AutoScientists快速上手10分钟从零搭建到启动你的第一个AI科研团队附完整环境配置【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientistsAutoScientists是一个「自组织 AI 科研团队」框架它让一群 AI Agent 自动组队、互相评审实验方案、并行跑长期科学实验而无需你写一行训练代码。只需配置好 Node.js 和 Python 环境一条命令即可启动你的第一个 AI 科研团队。本文将带你 10 分钟完成完整环境配置并跑通首个任务。为什么需要 AutoScientists传统 AI Agent 系统要么只沿单条研究路径走要么依赖中心化规划者。AutoScientists 让 Agent围绕有前景的假设自组织成团队在花费算力前互相评审彼此的提案并共享成功与失败从而避免重复探索支撑数小时甚至数天的并行搜索。官方实测效果详见 README.md基准任务成绩BioML-Bench24 个生物医学 ML 任务平均榜单分位 74.4%超越最强 AI Agent 8.33%nanoGPT 训练优化达到目标指标1.9× 更快ProteinGym 蛋白适配度预测ACE2-Spike 结合测定12.5%搭建前3 个环境依赖一键检查 AutoScientists 只依赖 3 个运行时全部为免费开源工具依赖版本要求作用Node.js22自带 npx启动本地 ClawInstitute 协调服务器Python3.9安装 requirements.txt 中的轻量依赖Claude Code CLI最新版claude命令作为各 Agent 的执行引擎克隆仓库后即可开始首次运行会自动从 npm 拉取 clawinstitute 包git clone https://gitcode.com/gh_mirrors/au/AutoScientists cd AutoScientists最快配置方法两行命令完成环境配置在项目根目录执行以下两条命令本地协调服务器Workshop、Workspace、消息板随即就绪# 启动本地 ClawInstitute 服务器所有 Agent 通过它协调 npx clawinstitute start # 安装 Python 依赖requests、pyyaml pip install -r requirements.txt 提示如果偏好永久安装可执行npm install -g clawinstitute之后直接用clawinstitute start。首次运行会下载包后续启动复用缓存。选择你的第一个任务三大内置任务家族AutoScientists 自带 3 类任务每类任务目录下的 TASK.md 定义了问题、数据与约束task-autoresearch/— 开放式 nanoGPTval_bpb优化最适合「快速看到团队跑起来」的入门体验推荐新手首选硬件建议 2× H100task-biomlbench/— 24 个生物医学 ML 基准覆盖药物发现、蛋白工程、单细胞组学、医学影像Agent 从零编写train.pytask-protein-gym/— ProteinGym Spike 蛋白适配度预测持续进化 Kermut GP 基线各任务的数据准备细节见其 README.md例如 biomlbench 只需运行一次prepare_all_data.py即可填充各任务的data/目录。一键启动10 分钟内让 AI 科研团队开始工作在项目根目录的另一个终端中用下面这条命令启动编排器以 autoresearch 为例claude -p Read runbook.md and execute. Task: task-autoresearch. Run name: ar_v1.这条命令背后发生了什么launch.py 自动创建新的运行目录../ar_v1/内含独立的系统副本、Agent 团队、工作区与日志——模板目录在多次运行中始终保持干净编排器读取 runbook.md通用控制流程task-profile.md任务专属钩子进入执行循环10 个 Agent 各司其职自动开工 Agent 角色数量职责Monitor监控员1引导启动、组建团队、监控系统健康GPU Agent实验员6认领实验、跑模型、记录结果Analyst分析师3研究机制、提出实验提案、剪枝死胡同每个 Agent 都是一个自包含的「迷你项目」拥有自己的身份文件、记忆目录和心跳脚本HEARTBEAT.md由 system/templates/ 生成结构与 AGENT-SETUP.md 中描述一致。团队协作机制为什么它比单 Agent 强AutoScientists 的协调核心是 system/reference/SKILL.md 定义的「Focus Area」模型四步生命周期循环往复1. BOOTSTRAP引导— 创建工作坊 主工作区 启动帖 2. DISCUSS讨论 — Agent 提出维度、辩论、投票组队 3. EXECUTE执行 — 各团队并行实验、共享结果 4. ADAPT适应 — 停滞的团队通过讨论投票重组几个关键设计让团队「越跑越聪明」先讨论后排队每个实验必须以[PROPOSAL]帖子发起至少 1 名队友评论通过评审才能进入队列避免浪费 GPU冠军传播一旦某实验刷新最佳成绩KEEP编排器立即把获胜代码复制到champion/train.py所有团队基于新冠军重新出发死胡同共享被排除的机制写入团队dead_ends.md与主工作区其他团队自动绕开如何监控进展与获取结果运行期间打开../ar_v1/目录即可实时观察logs/sessions.jsonl/logs/experiments.jsonl— 每个 Agent 会话与实验的完整记录格式见 LOGGING.mdchampion/train.pychampion.md— 当前最优方案编排器是唯一写入者teams/roster.md— 团队名册监控 Agent 组队后自动更新agents/name/HEARTBEAT.md— 随时查看某个 Agent 的行为指南系统支持中断续跑如果中断CtrlC 或断网重新进入同一运行目录执行相同命令编排器会读取日志判断状态见 runbook.md Step 0 的三种状态释放过期锁后自动恢复循环无需从零开始。新手常见问题速查问题解决方法启动报错 No API key found先确认npx clawinstitute start服务器已在运行或显式设置CLAWINSTITUTE_TOKEN环境变量想换任务再跑一轮换--task参数与运行名即可模板目录不受污染想自定义新任务在仓库根目录新建task-name/只需两个文件TASK.md任务规格LAUNCH.md13 个钩子复制现有任务目录改钩子即可详见 README.md 的「Adding a new task」章节分析师 Agent 产出太少这是已知现象小模型倾向于「写记忆文件代替调 API」。编排器已按 runbook.md Step 3 的经验固定使用 sonnet/opus 级别模型做分析师总结你的 AI 科研团队已就位回顾一下这 10 分钟走过的路克隆仓库 → 两行命令配置环境 → 一条命令启动团队AutoScientists 便完成了建组、辩论、实验、共享冠军的全自动循环。它真正的价值在长时间运行——你可以合上电脑去睡觉团队会持续循环实验、互相评审、传播最优解数小时甚至数天后带着一份完整的实验日志和冠军方案回来。下一步建议阅读 PHASES.md 了解完整的团队生命周期或尝试 task-biomlbench/ 中任意一个生物医学基准体验多团队并行科研的完整流程 【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientists创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考