NanoResearch

端到端自主 AI 科研引擎 — 从研究想法到完整论文，全程自动化

🔬 NanoResearch 真正运行计算实验——它不仅生成代码，还能将代码提交到 GPU 集群执行训练，收集真实实验结果，生成论文配图，最终输出一篇有实验数据支撑的完整 LaTeX 论文。论文中的每一个数据、表格、图表都来自实际运行的实验结果，而非 LLM 编造。

📖 目录

• 📊 论文实测展示
• ⚡ CLI 演示
• 📢 最新动态
• ✨ 核心特性
• 🆚 为何选择 NanoResearch
• 🎯 应用场景
• 🖼️ 效果展示
• CLI：标准输出与 TUI 对比
• 🔬 流水线
• 📦 快速开始
• 🧩 Claude Code 模式
• ⚙️ 配置
• 💻 CLI 参考
• 🍪 示例与 Demo
• 📂 输出结构
• 💬 飞书机器人
• 🏗️ 项目结构
• ❓ 常见问题
• 🎯 路线图
• 📋 环境要求
• 🙏 致谢
• 🤝 贡献
• 📝 引用
• 📄 许可证

📊 论文实测展示

以下为 NanoResearch 自动生成论文中的真实配图，所有数据、曲线、表格均来自实际运行的实验结果，非 LLM 虚构。

以上配图均为流水线自动生成，数据来源于真实训练日志与实验结果。

⚡ CLI 演示

NanoResearch 命令行（CLI） 提供 TUI 全屏界面 与 传统流式日志 两种呈现方式。下方为 CLI 端 TUI 主题与界面 演示视频（配色切换与布局优化）。其他入口（如 Claude Code、飞书机器人）见文档对应章节。

Why NanoResearch

| 特性 | 传统 AI 写作工具 | NanoResearch | |------|-----------------|-------------| | 文献检索 | 部分支持 | ✅ OpenAlex + Semantic Scholar 自动检索 | | 实验设计 | ❌ | ✅ 自动生成实验方案 | | 代码生成 | 部分支持 | ✅ 完整可运行的实验代码 | | GPU 实验执行 | ❌ | ✅ 本地 / SLURM 自动训练 | | 结果分析 | ❌ | ✅ 解析真实训练日志 | | 论文配图 | ❌ | ✅ 基于真实数据 | | 论文撰写 | 大纲/草稿 | ✅ 完整 LaTeX 论文 | | 断点续跑 | ❌ | ✅ 任意阶段可恢复 | | 多模型协作 | 单一模型 | ✅ 按阶段路由 |

🎯 应用场景

• 科研原型验证 — 快速将研究想法变成完整的实验 + 论文工作空间
• 自主实验 — 系统自动生成代码、提交 GPU 训练、分析结果
• Benchmark 批量生成 — 对多个课题批量运行，生成可复现的实验结果
• 论文初稿辅助 — 基于真实实验数据产出 LaTeX 草稿，加速写作
• 科研流程审计 — 完整工作空间、中间产物和日志，可追溯每一步

🖼️ 效果展示

CLI：标准输出与 TUI 模式对比

CLI 支持 传统流式日志（非 TUI） 与 全屏 TUI 面板 两种呈现方式，可按习惯切换。

示例输出

🔬 流水线

Research Topic
     ↓
 IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW
     ↓
 Exported: paper.pdf / paper.tex / references.bib / figures / code / data

| Stage | 功能 | 说明 | |-------|------|------| | IDEATION | 文献检索与创意生成 | 搜索学术文献、发现研究空白、提出假说、收集必引文献 | | PLANNING | 实验方案设计 | 将研究想法转化为详细的实验蓝图（数据集、基线、指标、消融） | | SETUP | 环境准备 | 准备代码仓库、依赖环境、模型和数据集 | | CODING | 代码生成 | 生成完整可运行的实验项目（含训练脚本、数据处理、模型定义） | | EXECUTION | 实验执行 | 在本地 GPU 或 SLURM 集群上运行训练，支持自动重试和调试 | | ANALYSIS | 结果分析 | 解析训练日志和指标，生成结构化实验证据 | | FIGURE_GEN | 图表生成 | 创建架构图、结果对比图、消融实验图 | | WRITING | 论文撰写 | 基于实验证据和引用撰写 LaTeX 论文 | | REVIEW | 审稿与修订 | 自动审阅各章节，检测问题并修订 |

EXECUTION 阶段是 NanoResearch 的核心差异化能力：

• 自动提交 SLURM 作业 — 生成 sbatch 脚本，提交到集群，监控作业状态
• 本地 GPU 执行 — 自动检测可用 GPU，管理训练进程
• 自动调试与重试 — 训练失败时自动分析错误日志，修复代码并重新执行
• 实时日志监控 — 追踪训练进度和指标变化
• 混合执行模式 — 可根据任务复杂度在本地和集群之间自动切换

📦 快速开始

遵循以下步骤，约 5 分钟即可完成从安装到首次运行的完整流程。

步骤一：安装

git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"

步骤二：配置

[!TIP] 创建 ~/.nanobot/config.json，替换 base_url 和 api_key 为你自己的 OpenAI 兼容 API 端点。

{
  "research": {
    "base_url": "https://your-openai-compatible-endpoint/v1/",
    "api_key": "your-api-key",
    "template_format": "neurips2025",
    "execution_profile": "local_quick",
    "writing_mode": "hybrid",
    "max_retries": 2,
    "auto_create_env": true,
    "auto_download_resources": true,
    "ideation": { "model": "your-model", "temperature": 0.5, "max_tokens": 16384, "timeout": 600.0 },
    "planning": { "model": "your-model", "temperature": 0.2, "max_tokens": 16384, "timeout": 600.0 },
    "code_gen": { "model": "your-model", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
    "writing": { "model": "your-model", "temperature": 0.4, "max_tokens": 16384, "timeout": 600.0 },
    "figure_gen": {
      "model": "gemini-3.1-flash-image-preview",
      "image_backend": "gemini",
      "temperature": null,
      "timeout": 300.0
    },
    "review": { "model": "your-model", "temperature": 0.3, "max_tokens": 16384, "timeout": 300.0 }
  }
}

环境变量覆盖：NANORESEARCH_BASE_URL / NANORESEARCH_API_KEY / NANORESEARCH_TIMEOUT

步骤三：验证与运行

# 验证配置
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run

# 启动完整流水线
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose

# 从断点恢复（若某阶段失败）
nanoresearch resume --workspace ~/.nanobot/workspace/research/{session_id} --verbose

# 导出论文
nanoresearch export --workspace ~/.nanobot/workspace/research/{session_id} --output ./my_paper

步骤四：预期输出

完成流水线后，你将得到包含真实实验数据的论文配图与 LaTeX 源码。

🤖 推荐模型

| Stage | 任务 | 推荐模型 | 经济型 | |-------|------|---------|-------| | ideation | 文献检索 + 假说生成 | DeepSeek-V3.2 | DeepSeek-V3.2 | | planning | 实验设计 | Claude Sonnet 4.6 | DeepSeek-V3.2 | | code_gen | 代码生成 | GPT-5.2-Codex / Claude Opus 4.6 | DeepSeek-V3.2 | | writing | 论文撰写 | Claude Opus 4.6 / Claude Sonnet 4.6 | DeepSeek-V3.2 | | figure_prompt | 图表描述 | GPT-5.2 | DeepSeek-V3.2 | | figure_code | 图表绘制代码 | Claude Opus 4.6 | DeepSeek-V3.2 | | figure_gen | AI 架构图生成 | Gemini 3.1 Flash（原生图像生成） | Gemini 3.1 Flash | | review | 审稿 + 修订 | Claude Sonnet 4.6 / Gemini Flash | DeepSeek-V3.2 |

说明：所有文本模型通过单一 OpenAI 兼容端点访问。对于不支持 temperature 的模型（如 Codex、o 系列），设置 temperature: null。figure_gen 使用 Gemini 原生图像生成 API，需设置 "image_backend": "gemini"。

💰 预估费用

| 场景 | 模型选择 | 时间 | 预估费用 | |------|---------|------|---------| | 仅生成论文（跳过