skill

NanoResearch

🦞+🔬 NanoResearch: The Autonomous AI Research Assistant

OpenRaiser/NanoResearchcommunitylistedunreviewednot running here yet

Use skill

Set up

Skills are installed by placing their folder where your agent loads skills.

Install instructions come from the README

Skills do not use an MCP config. Follow the steps in the README below; one-click install arrives with accounts.

README

synced Oct 15, 2026

NanoResearch

端到端自主 AI 科研引擎 — 从研究想法到完整论文，全程自动化

🔬 NanoResearch 真正运行计算实验——它不仅生成代码，还能将代码提交到 GPU 集群执行训练，收集真实实验结果，生成论文配图，最终输出一篇有实验数据支撑的完整 LaTeX 论文。论文中的每一个数据、表格、图表都来自实际运行的实验结果，而非 LLM 编造。

📖 目录

📊 论文实测展示
⚡ CLI 演示
📢 最新动态
✨ 核心特性
🆚 为何选择 NanoResearch
🎯 应用场景
🖼️ 效果展示
CLI：标准输出与 TUI 对比
🔬 流水线
📦 快速开始
🧬 Evo 自进化流水线
🧩 Claude Code 模式
⚙️ 配置
💻 CLI 参考
🍪 示例与 Demo
📂 输出结构
💬 飞书机器人
🏗️ 项目结构
❓ 常见问题
🎯 路线图
📋 环境要求
🙏 致谢
🤝 贡献
📝 引用
📄 许可证

📊 论文实测展示

以下为 NanoResearch 自动生成论文中的真实配图，所有数据、曲线、表格均来自实际运行的实验结果，非 LLM 虚构。

以上配图均为流水线自动生成，数据来源于真实训练日志与实验结果。

⚡ CLI 演示

NanoResearch 命令行（CLI） 提供 TUI 全屏界面 与 传统流式日志 两种呈现方式。下方为 CLI 端 TUI 主题与界面 演示视频（配色切换与布局优化）。其他入口（如 Claude Code、飞书机器人）见文档对应章节。

Why NanoResearch

特性	传统 AI 写作工具	NanoResearch
文献检索	部分支持	✅ OpenAlex + Semantic Scholar 自动检索
实验设计	❌	✅ 自动生成实验方案
代码生成	部分支持	✅ 完整可运行的实验代码
GPU 实验执行	❌	✅ 本地 / SLURM 自动训练
结果分析	❌	✅ 解析真实训练日志
论文配图	❌	✅ 基于真实数据
论文撰写	大纲/草稿	✅ 完整 LaTeX 论文
断点续跑	❌	✅ 任意阶段可恢复
多模型协作	单一模型	✅ 按阶段路由

🎯 应用场景

科研原型验证 — 快速将研究想法变成完整的实验 + 论文工作空间
自主实验 — 系统自动生成代码、提交 GPU 训练、分析结果
Benchmark 批量生成 — 对多个课题批量运行，生成可复现的实验结果
论文初稿辅助 — 基于真实实验数据产出 LaTeX 草稿，加速写作
科研流程审计 — 完整工作空间、中间产物和日志，可追溯每一步

🖼️ 效果展示

CLI：标准输出与 TUI 模式对比

CLI 支持 传统流式日志（非 TUI） 与 全屏 TUI 面板 两种呈现方式，可按习惯切换。

示例输出

🔬 流水线

Research Topic
     ↓
 IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW
     ↓
 Exported: paper.pdf / paper.tex / references.bib / figures / code / data

Stage	功能	说明
`IDEATION`	文献检索与创意生成	搜索学术文献、发现研究空白、提出假说、收集必引文献
`PLANNING`	实验方案设计	将研究想法转化为详细的实验蓝图（数据集、基线、指标、消融）
`SETUP`	环境准备	准备代码仓库、依赖环境、模型和数据集
`CODING`	代码生成	生成完整可运行的实验项目（含训练脚本、数据处理、模型定义）
`EXECUTION`	实验执行	在本地 GPU 或 SLURM 集群上运行训练，支持自动重试和调试
`ANALYSIS`	结果分析	解析训练日志和指标，生成结构化实验证据
`FIGURE_GEN`	图表生成	创建架构图、结果对比图、消融实验图
`WRITING`	论文撰写	基于实验证据和引用撰写 LaTeX 论文
`REVIEW`	审稿与修订	自动审阅各章节，检测问题并修订

EXECUTION 阶段是 NanoResearch 的核心差异化能力：

自动提交 SLURM 作业 — 生成 sbatch 脚本，提交到集群，监控作业状态
本地 GPU 执行 — 自动检测可用 GPU，管理训练进程
自动调试与重试 — 训练失败时自动分析错误日志，修复代码并重新执行
实时日志监控 — 追踪训练进度和指标变化
混合执行模式 — 可根据任务复杂度在本地和集群之间自动切换

📦 快速开始

遵循以下步骤，约 5 分钟即可完成从安装到首次运行的完整流程。

步骤一：安装

git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"

步骤二：配置

[!TIP] 创建 ~/.nanoresearch/config.json，替换 base_url 和 api_key 为你自己的 OpenAI 兼容 API 端点。

{
  "research": {
    "base_url": "https://your-openai-compatible-endpoint/v1/",
    "api_key": "your-api-key",
    "template_format": "neurips2025",
    "execution_profile": "local_quick",
    "writing_mode": "hybrid",
    "max_retries": 2,
    "auto_create_env": true,
    "auto_download_resources": true,
    "ideation": { "model": "your-model", "temperature": 0.5, "max_tokens": 16384, "timeout": 600.0 },
    "planning": { "model": "your-model", "temperature": 0.2, "max_tokens": 16384, "timeout": 600.0 },
    "code_gen": { "model": "your-model", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
    "writing": { "model": "your-model", "temperature": 0.4, "max_tokens": 16384, "timeout": 600.0 },
    "figure_prompt": { "model": "pro/gpt-5.5", "temperature": 0.5, "max_tokens": 4096, "timeout": 300.0 },
    "figure_code": { "model": "pro/gpt-5.5", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
    "figure_gen": {
      "model": "gpt-image-2",
      "image_backend": "openai",
      "base_url": "https://your-image-endpoint/v1/",
      "api_key": "your-image-api-key",
      "temperature": null,
      "timeout": 600.0
    },
    "review": { "model": "your-model", "temperature": 0.3, "max_tokens": 16384, "timeout": 300.0 }
  }
}

环境变量覆盖：NANORESEARCH_BASE_URL / NANORESEARCH_API_KEY / NANORESEARCH_TIMEOUT

步骤三：验证与运行

# 验证配置
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run

# 启动完整流水线
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose

# 从断点恢复（若某阶段失败）
nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose

# 导出论文
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./my_paper

步骤四：预期输出

完成流水线后，你将得到包含真实实验数据的论文配图与 LaTeX 源码。

🧬 Evo 自进化流水线

evo 是 NanoResearch 的自进化流水线，面向个性化科研自动化。它围绕技能演化、记忆演化和反馈驱动的 planner / router 适配运行，让系统在多轮研究中复用经验并逐步贴合用户偏好。

什么时候使用 `evo`

希望系统跨多轮研究积累可复用技能和项目记忆。
希望根据个人偏好、算力约束、目标 venue 和反馈逐步调整研究计划。
希望规划阶段明确生成 proposed method、baseline、ablation、optimization/history 和 complexity 相关实验，并让论文只基于真实 artifact 写作。

从用户初始化到论文产出

# 1. 初始化或更新用户画像、偏好和运行配置
nanoresearch init

# 2. 启动自进化完整流水线
nanoresearch run --pipeline evo --topic "your research topic" --format neurips2025 --verbose

# 3. 中途失败或断开后恢复
nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose

# 4. 查看阶段状态和产物
nanoresearch status --workspace ~/.nanoresearch/workspace/research/{session_id}
nanoresearch inspect --workspace ~/.nanoresearch/workspace/research/{session_id}

# 5. 导出最终论文包
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./paper_export

Evo 模式会产出什么

evo 仍然运行 9 个阶段：IDEATION -> PLANNING -> SETUP -> CODING -> EXECUTION -> ANALYSIS -> FIGURE_GEN -> WRITING -> REVIEW。区别在于它会在这些阶段之间持续更新和复用用户画像、技能库、项目记忆和反馈路由。

关键机器可检查 artifact 通常位于：

~/.nanoresearch/workspace/research/{session_id}/experiment/configs/experiment_matrix.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/metrics.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/run_manifest.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/final_metrics.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/optimization_history.csv
~/.nanoresearch/workspace/research/{session_id}/experiment/results/pareto_front.json

写作阶段只读取真实执行结果、分析报告和图表 artifact。若某类实验或指标没有真实产物，系统会降低证据范围或写入 limitation / future work，不会补 synthetic 数值。文献检索可匿名使用 OpenAlex；如需更高速率，可自行配置 OPENALEX_API_KEY。

SDPO adapter 训练

Evo/RAM 运行产生的完整 (x, y, feedback) 三元组会保存在 ~/.nanoresearch/ram_data/。安装可选训练依赖后，可训练或续训 RAM LoRA adapter：

pip install -e ".[sdpo]"
nanoresearch ram-train \
  --model Qwen/Qwen2.5-7B-Instruct \
  --data-root ~/.nanoresearch/ram_data \
  --output ~/.nanoresearch/adapters/ram-sdpo

训练完成后，将配置中的 ram_checkpoint_path 指向输出目录即可在后续 Evo 运行中加载该 adapter。

🤖 推荐模型

Stage	任务	推荐模型	经济型
`ideation`	文献检索 + 假说生成	DeepSeek-V3.2	DeepSeek-V3.2
`planning`	实验设计	Claude Sonnet 4.6	DeepSeek-V3.2
`code_gen`	代码生成	pro/gpt-5.5	DeepSeek-V3.2
`writing`	论文撰写	pro/gpt-5.5 / Claude Sonnet 4.6	DeepSeek-V3.2
`figure_prompt`	图表描述	pro/gpt-5.5	DeepSeek-V3.2
`figure_code`	图表绘制代码	pro/gpt-5.5	DeepSeek-V3.2
`figure_gen`	AI 架构图生成	gpt-image-2（OpenAI-compatible image API）	gpt-image-2
`review`	审稿 + 修订	DeepSeek-V3.2 / pro/gpt-5.5	DeepSeek-V3.2

🧩 Claude Code 模式

除了 Python CLI，NanoResearch 还支持通过 Claude Code 直接驱动研究流水线——无需配置任何 API Key。

在 Claude Code 集成模式下，Claude Code 本身就是研究引擎：

WebSearch 替代外部 API 进行文献检索（arXiv、Semantic Scholar、Google Scholar）
Bash 执行实验代码、提交 SLURM 作业、编译 LaTeX
文件读写 生成实验代码、论文和结构化产物

快速开始

git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
claude
/project:research "你的研究课题"

可用命令

命令	功能
`/project:research <课题>`	运行完整 9 阶段流水线
`/project:ideation <topic>`	Stage 1: 文献检索 + 假说生成
`/project:planning`	Stage 2: 实验方案设计
`/project:experiment`	Stages 3-5: 环境准备 + 代码生成 + 实验执行
`/project:analysis`	Stage 6: 实验结果分析
`/project:writing`	Stages 7-8: 图表生成 + 论文撰写
`/project:review`	Stage 9: 多视角审稿 + 修订
`/project:status`	查看当前流水线状态
`/project:resume`	从断点恢复流水线

架构图生成：推荐使用 Nano Banana 系列图像模型生成高质量架构图。Claude Code 模式下可在 figure_gen 阶段通过 Bash 调用图像生成 API。
LaTeX 编译：推荐使用 tectonic 替代 pdflatex。安装：conda install -c conda-forge tectonic。
断点续跑：所有阶段的产物保存在 manifest.json 中，支持任意阶段恢复。
与 Python CLI 兼容：Claude Code 模式生成的工作空间与 Python CLI 完全兼容，可混合使用两种模式。

Codex Integration

除了 Claude Code，NanoResearch 现在也提供了面向 Codex 的项目级入口。Codex 不需要第二套 pipeline 或额外的 --mode codex 参数；它应直接复用仓库现有的 CLI、workspace、manifest 和 PaperMode 逻辑。

如何使用

# 1. Clone 项目
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch

# 2. 在 Codex 中打开仓库
# 3. 让 Codex 先读取 AGENTS.md

Codex 入口文档：AGENTS.md

Codex 会如何理解这个仓库

将仓库视为一个端到端自主科研流水线，而不是普通代码仓库
优先走已有的 nanoresearch CLI / workspace / orchestrator 行为
将用户意图映射到现有的 research、ideation、planning、experiment、analysis、writing、review、status、resume 流程
保持与现有工作空间和 manifest.json 兼容

Survey / Original 模式

Codex 使用与 CLI 相同的 topic 前缀约定：

original: Topic
survey:short: Topic
survey:standard: Topic
survey:long: Topic

这些前缀会进入仓库现有的 PaperMode 解析逻辑；Codex 只需要遵循这一约定，而不需要发明新的接口。

Execution Profiles

Profile	说明
`fast_draft`	轻量级草稿模式，快速迭代
`local_quick`	优先本地执行，需要时可升级到 SLURM
`cluster_full`	集群优先，适合重量级实验

模型路由

NanoResearch 通过统一配置层将不同阶段路由到不同模型，让你按任务特性混合搭配，而非强制所有阶段使用同一模型。

ideation — 文献检索与创意
planning — 实验设计
experiment — 实验相关
code_gen — 代码生成
writing — 论文撰写
figure_prompt — 图表描述
figure_code — 图表代码
figure_gen — 图像生成
review — 审稿
revision — 修订

系统基于 OpenAI 兼容端点构建，支持按阶段覆盖配置。

文献检索 API Keys（可选）

IDEATION 阶段使用 OpenAlex 和 Semantic Scholar 检索学术文献。不配置也能运行（匿名访问），但速率限制较低。

Service	获取方式	Config key	Env variable
OpenAlex	免费	`openalex_api_key`	`OPENALEX_API_KEY`
Semantic Scholar	免费	`s2_api_key`	`S2_API_KEY`

论文格式

模板从 nanoresearch/templates/ 自动发现。内置模板：

Format	用途
`arxiv`	arXiv 预印本
`icml`	ICML 会议
`neurips`	NeurIPS 会议
`neurips2025`	NeurIPS 2025

nanoresearch run --topic "Graph Foundation Models for Biology" --format neurips2025

💻 CLI 参考

命令	用途
`nanoresearch run --topic "..."`	启动新的流水线运行
`nanoresearch resume --workspace ...`	从上次断点恢复
`nanoresearch status --workspace ...`	查看各阶段状态和产物
`nanoresearch list`	列出已保存的研究会话
`nanoresearch export --workspace ...`	导出论文打包
`nanoresearch config`	打印当前配置（密钥已屏蔽）
`nanoresearch inspect --workspace ...`	检查工作空间产物
`nanoresearch health`	运行环境/配置健康检查
`nanoresearch ram-train`	使用已收集的反馈训练或续训 RAM LoRA adapter
`nanoresearch delete <session_id>`	删除指定会话

nanoresearch --help

🍪 示例与 Demo

官方示例与进阶用法，助你快速上手 NanoResearch：

👉 浏览示例与 Demo

# 完整流水线 + 详细日志
nanoresearch run --topic "Adaptive Sparse Attention" --format neurips2025 --verbose

# 导出并查看
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./paper_out

仅生成论文（跳过实验）：在 config 中设置 "skip_stages": ["SETUP", "CODING", "EXECUTION", "ANALYSIS"]

📂 输出结构

my_paper/
├── paper.pdf
├── paper.tex
├── references.bib
├── figures/
├── code/
├── data/
└── manifest.json

~/.nanoresearch/workspace/research/{session_id}/
├── manifest.json          # 流水线状态追踪
├── papers/                # 文献检索产物
├── plans/                 # 实验方案和分析
├── experiment/            # 生成的实验代码 + 结果
├── figures/               # 生成的论文配图
├── drafts/                # 论文草稿和审稿意见
├── output/                # 最终导出（main.tex / main.pdf）
└── logs/                  # 运行日志

💬 飞书机器人

NanoResearch 内置飞书（Lark）机器人，可直接在飞书聊天中触发流水线、查看进度、接收论文——无需打开终端。

1. 安装依赖

pip install lark-oapi

2. 配置

在 open.feishu.cn 创建自定义应用并获取 App ID 和 App Secret：

export FEISHU_APP_ID="cli_xxx"
export FEISHU_APP_SECRET="xxx"

或写入 ~/.nanoresearch/config.json：

{
  "feishu": {
    "app_id": "cli_xxx",
    "app_secret": "xxx"
  }
}

3. 启动

nanoresearch feishu          # 启动机器人
nanoresearch feishu -v       # 详细日志模式

机器人通过 WebSocket 长连接通信（无需公网服务器或 Webhook URL）。按 Ctrl+C 停止。

支持的命令

命令	描述
`/run <课题>`	对指定课题启动研究流水线
`/status`	查看当前任务进度
`/list`	列出所有历史研究会话
`/stop`	停止当前运行的流水线
`/export`	重新导出最近完成的研究
`/new`	清除对话记忆，重新开始
`/help`	显示帮助信息

也可以直接自然语言聊天——机器人充当 AI 科研助手，支持对话记忆，流水线完成后自动发送 paper.pdf。

🏗️ 项目结构

nanoresearch/
├── nanoresearch/
│   ├── cli.py              # 🖥️ CLI 入口
│   ├── config.py           # ⚙️ 配置管理
│   ├── agents/             # 🧠 各阶段 Agent
│   │   ├── ideation.py     #    文献检索与假说
│   │   ├── planning.py     #    实验方案设计
│   │   ├── coding.py       #    代码生成
│   │   ├── execution/      #    本地/集群执行
│   │   ├── analysis/       #    结果分析
│   │   ├── figure_gen/     #    图表生成
│   │   ├── writing/        #    论文撰写
│   │   └── review/         #    审稿与修订
│   ├── pipeline/           # 🔄 编排器 & 状态机
│   ├── schemas/            # 📋 Pydantic 数据模型
│   ├── prompts/            # 💬 YAML 提示词模板
│   ├── templates/          # 📄 LaTeX Jinja2 模板
│   └── latex/              # 🔧 LaTeX 自动修复
├── mcp_server/             # 🔌 MCP 工具服务
├── skills/                 # 🎯 Claude Code 技能
└── pyproject.toml

❓ 常见问题

是的。流水线会生成可运行的代码，在本地 GPU 或 SLURM 集群上执行，并将实验产物传递给后续的分析、配图和写作阶段。论文中的数据来自真实实验，而非模型编造。

可以。工作空间按阶段保存检查点，nanoresearch resume --workspace ... 会从上次未完成或失败的阶段继续。

不需要。NanoResearch 支持按阶段配置模型路由，也可以全部使用同一个模型。

建议将其视为高质量初稿，而非最终投稿版本。系统可以生成完整的论文工作空间和编译好的 PDF，但人工审阅和修订仍然必要。

推荐使用 tectonic。Conda 安装的 texlive 可能缺少 pdflatex.fmt，导致编译失败且修复困难。tectonic 会自动下载所需的 TeX 包，无需额外配置。

conda install -c conda-forge tectonic

🎯 路线图

🤝 贡献

欢迎开发者、研究者贡献代码与创意。

👥 社区与交流

加入微信群交流、答疑、协作。扫码加入：

📋 环境要求

Python 3.10+
OpenAI 兼容 API 端点（用于文本模型阶段）
可选：图像模型访问权限（用于部分配图）
tectonic 或 pdflatex（用于 PDF 编译）

🙏 致谢

claude-scholar — Claude Code 的科研技能扩展
saadmsft/nanoresearch — 感谢其开源工作与社区贡献

⭐ Star History

📝 引用

如有帮助，请引用：

@article{xu2026nanoresearch,
  title={NanoResearch: Co-Evolving Skills, Memory, and Policy for Personalized Research Automation},
  author={Xu, Jinhang and Zhu, Qiyuan and Wu, Yujun and Wang, Zirui and Zhang, Dongxu and Tang, Jianxin and Tian, Marcia and Duan, Yiling and Li, Siyuan and Wei, Jingxuan and others},
  journal={arXiv preprint arXiv:2605.10813},
  year={2026}
}

📄 许可证

MIT

NanoResearch

Set up

README

NanoResearch

📖 目录

📊 论文实测展示

⚡ CLI 演示

Why NanoResearch

🎯 应用场景

🖼️ 效果展示

CLI：标准输出与 TUI 模式对比

示例输出

🔬 流水线

📦 快速开始

步骤一：安装

步骤二：配置

步骤三：验证与运行

步骤四：预期输出

🧬 Evo 自进化流水线

什么时候使用 evo

从用户初始化到论文产出

Evo 模式会产出什么

SDPO adapter 训练

🤖 推荐模型

🧩 Claude Code 模式

快速开始

可用命令

Codex Integration

如何使用

Codex 会如何理解这个仓库

Survey / Original 模式

Execution Profiles

模型路由

文献检索 API Keys（可选）

论文格式

💻 CLI 参考

🍪 示例与 Demo

📂 输出结构

💬 飞书机器人

支持的命令

🏗️ 项目结构

❓ 常见问题

🎯 路线图

🤝 贡献

👥 社区与交流

📋 环境要求

🙏 致谢

⭐ Star History

📝 引用

📄 许可证

什么时候使用 `evo`