AutoResearchClaw
“ 一个开源的端到端自主科研系统，它接收用户输入的一个研究想法，通过 23 个精密编排的自动化阶段——涵盖文献检索、知识综合、假设生成、实验设计、代码生成、沙箱执行、结果分析、论文撰写与同行评审——最终输出可直接投稿至 NeurIPS、ICML、ICLR 等顶级会议的完整学术论文。整个过程无需人工干预，系统具备自修复、自决策、自学习能力，并能与 OpenClaw、MetaClaw 等生态工具深度集成，真正实现”聊一个想法，出一篇论文”的科研自动化愿景。
Github地址
https://github.com/aiming-lab/AutoResearchClaw
核心功能特性
全链路自主科研流水线
AutoResearchClaw 将传统科研 workflow 拆解为 8 个阶段组、23 个精细阶段。从最初的研究主题分解，到多源文献的智能采集与筛选，再到知识提取与综合，系统通过结构化的多智能体辩论生成可验证的研究假设。实验设计阶段会根据自动检测到的硬件环境——无论是 NVIDIA CUDA 显卡、Apple MPS 还是纯 CPU 配置——生成硬件感知的可执行代码，并在隔离沙箱中运行，具备 NaN/Inf 检测、运行时错误自愈、迭代优化等能力。当实验结果返回后，系统进入关键的决策循环：自主判断是继续推进、调参优化，还是彻底转向新的研究方向，所有中间产物都会自动版本化管理。
真实可信的学术基础设施
幻觉引用是 AI 科研工具的核心痛点，AutoResearchClaw 构建了四层引用核查机制：arXiv ID 校验、CrossRef/DataCite DOI 验证、Semantic Scholar 标题匹配，以及最终的大语言模型相关性评分。文献来源覆盖 OpenAlex、Semantic Scholar 和 arXiv 三大数据库，配合查询扩展与三态熔断器设计，确保即使在部分服务不可用的情况下仍能优雅降级。生成的 BibTeX 文件会自动精简至与正文引用严格一致，杜绝虚假文献。
顶会级论文生成与质量保障
写作阶段采用分段生成策略，控制篇幅在 5000 至 6500 词之间，内置反数据捏造守卫和反免责声明强制机制。系统原生支持 NeurIPS 2025、ICLR 2026、ICML 2026 等顶会 LaTeX 模板，自动处理数学公式、表格、图片与交叉引用。三轮质量门控阶段可配置为人工审批或自动通过，配合多智能体同行评审机制——包含方法论与证据一致性检查——确保最终输出的学术严谨性。
生态集成与扩展能力
作为 OpenClaw 兼容服务，用户可通过自然语言对话直接触发完整科研流程：”帮我研究 X”，其余工作由 OpenClaw 自动完成克隆、安装、配置与执行。系统同时支持 ACP（Agent Client Protocol），可调用 Claude Code、Codex CLI、Kimi CLI 等任意兼容的编码智能体作为 LLM 后端，无需 API 密钥。对于复杂实验，OpenCode Beast Mode 可自动路由至多文件项目生成，包含自定义架构与完整训练循环。
持续进化与跨运行学习
通过可选的 MetaClaw 集成，流水线能够从每次运行中提取结构化教训，自动转化为可复用技能并注入后续所有 23 个阶段。对照实验显示，启用后阶段重试率降低 24.8%，优化循环次数减少 40%，整体鲁棒性提升 18.3%。所有技能文件以 Markdown 格式存储，用户可随时审阅系统学到的经验。
部署与使用方式
快速启动：一行命令入门
最简洁的入门路径只需依次执行四条命令：
# 克隆仓库并安装
git clone https://github.com/aiming-lab/AutoResearchClaw.git
cd AutoResearchClaw
python3 -m venv .venv && source .venv/bin/activate
pip install -e .
# 交互式初始化：自动检查 Docker、LaTeX，可选安装 OpenCode Beast Mode
researchclaw setup
# 配置 LLM 提供商与 API 密钥
researchclaw init
# 运行完整流水线
export OPENAI_API_KEY="sk-..."
researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve
执行完成后，所有产物集中于 artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/ 目录，包含可编译的 LaTeX 源文件、BibTeX 引用库、实验代码、图表数据与多智能体评审报告，可直接上传 Overleaf 或本地编译。
最小必要配置
核心配置仅需定义项目标识、研究主题与 LLM 接入点：
project:
name:"my-research"
research:
topic:"Your research topic here"
llm:
base_url:"https://api.openai.com/v1"
api_key_env:"OPENAI_API_KEY"
primary_model:"gpt-4o"
fallback_models: ["gpt-4o-mini"]
experiment:
mode:"sandbox"
sandbox:
python_path:".venv/bin/python"
通过 OpenClaw 自然语言使用
已部署 OpenClaw 环境的用户，只需将 GitHub 仓库地址分享给 OpenClaw 智能体，随后用自然语言描述研究意图即可。OpenClaw 会自动读取 RESEARCHCLAW_AGENTS.md 理解流水线编排，完成环境准备与执行，最终返回论文与实验结果。这种模式下，用户完全无需接触命令行工具。
ACP 模式：调用本地编码智能体
配置文件中指定 provider: "acp" 并选择对应智能体命令，即可使用 Claude、Codex、Kimi 等工具的自有认证体系，绕过传统 API 密钥管理：
llm:
provider: "acp"
acp:
agent: "claude" # 或 codex、gemini、kimi 等
cwd: "."
高级配置与生产部署
完整配置体系支持多层级定制：实验模式可在模拟、沙箱、Docker 与远程 SSH 环境间切换；Docker 模式支持细粒度网络策略控制；通知通道可接入 Discord、Slack 实现进度推送；定时任务与跨会话记忆持久化满足自动化运维需求。所有配置项均向后兼容，核心流水线可在零外部依赖的情况下独立运行。
