OpenRaiser/NanoResearch

它解决了什么问题

NanoResearch 自动化了整个科研流程，从最初的科研想法到完整的 LaTeX 论文。它通过在本地 GPU 或 SLURM 集群上实际执行计算实验，解决了 AI 生成论文中‘幻觉’数据的问题，确保最终论文中的每一幅图表和数据点都源自真实的实验结果，而非大语言模型的虚构。

它如何工作

该系统通过一个九阶段的深度流水线运行：

1. 构思：通过 OpenAlex 和 Semantic Scholar 搜索学术文献，发现研究空白并提出假设。
2. 规划：设计详细的实验蓝图，包括数据集、基线模型和评估指标。
3. 环境准备：配置环境、依赖项和数据集。
4. 编码：生成可完整运行的实验代码。
5. 执行：在本地 GPU 或 SLURM 集群上运行训练，若出现失败会自动调试并重试。
6. 分析：解析训练日志和指标，生成结构化证据。
7. 图表生成：基于真实数据生成架构图和结果图表。
8. 撰写：使用收集到的证据和引用，撰写完整的 LaTeX 论文。
9. 评审：自动审查并修订各章节。

它支持多种接口，包括 Python CLI（含 TUI 模式）、Claude Code 集成以及 Feishu（Lark）机器人。还具备一个“Evo”自进化流水线，可在多个科研周期中积累技能和项目记忆。

适合谁使用

• 研究人员：希望快速验证原型或生成高质量论文初稿。
• AI 工程师：希望自动化假设、编码与 GPU 执行的循环流程。
• 学术团队：需要批量生成基准测试结果或维护完全可追溯的研究审计轨迹。

亮点

• 真实世界执行：与写作工具不同，它会向 GPU 集群提交真实任务并解析真实日志。
• 自进化流水线：evo 模式采用反馈驱动的规划和 RAM LoRA 适配器，能随时间适应用户偏好。
• 灵活的模型路由：可为不同阶段分配不同的大语言模型（例如，用 DeepSeek 进行构思，用 GPT-5.5 进行编码）。
• 多接口访问：可通过 CLI、Claude Code（使用 Bash/WebSearch）或聊天机器人驱动。