OpenRaiser/NanoResearch

它解決的問題

NanoResearch 自動化整個科學研究流程，從最初的科研構想到完整的 LaTeX 論文。它解決了 AI 寫作論文中『幻覺』數據的問題，透過在本地 GPU 或 SLURM 集群上實際執行計算實驗，確保最終論文中每一張圖表、表格和數據點都來自真實的實驗結果，而非 LLM 的虛構產物。

如何運作

該系統透過一個九階段的深度流程運作：

1. 構思：透過 OpenAlex 和 Semantic Scholar 搜尋學術文獻，找出研究缺口並提出假設。
2. 規劃：設計詳細的實驗藍圖，包含資料集、基線模型和評估指標。
3. 設定：準備環境、依賴套件和資料集。
4. 編碼：產生可完整執行的實驗程式碼。
5. 執行：在本地 GPU 或 SLURM 集群上執行訓練，若發生失敗會自動調試並重試。
6. 分析：解析訓練日誌與指標，產生結構化的證據。
7. 圖表生成：根據真實數據生成架構圖與結果圖表。
8. 撰寫：使用收集到的證據與引用，撰寫完整的 LaTeX 論文。
9. 審查：自動審查並修改各章節內容。

它支援多種介面，包括 Python CLI（含 TUI 模式）、Claude Code 整合，以及 Feishu（Lark）機器人。同時具備「Evo」自我進化流程，可在多個研究週期中累積技能與專案記憶。

適用對象

• 研究人員：希望快速驗證原型或產生高品質論文初稿。
• AI 工程師：希望自動化假設、編碼與 GPU 執行的循環。
• 學術團隊：需要批量產生基準測試結果，或維持完全可追溯的研究審計軌跡。

特色亮點

• 真實世界執行：與寫作工具不同，它會將實際作業提交至 GPU 集群，並解析真實日誌。
• 自我進化流程：evo 模式利用回饋驅動的規劃與 RAM LoRA 适配器，隨著時間適應使用者偏好。
• 彈性模型路由：允許為不同階段指定不同 LLM（例如：DeepSeek 用於構思，GPT-5.5 用於編碼）。
• 多介面存取：可透過 CLI、Claude Code（使用 Bash/WebSearch）或聊天機器人驅動。