NanoResearch

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。

🔝 返回顶部

Why NanoResearch

🎯 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

📦 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

{
  "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

🧩 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。

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

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

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。

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。

论文格式

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

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

💻 CLI 参考

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

# 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

🔝 返回顶部

📂 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。

pip install lark-oapi

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

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

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

支持的命令

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

conda install -c conda-forge tectonic

🎯 路线图

• 9 阶段统一流水线
• 本地 GPU + SLURM 集群执行
• Claude Code 集成模式
• 飞书机器人
• 多会议论文模板（NeurIPS / ICML / arXiv）
• 断点续跑与多模型路由
• 更多 Demo 与教程
• Benchmark 评估套件
• Web 端工作空间 UI
• 更多论文格式支持

🔝 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
• 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

🔝 返回顶部