research-claw
自托管 AI 科研助手，一站式搞定 LaTeX 论文写作、文献检索、Overleaf 同步与多渠道（
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
自托管 AI 科研助手，一站式搞定 LaTeX 论文写作、文献检索、Overleaf 同步与多渠道（
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。
想象一下这个场景：你正在赶一篇顶会论文（假设是 NeurIPS），手头同时开着 Overleaf 编辑 LaTeX、Chrome 浏览器搜 arXiv、终端跑 LaTeX 编译器查报错、Zotero 管理参考文献、Telegram 等导师回复——五个窗口来回切换，思维不断被打断。
这就是大多数科研工作者每天面临的真实困境：论文写作本质上是一个需要跨平台、跨工具协作的复杂工程，但市面上的 AI 助手要么只管聊天，要么只管搜索，没有一个真正懂"科研工作流"的系统。
Research Claw 正是为解决这个痛点而生的。它是一个自托管的 AI 科研助手，通过一个对话界面，同时接管你的 LaTeX 写作、文献检索、Overleaf 同步、Git 版本管理、甚至论文 Deadline 追踪——一个界面，全部搞定。
Research Claw 由 nanoAgentTeam 团队开发，GitHub 已有超过 2900 star，采用 MIT 许可证。项目明确面向"自托管"场景——数据完全保存在本地，用户自己提供 LLM API Key，这意味着你的论文内容、文献数据、聊天记录都不会经过第三方服务器。
项目最早瞄准的是中文科研社区，README 同时提供中英文版本，且集成了飞书（Feishu）、钉钉（DingTalk）、QQ 等中国用户常用的 IM 渠道，这种本土化支持在同类开源项目中非常罕见。
支持的 AI 模型覆盖范围极广：通过 LiteLLM 兼容所有 OpenAI 兼容 API，包括 GPT-4、Claude、DeepSeek、Qwen、文心、通义等主流模型，切换模型只需在 Web UI 中改一个配置项，真正做到模型无关（model-agnostic）。
Research Claw 对 LaTeX 的支持深度远超普通 AI 助手。它不只是帮你写文字，而是真正理解 LaTeX 项目结构：能读取和修改 .tex 文件、.bib 参考文献文件，还能直接运行 LaTeX 编译器（pdflatex/xelatex）将项目编译为 PDF，并在编译出错时自动解析日志给出诊断意见。
项目内置了顶会模板技能（venue skills），覆盖 NeurIPS、ICML、ICLR、AAAI、ACL、CVPR 等二十多个主流会议的格式要求。创建论文项目时，AI 会自动应用对应会议的格式规范，减少大量手动调整格式的时间。
Overleaf 是在线 LaTeX 编辑的事实标准，但 Overleaf 的 AI 功能有限且需要额外付费。Research Claw 通过 overleaf-sync 库实现了本地项目与 Overleaf 的双向同步：
/sync pull：从 Overleaf 拉取协作者的修改到本地/sync push：将本地修改推送到 Overleaf每次 AI 对文件的修改都会自动 commit 到 Git，用户可以随时查看 diff、浏览历史、进行回滚。Overleaf 登录支持官方 Overleaf 和中国科技云（CSTCloud）两个实例。
传统 AI 助手只能在浏览器里用，但 Research Claw 支持六个访问渠道：
| 渠道 | 适用场景 | 说明 |
|---|---|---|
| CLI | 终端用户 / 程序员 | 直接在终端交互 |
| Web UI | 浏览器访问 | Gateway 模式，配置友好 |
| Telegram | 移动端 | 有网络即可访问 |
| 飞书（Feishu） | 国内团队协作 | 企业用户友好 |
| 个人用户 | 社交通讯 | |
| 钉钉（DingTalk） | 企业内部 | 机器人模式 |
这意味着，无论你在实验室用电脑、在地铁上用手机，甚至导师在钉钉里问你进度，Research Claw 都能回应，且不需要公网 IP 或服务器。
内置三个主流学术搜索接口：
此外还集成了 Google Scholar 的 scholarly 库和 Semantic Scholar API，支持关键词搜索、论文筛选、全文 PDF 阅读和深度分析。Research Radar 功能可以定时扫描你的研究领域，自动推送新论文和趋势变化。
对于复杂的调研任务（如"写一篇 MoE 综述"），Research Claw 提供了完整的 DAG 多智能体工作流：
/task 写一篇 MoE 综述
↓
[理解阶段] → 读取你的项目文件
[提案阶段] → 展示大纲和范围 → 你确认
[规划阶段] → 构建任务依赖图 → 你审核
[执行阶段] → 子 Agent 并行工作 → 实时推送进度
[收尾阶段] → 合并所有输出 → Git commit
子 Agent 在独立沙箱中运行，互不干扰、不会意外覆盖彼此的修改，这是很多多 Agent 框架忽视但至关重要的工程细节。
从代码结构来看，Research Claw 采用分层模块化架构：
core/ 层：基础设施与核心抽象
llm/：LLM 引擎封装，支持多 Provider 热插拔，通过 middleware 模式实现请求拦截、日志、成本追踪memory/：记忆系统，分为短期记忆（会话上下文）和长期记忆（项目经验积累），通过上下文压缩解决 Token 限制问题tools/：内置工具集（bash、文件读写、浏览器自动化），作为 ToolRegistry 注册到 Agentinfra/：环境抽象层，支持本地执行、Docker 容器隔离和 E2B 云沙箱三种执行环境agent/ 层：业务逻辑编排
loop.py：Agent 主循环，负责任务规划→执行→反馈的迭代services/gateway_server.py：FastAPI Web 服务器，提供 HTTP 接口给前端services/im_runtime.py：IM 渠道运行时，封装 Telegram/飞书/QQ/钉钉的接入逻辑tools/：40+ 领域工具，覆盖 arXiv 搜索、LaTeX 编译、Overleaf 同步、Git 操作等channels/ 层：消息通道适配器
MessageBus 接口providers/ 层：AI 模型提供商
litellm_provider.py：LiteLLM 封装，任何 OpenAI 兼容 API 均可接入openai_provider.py：原生 OpenAI API 支持config/ 层：配置与技能系统
config/.skills/：内置领域技能（如 AAAI 论文格式、ACL 模板），以 SKILL.md 格式存储提示词模板config/agent_profiles/：不同场景的 Agent 配置（chat 模式、project 模式、task 模式）config/prompts/：各模块的系统提示词模板依赖技术栈（从 requirements.txt 提炼）：
Research Claw 定位为终端用户的桌面级工具，安装非常直接：
git clone https://github.com/nanoAgentTeam/research-claw.git
cd research-claw
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
仅依赖 Python 3.11+ 和 Git，无 Dockerfile，不需要 Docker。两种启动模式：CLI 模式（python cli/main.py agent）适合终端用户；Gateway 模式（python cli/main.py gateway --port 18790）启动 Web UI + 所有 IM 渠道，浏览器打开 http://localhost:18790/ui 配置 API Key。
| 维度 | 评分 | 说明 |
|---|---|---|
| 依赖复杂度 | 低 | 仅需 Python 3.11+、Git，无数据库 |
| 配置难度 | 低 | Web UI 可视化配置，API Key 填入即用 |
| 硬件要求 | 极低 | 不需要 GPU，纯 CPU 运行，2GB RAM 足够 |
| LaTeX 支持 | 需额外安装 | 如需编译 PDF，需系统安装 LaTeX 发行版 |
| IM 渠道配置 | 中等 | 飞书/钉钉需要申请企业机器人，略复杂 |
整体评估为**"简单"**级别，核心功能 10 分钟内可以跑起来。唯一的门槛是：用户需要自备 LLM API Key（如 OpenAI、DeepSeek 等），这对于有科研需求的开发者来说是合理的前提条件。
平台局限性：Research Claw 对 Windows 的支持非常有限——项目依赖大量 POSIX 特性（信号处理、进程管理），不支持原生 Windows 运行。虽然文档建议用 WSL2，但这对纯 Windows 用户来说增加了一层学习成本。
LaTeX 环境依赖：PDF 编译功能依赖系统安装 LaTeX 发行版（如 TeX Live），完整安装包超过 5GB，是一个较大的环境依赖。
自托管的前提：项目只是一个接口层，实际成本取决于用户选择的模型和用量。对于没有 LLM API 使用经验的用户，有一定的入门门槛。
长期维护风险：作为小团队维护的开源项目，多渠道 IM 集成需要跟随平台 API 变更，长期维护成本不低。
Research Claw 代表了一个正在兴起的需求：将 AI 助手从"通用聊天工具"进化为"垂直领域专业工作流引擎"。它的核心洞察是——科研工作流的瓶颈不在于"问问题"，而在于"跨工具执行"。
从更宏观的角度看，这类工具的兴起反映了三个趋势：
Research Claw 目前 star 接近 300，仍处于早期采用阶段，但其"多渠道 + LaTeX + 学术检索"的垂直整合，在 GitHub 上目前没有看到直接对标的产品。