NanoResearch
OpenRaiser/NanoResearch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
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，你盯着屏幕上一个模糊的研究想法发呆——这个方向到底有没有人做过？实验方案怎么设计？代码要从零写起吗？跑完实验数据要怎么分析？最后还要写成 LaTeX 格式的论文……一整套流程走下来，往往需要数周乃至数月。
NanoResearch 想做的事，就是把这条漫长的路压缩到一次命令执行。它是 OpenRaiser 团队开源的端到端自主 AI 科研引擎——你只需要告诉它研究主题，剩下的文献检索、实验设计、代码生成、GPU 集群训练、结果分析、论文配图、LaTeX 写作，全部由 AI 自动完成。
项目核心信息：
传统科研流程中，每一个环节都需要大量手动操作：
这套流程不仅耗时，还充满"机械性重复劳动"——而这些恰恰是当前 AI 最擅长替代的部分。
NanoResearch 并不是又一个"AI 写作助手"。它的核心理念是：让 AI 真正运行计算实验。它生成的每一个数据点都来自实际运行的训练结果，每一张图表都基于真实实验日志，而非 LLM 编造的虚构内容。
项目由 OpenRaiser 团队开发维护，目前已在 GitHub 获得 1502 颗星，吸引了来自学术界和工业界的关注。其设计借鉴了 AI Agent 的工作流编排思想，将复杂的科研任务拆解为可管理的阶段。
NanoResearch 的核心是一个精心设计的 9 阶段科研流水线，每个阶段由专门的 AI Agent 负责，阶段之间通过 manifest.json 实现断点续跑。
完整流水线如下：
| 阶段 | Agent 角色 | 核心任务 |
|---|---|---|
| IDEATION | 文献调研 Agent | OpenAlex + Semantic Scholar 自动检索，识别研究空白 |
| PLANNING | 实验设计 Agent | 生成实验蓝图（original/survey 两种模式） |
| SETUP | 环境配置 Agent | 准备运行环境、GPU 资源、依赖 |
| CODING | 代码生成 Agent | 生成完整可运行的实验代码 |
| EXECUTION | 执行调度 Agent | 本地或 SLURM 集群提交训练任务 |
| ANALYSIS | 结果分析 Agent | 解析训练日志，提取结构化数据 |
| FIGURE_GEN | 配图生成 Agent | 基于真实数据生成论文图表 |
| WRITING | 论文写作 Agent | 生成完整 LaTeX 论文 |
| REVIEW | 评审 Agent | 批判性审查、验证、修订 |
每个阶段运行完毕都会生成 manifest.json，记录当前进度。即使程序中途崩溃，或你想换个时间继续，都可以直接从上次断点恢复，而不是从头来过。这对 GPU 集群任务尤其重要——训练跑了 12 小时因为断电中断，Resume 功能可以让你从checkpoint直接继续。
NanoResearch 支持两种执行后端：
cluster_executor 模块负责 SLURM 脚本生成、任务提交和结果回收，使得大规模实验的自动化成为可能。这是科研场景的硬需求——学术研究中的大多数深度学习实验都需要在 GPU 集群上运行。
NanoResearch 还提供了一个独立的 MCP (Model Context Protocol) Server，可通过标准 I/O 与支持 MCP 协议的 AI 应用（如 Claude Desktop）集成。MCP Server 暴露了以下工具：
| 工具 | 功能 |
|---|---|
search_arxiv | arXiv 论文检索 |
search_semantic_scholar | Semantic Scholar 检索 |
get_paper_details | 获取论文详情 |
search_github | GitHub 代码仓库检索 |
generate_latex | LaTeX 文档生成 |
generate_full_paper | 完整论文生成 |
compile_pdf | LaTeX PDF 编译 |
generate_figure | 论文图表生成 |
search_web | 网页搜索 |
search_tasks (Papers With Code) | 任务-方法追踪 |
download_and_extract (PDF) | PDF 下载与内容提取 |
这意味着 NanoResearch 不仅是命令行工具，更是一套可以被其他 AI 应用调用的科研能力中台。通过 MCP 协议，Claude Code 等 Agent 可以直接调用这些工具，实现更深度的科研辅助。
NanoResearch 的技术选型体现了对工程可靠性的重视：
pyproject.toml（支持 Hatch 构建）BaseResearchAgent 基类 + 阶段专用 Agent项目采用了分层 Agent 架构：
BaseResearchAgent：所有 Agent 的基类，负责 LLM 调用、日志记录、上下文管理coding.py、writing.py、analysis.py）：每个阶段有独立 AgentClusterExecutorAgent：负责 SLURM 集群任务编排CodeEditorAgent：处理代码编辑和调试RAM 模块（Retroactive Analytical Memory）是项目的亮点之一——它记录每个阶段的决策过程，通过记忆分析实现 Agent 的自我改进。memory.py 和 ram.py 实现了记忆存储和分析的完整闭环。
不同科研阶段对模型能力的需求不同——文献调研需要快速广泛的信息检索，代码生成需要精确的逻辑推理，论文写作需要流畅的语言表达。router_policy.py 实现了按任务类型动态选择最合适模型的策略，避免"一刀切"调用同一个大模型造成成本浪费和效果不稳定。
NanoResearch CLI 提供两种输出模式：
两者可通过命令行参数切换，默认 TUI 模式提供更好的交互体验。
项目还提供了飞书机器人集成，可将科研进度实时推送到飞书群组，适合团队协作场景。
# 安装
pip install -e .
# 原始研究（全流程）
nanoresearch research "original: Your Research Topic"
# 文献综述
nanoresearch research "survey:standard: Your Survey Topic"
# 查看状态
nanoresearch status
# 断点续跑
nanoresearch resume
# Claude Code 集成模式
# 在 Claude Code 中使用 /project:research 等命令
NanoResearch 强调"不编造实验结果"，但 LLM 在代码生成环节仍有概率产生逻辑错误的代码，导致实验失败或结果异常。用户需要具备一定的机器学习背景，能够判断生成的实验方案是否合理、结果是否符合预期。
SLURM 是学术 HPC 的主流调度系统，但国内很多研究机构的集群使用 PBS 或其他调度器，项目对 SLURM 的深度绑定限制了其在非 SLURM 环境的使用。
完整的科研流水线涉及大量中间产物（文献 PDF、实验日志、图表文件），每个 Agent 都需要在有限上下文内处理这些信息。随着流水线推进，早期信息可能被"遗忘"，影响后期决策质量。
目前仅有 CLI 和 MCP Server 两种接入方式，不支持 Web 界面或 REST API。对于非技术用户，有一定的上手门槛。
MCP Server 的每个工具（如 PDF 解析、LaTeX 生成）本身依赖 LLM 的能力，当底层模型能力有限时，工具输出质量会明显下降。
NanoResearch 代表了 AI for Science 领域的一个重要方向：将 AI Agent 能力系统性地引入科研工作流，而非仅仅用 LLM 生成一段代码或一篇摘要。
从增长曲线看，AI 科研助手赛道正在快速升温。类似 AutoGPT 风格的自主 Agent 框架已经开始渗透到科研场景，但 NanoResearch 的差异化在于：
RAM 自进化机制的引入也值得关注——它不只是一个静态工具，而是一个能够从历史决策中学习的系统。这意味着随着使用时间增长，Agent 对特定研究领域的适配性会逐步提升。
NanoResearch 是一个雄心勃勃的开源项目，它试图用 AI Agent 重新定义科研工作流的上限。从 1502 颗 GitHub 星标和活跃的开发者生态来看，它确实击中了研究者的真实痛点——科研流程中大量机械性、重复性的工作，正是 AI 介入的最佳切入点。
对于具备一定技术背景的研究者（尤其是深度学习方向），NanoResearch 能够显著提升从想法到论文的转化效率；对于非技术背景的用户，现有的 CLI 交互模式仍有一定门槛，建议从 MCP Server 集成到 Claude Code 的方式入手。
一句话评价：NanoResearch 是 AI 科研助手赛道中难得的"真家伙"——它真的在跑 GPU 实验，而非仅仅生成文本。