企业官网建设流程全解析

AI-Scientist完整指南：让AI自动跑实验并写出可发表论文，附避坑清单

【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist

写论文是机器学习研究里最慢的环节。Sakana AI 的 AI-Scientist 是一个全自动科研论文生成系统：AI 自己提想法、改代码跑实验、画图、写 LaTeX、再给论文打分，最后吐出一篇 PDF。本文只讲一件事——怎么在你机器上把它真正跑起来，所有命令都对着仓库 README 和源码核过。

论文产出太慢？AI-Scientist 把"想法到论文"整条链路自动化

被卡住的人是你：实验跑完了，把结果变成论文还要手工调误差线、填引用、写审稿意见，想法不行还得推倒重来。AI-Scientist 的核心功能就是把这条链全接过去——你指定一个模板和一个模型，系统自动完成想法生成、新颖性检查、跑实验、出图、写稿、评审，最后连 PDF 带审稿报告一起给你。

一分钟看懂：从 ideas.json 到 PDF 论文的三步数据流

全流程就三步，每步产出都是下一步的输入：

1. 想法生成与筛选（ai_scientist/generate_ideas.py）：读模板里的 experiment.py，每个想法经过 3 轮自我反思打磨，再拿 Semantic Scholar（或 OpenAlex）查新颖性，活下来的想法写进模板目录的 ideas.json。
2. 实验与数据（ai_scientist/perform_experiments.py）：由 aider 修改代码并执行，每个想法最多 5 次 run，单次实验超时 2 小时即判失败；结果落到 run_1/ ~ run_5/ 的 final_info.json，再由模板里的 plot.py 出图。
3. 写稿与评审（ai_scientist/perform_writeup.py）：把论文内容填进 LaTeX 模板编译成 PDF，随后 GPT-4o 做 5 路集成评审，输出 1–10 分、Accept/Reject 结论和弱点清单，存成同目录的 review.txt。

注意数据是"先想法后实验"，和常规"先跑通实验再想怎么讲故事"的顺序正好反过来——想法先过新颖性这一关，才值得花 GPU 时间。

按问题选功能：新手问得最多的四件事

想不写实验代码、端到端跑通？

官方提供 nanoGPT、2D Diffusion、Grokking 三个模板，templates/ 下还有 MACE、seir、tensorf 等 7 个社区模板。你不用自己写实验代码，--experiment指定模板即可。模板结构固定：以 templates/nanoGPT/ 为例，包含 experiment.py（入口，接受--out_dir）、plot.py、prompt.json（研究方向的描述）、seed_ideas.json（种子想法）和 latex/template.tex（写作模板）。文件名和输出 JSON 格式对齐，流水线就能直接复用。

想要图表能发表，而不是玩具图？

图不是 AI 随手画的。每个 run 的数据落在 run_*/final_info.json 和 all_results.npy，以 templates/grokking/plot.py 为例，它先对多次运行求均值和标准误再绘制，曲线自带误差线，这是"发表级"的底线。example_papers/ 里 10 篇完整样例论文能直接看出成色，比如这篇 2D Diffusion 实验在 circle、dino、line、moons 四个数据集上对比了 6 个 run：

想知道生成的论文值不值得投？

系统对自己的产出做 5 路集成评审，给总分、Accept/Reject 结论和弱点列表。10 篇样例论文都是"PDF + review.txt"成对存放，先读它们就知道强弱在哪。想批量校验评审尺度，review_iclr_bench/iclr_analysis.py 支持对数百篇 ICLR 论文跑批量评审。这篇样例论文正文里的图（点颜色代表门控权重，六个变体并排）就是自动流程的产物：

想跑自己的研究方向？

README 的 "Making Your Own Template" 一节给了做法：仿照现有模板准备 experiment.py、plot.py、prompt.json、seed_ideas.json、latex/template.tex 五个文件，关键是把文件名和输出 JSON 对齐成现有格式。社区模板官方不维护，质量自负。

跟着命令走：一条主线跑出第一篇 AI-Scientist 论文

主线用 README 推荐组合：nanoGPT 模板做基线、nanoGPT_lite 跑正式生成，2 个想法。硬件必须 Linux + NVIDIA GPU，纯 CPU 官方直言不现实。

第一步，环境与基线：

conda create -n ai_scientist python=3.11 && conda activate ai_scientist sudo apt-get install texlive-full && pip install -r requirements.txt python data/enwik8/prepare.py && python data/shakespeare_char/prepare.py && python data/text8/prepare.py cd templates/nanoGPT python experiment.py --out_dir run_0 && python plot.py

跑之前记得 export 对应模型的 API key（如 ANTHROPIC_API_KEY），以及无论如何都要备好 OpenAI key——评审阶段固定调用 GPT-4o。run_0 是基线，后续每个新 run 都和它对比。

第二步，正式生成论文：

python launch_scientist.py \ --model "gpt-4o-2024-05-13" \ --experiment nanoGPT_lite \ --num-ideas 2

跑完后去 results/nanoGPT_lite/ 下找"时间戳_想法名"的文件夹，里面是完整的可复现材料：每次 run 的代码版本 run_*.py、notes.txt、log.txt、review.txt 和最终 PDF。2 个想法单卡也要数小时，建议挂着跑。

进阶玩法与避坑清单：开跑前对照这五条

• 🖥️多卡利用：加--parallel N把想法分到 N 张卡上跑，--gpus 0,1指定用哪些卡，N 会自动被显卡数量截断。
• 💸API 开销：每个想法 = 3 轮想法反思 + 最多 5 轮改码实验 + 写稿 + 5 路集成评审，token 消耗不小；首跑用--num-ideas 2就够，想复用旧想法可加--skip-idea-generation。
• 🐳安全红线：系统会执行 LLM 生成的代码，可能联网、起进程，README 明确警告要容器化运行，experimental/Dockerfile 现成可用。
• 🔑Key 组合：Semantic Scholar key（S2_API_KEY）可选，没有就--engine openalex走免 key 的 OpenAlex；--model随便选，评审环节都绕不开 OpenAI。
• 📦安装坑：texlive-full 安装极慢，官方提示可能要长时间按住 Enter 防止进程被杀；Semantic Scholar 出问题时可跳过文献检索阶段。

三句话说清这个项目给你什么

AI-Scientist 把"想法→实验→图表→论文→评审"从数天压进一个通宵，且产物完全可复现：每个想法的代码、数据、审稿报告都在 results/ 目录里躺着。值不值得投入，看样例论文的质量说话——先翻 example_papers/ 里的 PDF 和 review.txt，再决定它的"文笔"是否达标。下一步很具体：挑 nanoGPT_lite，用本文的命令跑通 2 个想法，看评审打分再决定加多少--num-ideas。

【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist