InternScience/InternAgent

InternAgent‑1.5 – 长周期自主科学发现的统一代理框架

是什么 – InternAgent‑1.5 是一个开源、多模态的自主代理系统，旨在端到端运行科学研究周期。它可以在无人干预的情况下生成假设、设计并执行（模拟）实验、优化算法，并合成基于文献的答案。该项目专注于物理、生物、地球科学和生命科学领域中的长周期任务。

核心组件

组件	功能
记忆模块	在多次运行间持久化实验结果，使代理能够避免死胡同并基于先前的成功进行迭代。
深度研究（DR）管道	将研究问题分解为子任务，从学术数据库/网页中提取数据，并生成结构化答案或报告。
MLEvolve	算法设计任务的优化核心；作者声称在 MLEBench 基准测试中取得了最先进成果。
任务套件	tasks/ – 算法发现任务；sci_tasks/ – 论文复现挑战（例如复现一篇已发表天文学论文的结果）。
启动脚本	launch.py（统一入口点），launch_discovery.py（完整发现循环），launch_qa.py（问答模式）。

快速上手

# 1. 创建隔离环境
conda create -n InternAgent python=3.11
conda activate InternAgent

# 2. 安装依赖
pip install -r requirements.txt

# 3. 提供 API 密钥（OpenAI、OpenRouter、Anthropic 等）
cp .env.example .env   # 然后编辑 .env 文件填写你的密钥

运行首个演示 – 仓库自带一个无需下载数据的玩具任务 AutoDebug：

python launch_discovery.py \
    --config ./config/default_config.yaml \
    --task AutoDebug \
    --exp_backend claudecode

若只需获取基于文献的答案：

python launch_qa.py --question "最近记忆增强型 LLM 的进展有哪些？"
# 或保存到文件
python launch_qa.py -q "..." -o answer.md

两个命令也可通过统一的 launch.py 脚本调用。

配置 – 所有设置位于 config/ 目录下。default_config.yaml 为初始配置；可通过 --skip_idea_generation --idea_path … 指定已有想法文件，或通过编辑 config/openrouter_config.yaml 将模型网关切换为 OpenRouter。

结果处理 – 实验、生成的想法和日志会自动写入 results/ 和 logs/，便于审计自主工作流。

高级用法

• 记忆持久化 – 参见 docs/memory_module.md；代理将读写一个在重启后仍能保留的 JSON 存储。
• 深度研究 – 在 docs/deep_research.md 中配置并行文献爬取器和合成策略。
• MLEvolve – 算法设计任务的优化后端；详情请见独立仓库 InternScience/MLEvolve。

发表论文与引用 – 作者提供了两篇 arXiv 论文（InternAgent 1.0 和 1.5）及若干相关工作（FlowSearch, AutoMLGen）。引用该框架时，请使用提供的 BibTeX 条目。

更多资源

• 官网：https://discovery.intern-ai.org.cn
• HuggingFace 集合：https://huggingface.co/collections/InternScience/internagent
• 技术报告：https://huggingface.co/papers/2602.08990

---

总结 – InternAgent‑1.5 是一个全栈式自主研究代理，融合了 LLM 驱动的推理、记忆增强型规划以及优化子模块，用于应对科学发现任务。仓库包含可直接运行的演示、清晰的配置文件和文档，便于将系统扩展至新领域或自定义实验。