание отчета. Цель этого инструмента - сделать исследования более эффективными, а не заменить творческий потенциал человека. После того как пользователь вводит идею исследования, инструмент автоматизирует повторяющиеся задачи, такие как поиск статей или генерация кода. Он подходит для академических исследователей, студентов и инженеров. Проект поддерживает многоязычную документацию и последний раз обновлялся в марте 2025 года с добавлением фреймворка AgentRxiv, который позволяет агентам обмениваться результатами исследований друг с другом.

Список функций

• Обзор литературы: Автоматически собирает статьи из баз данных, таких как arXiv, и организует связанный с ними контент.
• Экспериментальная схема: Создание планов исследований и исполняемого кода на языке Python.
• Написание отчетов: Преобразование результатов исследования в формат LaTeX для создания полного отчета.
• Фреймворк AgentRxiv: Поддержка агентов для загрузки и доступа к результатам исследований для совместной работы.
• Режим второго пилота: При включении инструмент взаимодействует с пользователем в режиме реального времени для настройки исследования.
• Поддержка нескольких языков: Предоставляет документацию и интерфейс оператора на китайском, английском и других языках.

Использование помощи

Установка и использование AgentLaboratory требует выполнения нескольких базовых шагов, но при этом проста. Ниже приводится подробное описание установки и использования, чтобы вы могли быстро приступить к работе.

Процесс установки

1. Скачать код проекта
   Откройте терминал и введите следующую команду, чтобы клонировать кодовую базу:

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

После завершения загрузки на экране появится AgentLaboratory Папка.

2. Создание среды Python
   Перейдите в папку с проектом, создайте и активируйте виртуальную среду. Официально рекомендуется Python 3.12:

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

При активации терминал отображает (venv_agent_lab).

3. Установка зависимостей
   Работает в виртуальной среде:

pip install -r requirements.txt

Это позволит установить необходимые библиотеки Python. Если у вас возникнут проблемы, загляните на страницу Issues на GitHub.

4. Установите pdflatex (необязательно)
   Если вам нужно генерировать отчеты в формате LaTeX, установите pdflatex:

sudo apt install pdflatex  # Linux

Нет разрешений? Вы можете использовать параметр <code>--compile-latex "false"</code> Пропустите этот шаг.

5. Установка ключа API
   Для работы с инструментами требуется OpenAI или DeepSeek ключ API. После его получения установите переменную окружения:

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

Или укажите ключ непосредственно во время выполнения.

рабочий инструмент

После завершения установки выполните следующую команду, чтобы запустить его:

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

Чтобы исследовать конкретную тему, например "оптимизация машинного обучения", введите:

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

Инструмент начнет обработку автоматически.

Основные функции

1. Укажите тему исследования
   После запуска инструмент выдаст запрос, если тема не указана:

请为 AgentLaboratory 输入一个实验想法：

Введите его и нажмите Enter, инструмент начнет работать.

2. Посмотреть обзор литературы
   Инструмент собирает статьи из таких баз данных, как arXiv, и генерирует результаты, которые сохраняются в output папку, например <研究主题>_literature.md. Откройте файл, чтобы увидеть его содержимое.
3. Запустите экспериментальный код
   Инструмент генерирует Python-код, путь к которому похож на output/<研究主题>_code.py. Бег:

python output/机器学习优化_code.py

Результаты эксперимента можно посмотреть.

4. Создание отчетов
   По завершении эксперимента инструмент генерирует файл LaTeX со следующим путем output/<研究主题>_report.tex. Если установлен pdflatex, он автоматически компилируется в PDF.
5. Использование режима второго пилота
   компилятор <code>experiment_configs/MATH_agentlab.yaml</code> файл, который будет copilot-mode установить как true, а затем запустите его. Инструмент будет запрашивать ваши данные в режиме реального времени.
6. Особенности AgentRxiv
   Добавление параметров во время выполнения <code>--agentrxiv "true"</code>Затем агент загружает результаты во фреймворк AgentRxiv для использования другими агентами.

Советы и рекомендации

• Пишите подробные заметки: в <code>ai_lab_repo.py</code> (используется в форме номинального выражения) task_notes_LLM Добавьте примечания, например, цели эксперимента или информацию об оборудовании, чтобы помочь агенту понять требования.
• Выберите модель: Использование --llm-backend Укажите модель, например. <code>--llm-backend="o1-mini"</code>. Мощные модели, такие как o1 Лучшие результаты, но более дорогостоящие.
• Ход загрузки: Если он прерван, его можно удалить из state_saves Контрольные точки перед загрузкой папки.
• Китайская операция: Настройка в конфигурационном файле language: "中文"Инструмент генерирует контент на китайском языке.

предостережение

• Убедитесь, что сеть работает и что инструмент требует доступа к внешней базе данных.
• Файл будет сохранен в папке output папку, рекомендуется регулярно чистить.
• Если вы столкнулись с ошибкой, проверьте ключ API или настройки модели.

Выполнив эти шаги, вы сможете эффективно выполнять исследовательские задачи с помощью AgentLaboratory.

сценарий применения

1. написание эссе
   Исследователь вводит тему, а инструмент генерирует обзор литературы и первый проект, что экономит время доступа.
2. экспериментальная проверка
   Инженеры вводят цели экспериментов, а инструменты предоставляют код и планы для быстрой проверки идей.
3. Работа в команде
   С помощью AgentRxiv множество исследователей обмениваются результатами и ускоряют продвижение проекта.

QA

1. Требуется опыт программирования?
   Не требуется. Просто скопируйте команды шаг за шагом и используйте их. Но знание Python дает вам больше возможностей для настройки кода.
2. Дорого ли это?
   Проект бесплатный, но за вызовы API может взиматься плата, в зависимости от выбранной вами модели и интенсивности ее использования.
3. Можно ли использовать его в автономном режиме?
   Нет. Инструмент требует сетевого доступа к базе данных и API.