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

快速开始 · 效果展示 · 流水线 · Claude Code · 飞书机器人

🔬 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

🔝 返回顶部

📊 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。

_{实验结果展示}

_{方法对比 / 主结果}

_{消融与可视化}

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。

🖥️ CLI / TUI
demo_cli_tui_theme.mp4

_{演示：TUI 界面、配色主题切换与信息布局优化}

🔝 返回顶部

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

告别手动科研的痛苦循环

不再反复调试失败的实验、手动整理数据、从零写论文——
NanoResearch 将完整科研流程自动化，让你专注于真正的研究创新。

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。

标准输出（非 TUI）

_{非 TUI：经典终端日志流，便于重定向与脚本集成}

TUI 模式

_{TUI：结构化面板与状态分区，适合交互式监控}

示例输出

_框架概览	_{生成论文示例}
_{主结果（真实实验数据）}	_消融实验

🔬 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

📋 各阶段详细说明

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 阶段核心能力

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。

查看完整配置示例

{
  "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。

🤖 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。

工作原理

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

💡 Tips

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。

可路由的阶段

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 delete <session_id>`	删除指定会话

nanoresearch --help

🔝 返回顶部

🍪 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

快速示例命令

# 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"]

🔝 返回顶部

📂 输出结构

导出的论文目录

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

完整工作空间（含中间产物）

~/.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。

配置与启动

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

NanoResearch 真的会运行实验吗？

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。

可以断点续跑吗？

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。

每个阶段都需要配置模型吗？

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。

生成的论文可以直接投稿吗？

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。

LaTeX 编译推荐什么工具？

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

🔝 返回顶部

🤝 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：

🔝 返回顶部

📋 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

⭐ 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

🔝 返回顶部

_{NanoResearch 仅供教育、研究及技术交流使用。}

Name	Name	Last commit message	Last commit date
Latest commit History 161 Commits 161 Commits
.claude/commands	.claude/commands
imgs	imgs
mcp_server	mcp_server
nanoresearch	nanoresearch
skills	skills
tests	tests
.gitignore	.gitignore
AGENTS.md	AGENTS.md
CLAUDE.md	CLAUDE.md
LICENSE	LICENSE
README.md	README.md
README_en.md	README_en.md
pyproject.toml	pyproject.toml
requirements.txt	requirements.txt

Search code, repositories, users, issues, pull requests...

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

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

🤖 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

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

什么时候使用 `evo`