dr-claw
全栈 AI 研究工作区，一站式完成从文献调研到论文产出的完整研究流水线
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
全栈 AI 研究工作区，一站式完成从文献调研到论文产出的完整研究流水线
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
凌晨两点，你盯着屏幕上的 arXiv 最新论文，一边疯狂记笔记，一边在脑子里同时跑着三个实验的进度——这是大多数 AI 研究者的日常。工具在 VS Code、终端、浏览器、论文 PDF 之间来回切换，注意力被切割成碎片，等回过神来，太阳已经升起，而你只推进了两页笔记。
Dr. Claw 正是为解决这个痛点而生。它由 OpenLAIR 团队打造，是一个全栈式的 AI 研究工作区，把从想法形成、实验执行到论文产出的完整流程，压缩到一个统一的界面里。更重要的是，它不只是帮你调用 AI，而是真正把 AI 变成研究流水线上的一员——自动发现技能、自动编排任务、自动汇报进展。
Dr. Claw 的起源可以追溯到 OpenLAIR 团队对 AI 编程工具的深度使用。在与 Claude Code、Cursor CLI 的日常协作中，他们逐渐意识到：单个 AI 编程工具虽然强大，但研究工作远不止写代码这一环——还需要文献调研、实验设计、结果分析、论文写作，甚至成果传播。这些环节散落在不同的工具中，AI 的能力被割裂在各个孤岛里。
Dr. Claw 最早以 Claude Code 的桌面 UI 层起步，如今已演变为一个独立平台 v1.1.4，支持 Claude Code、Gemini CLI、OpenAI Codex 和 OpenRouter 四大执行引擎。项目采用 GPL-3.0 + AGPL-3.0 双许可（服务端代码 AGPL-3.0），在 GitHub 上已有 987 颗星、102 个 fork、20 个 open issue，社区活跃度较高。
Dr. Claw 在文档中明确提出了一种研究范式转换："纯手工太慢，完全交给 AI 又太平庸，Vibe Researching 才是新的前沿。" 这个理念叫「杠杆化认知」——用人类的 Research Taste（研究品味与方向判断）撬动 AI 的执行能力，让机器做它擅长的大规模重复劳动，人专注于高价值的判断和创意。
这一理念在产品的每一个设计决策中都得到了体现。例如 Auto Research Hub，用户只需选择工具包（ARIS、Autoresearch 或 DeepScientist），配置研究目标，AI 就会自动执行从 idea 到 paper 的完整流水线——而人可以在睡眠中等待结果。
Research Lab 是 Dr. Claw 的中枢模块，提供从 Survey（文献综述）→ Ideation（创意生成）→ Experiment（实验开发）→ Publication（论文写作）→ Promotion（成果传播）的全流程仪表盘。每个阶段都有对应的任务列表、参考文件（支持 LaTeX 数学公式渲染）和产物缓存，用户可以随时查看当前处于哪个阶段，以及下一个待办任务是什么。
Research Lab 支持对话驱动——用户只需在 Chat 中用自然语言描述研究想法，Agent 会调用内置的 inno-pipeline-planner skill，交互式生成结构化的研究简报和任务列表，无需手动选择模板或配置文件。
在 Research Lab 右侧标签页中，集成了一个覆盖六大来源的统一信息流：arXiv 论文、HuggingFace 每日精选（论文、模型、数据集、Spaces）、GitHub 热门与新仓库、微信公众号（通过 RSSHub）、X（原 Twitter）和小红书。研究人员无需离开工作区，即可追踪领域最新动态。
信息流支持按来源筛选和研究方向配置，每条信息都有相关性评分，帮助用户快速过滤噪音，聚焦真正有价值的内容。
Dr. Claw 内置了超过 100 个研究技能，覆盖六个大类：
这些技能以 Markdown 文件存储在 skills/ 目录下，Agent 在执行任务时会根据上下文自动发现并调用最合适的技能。技能库支持扩展，用户可以自行添加新的技能。
这是 Dr. Claw 最具野心的功能。一键启动后，AI 会根据配置的 Research Brief（研究简报）自动执行完整流水线：从 arXiv 和 Semantic Scholar 抓取相关文献生成 Survey 报告，到多维度创意评估产出 Idea，再到实验代码的循环迭代（计划→实现→评判），最后产出论文草稿（IEEE/ACM 格式，含引用和 LaTeX 公式）和学术展示材料。
运行过程中，Research Lab 实时显示任务进度，运行完成后可通过邮件通知用户。
Dr. Claw 的一个显著优势是多后端支持：用户可以在 Claude Code（Anthropic）、Gemini CLI（Google）、OpenAI Codex 和 OpenRouter（聚合数百种模型）之间自由切换，甚至在同一会话中并行运行多个 Agent。
OpenRouter 的接入尤其有意义——用一个 API Key 即可访问 GPT-5、Claude、Gemini、DeepSeek、Llama、Kimi 等数百种模型，实现跨模型对比和灵活的成本控制。Chat 中内置了推理强度控制滑块，可以精细调节 AI 的"思考深度"。
Dr. Claw 的架构分为三层：
前端：React 18 + TypeScript + Vite 构建系统，搭配 Tailwind CSS 样式框架。代码编辑器基于 CodeMirror 6（支持 JavaScript、Python、JSON、Markdown 等多语言）。内置 xterm.js 终端模拟器，提供类 VS Code 的终端体验。国际化支持 i18next（多语言，包括中文）。
后端：Express 服务器（Node.js），监听本地端口，提供 REST API 和 WebSocket 通信。数据存储使用 SQLite（better-sqlite3 + sqlite3）和文件系统会话记录。WebSocket 支持实时会话消息推送和 TaskMaster 进度更新。
桌面应用：Electron 37 打包，提供 macOS (.dmg) 和 Windows (.exe) 原生桌面客户端，从 GitHub Releases 直接下载安装。CLI 层提供 dr-claw / vibelab / drclaw 三个别名命令，支持项目管理、会话聊天、TaskMaster 进度查看和 OpenClaw 推送。
Python CLI 工具：agent-harness/ 目录下是一个独立的 Python 包（setup.py + install.sh），提供与 Node.js 服务端相同的 CLI 接口，用于自动化场景、OpenClaw 集成和移动端状态推送。
关键依赖：MCP SDK（Model Context Protocol，Anthropic）、Fuse.js（模糊搜索）、Mermaid（流程图）、KaTeX（数学公式）、Playwright + Vitest（测试）。
对于大多数用户，桌面应用是最省心的选择。从 GitHub Releases 下载 .dmg 或 .exe，双击安装即可，无需配置 Node.js 环境，首次启动会引导用户配置 API Key（支持 Claude Code API Key、OpenRouter API Key 等）。
如果追求更高灵活性，可以通过 npx dr-claw 零配置一键启动 Web 版本（会自动下载 Electron 并启动服务）。开发者则可以 clone 仓库后运行 npm install && npm run dev，在本地以开发模式运行前后端。
命令行用户（尤其是已有 Claude Code/Cursor 环境的开发者）可以直接安装 Python CLI 层：bash agent-harness/install.sh，将 drclaw 命令安装到系统 PATH，然后用 drclaw server on 启动本地服务，在终端中完成所有操作。
Dr. Claw 作为一个年轻项目（2026 年 2 月创建，v1.1.4），在稳定性上仍有提升空间。目前暂无 Docker 支持，对于习惯容器化部署的团队来说，需要手动配置 Node.js 环境。项目依赖较重（package-lock.json 达 672KB），首次安装耗时较长。
此外，Auto Research Hub 的效果高度依赖研究简报的质量——如果简报写得模糊，AI 生成的论文也可能泛泛而谈。"全自动科研"听起来诱人，但真正有价值的科研成果仍需要人类研究者的深度参与和判断。
Dr. Claw 代表的趋势值得关注：AI 编程工具正在从单一能力的"智能助手"进化为"研究操作系统"。当工具能够串联文献阅读、实验迭代、论文写作的完整链路，研究者的工作方式将发生根本性变化——从"手动操作各种工具"转变为"监督和审核 AI 的流水线产出"。
这条路并非 Dr. Claw 独有，但它在多 Agent 聚合、技能自动发现、以及 Research Lab 的流水线可视化上，做出了有意义的整合。对于希望在 AI 研究中保持高效率和高严谨性的团队，Dr. Claw 是一个值得关注的选项。