InternScience/InternAgent

InternAgent‑1.5 – 長期自主科學發現的統合型代理框架

是什麼 – InternAgent‑1.5 是一個開源、多模態的自主代理系統，旨在端對端執行科學研究週期。它能在無人干預的情況下生成假設、設計並執行（模擬）實驗、優化演算法，並整合基於文獻的答案。本專案針對物理、生物、地球科學與生命科學領域的長期任務。

核心元件

元件	功能
記憶模組	在多次執行間持續保存實驗結果，讓代理能避免死胡同並基於先前的成功進行迭代。
深度研究（DR）管道	將研究問題拆解為子任務，從學術資料庫／網頁取得資料，並產生結構化答案或報告。
MLEvolve	演算法設計任務的優化核心；作者聲稱在 MLEBench 基準測試中達成最尖端成果。
任務套件	tasks/ – 演算法發現問題；sci_tasks/ – 論文重現挑戰（例如重現一篇已發表天文學論文的結果）。
啟動腳本	launch.py（統一入口點），launch_discovery.py（完整發現循環），launch_qa.py（問答模式）。

快速上手

# 1. 建立隔離環境
conda create -n InternAgent python=3.11
conda activate InternAgent

# 2. 安裝相依性
pip install -r requirements.txt

# 3. 提供 API 金鑰（OpenAI、OpenRouter、Anthropic 等）
cp .env.example .env   # 然後編輯 .env 檔案填入你的金鑰

執行首個示範 – 倉儲內建一個無需下載資料的玩具任務 AutoDebug：

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

若只需取得基於文獻的答案：

python launch_qa.py --question "近期記憶增強型 LLM 的進展有哪些？"
# 或儲存至檔案
python launch_qa.py -q "..." -o answer.md

兩個指令也可透過統一的 launch.py 腳本執行。

設定 – 所有設定位於 config/ 目錄下。default_config.yaml 為起始設定；可透過 --skip_idea_generation --idea_path … 指定既有想法檔案，或透過編輯 config/openrouter_config.yaml 將模型閘道切換為 OpenRouter。

結果處理 – 實驗、生成的想法與日誌會自動寫入 results/ 與 logs/，便於審計自主工作流程。

進階用法

• 記憶持久化 – 參見 docs/memory_module.md；代理將讀取/寫入一個在重啟後仍能保留的 JSON 儲存。
• 深度研究 – 在 docs/deep_research.md 中配置平行文獻爬取器與整合策略。
• MLEvolve – 演算法設計任務的優化後端；詳情請見獨立倉儲 InternScience/MLEvolve。

發表論文與引用 – 作者提供兩篇 arXiv 論文（InternAgent 1.0 與 1.5）及若干相關研究（FlowSearch, AutoMLGen）。引用此框架時，請使用提供的 BibTeX 項目。

更多資源

• 官網：https://discovery.intern-ai.org.cn
• HuggingFace 集合：https://huggingface.co/collections/InternScience/internagent
• 技術報告：https://huggingface.co/papers/2602.08990

---

總結 – InternAgent‑1.5 是一個全棧式自主研究代理，融合了 LLM 驅動的推理、記憶增強型規劃與優化子模組，用以應對科學發現任務。倉儲包含可直接執行的示範、清晰的設定檔與文件，便於將系統擴展至新領域或自訂實驗。