🌟 Science-Star — 您的科学AI智能体

构建、扩展并实验科学智能体。一个平台，零摩擦。

由通义万相生成。

📢 新闻

近期更新

• [2026.02] 重大更新: 更多基准支持，多智能体架构（CodeAgent + 搜索智能体），重构运行脚本（run_multi_agent.py / run_single_agent.py），以及更 streamlined的项目结构。
• [2025.08] Science-Star 启动: 我们发布了 Science-Star — 一个用于构建、扩展和实验科学智能体的开源平台。

🧠 概述

Science-Star 是您的开源科学AI智能体平台。基于带有规划、行动、记忆和反思功能的 ReAct 引擎构建，它自带 人类最后考试 (HLE) 和 GAIA 基准测试、丰富的工具集（搜索、爬取、PDF、浏览器、RAG）以及端到端可视化功能。只需一条命令即可运行，一个平台即可扩展——无论您是研究人员还是开发者，Science-Star 都能让您快速从想法走向实验。

也请查看 Awesome-Agent-Craft：我们精心整理的关于释放科学AI智能体潜力的论文和基准测试合集。

🔥 核心特性

• 🔧 丰富工具箱 — 搜索（SerpAPI、Tavily、DuckDuckGo、Wayback）、爬取（Jina、crawl4ai）、PDF解析器、浏览器使用、检查器（文档/音频/视觉）、检索器（RAG）、代码执行。可通过简洁界面添加您自己的工具。
• 🤖 多智能体与模块化 — 开箱即用的 CodeAgent + 搜索智能体。只需一个配置即可在单智能体与多智能体之间切换。更换加载器、模型、工具时，核心逻辑保持不变。
• 📊 HLE & GAIA + 可视化 — 一键式基准测试，配备加载器和评分器。Streamlit仪表盘用于数据探索和结果分析。无需任何设置。

🚩 路线图

• 领域工具: 化学、生物学及其他科学工具包
• 更多架构: 不止于 ReAct — 新型智能体范式
• 更多基准: 额外的数据集和评估套件

🚀 开始使用

1. 配置环境 — conda、smolagents、API密钥及测试。→ 安装指南
2. 运行实验 — 一键运行 HLE 和 GAIA，自定义配置，启动可视化仪表盘。→ 快速入门
3. 探索架构 — 工具、加载器、RAG、配置及其连接方式。→ 项目结构

🛠️ 扩展

• 工具: science_star/tools/ — 搜索、爬取、PDF、浏览器、检索器
• 加载器: data/hle_loader.py、data/gaia_loader.py
• 可视化: visualization/vis_dataset.py、visualization/vis_output.py

🧪 实验结果

以 o4-mini-2025-04-16 作为基础模型，我们通过实现一个利用 ReAct 框架并集成 规划、行动、记忆和反思 模块的 端到端流水线，在小规模 HLE 数据集上取得了领先成果。该项目仍需进一步测试和完善。我们诚挚邀请开源社区加入我们，共同塑造这项工作的未来。让我们携手共建！

ℹ️ 反馈

我们欢迎任何形式的反馈！如遇bug、疑问或建议，请提交issue。这将帮助我们的团队高效解决常见问题，并构建更加高效的社区。

🤝 贡献者

学生贡献者: Daoyu Wang、Qingchuan Li、Tian Gao、Shuo Yu、Xiaoyu Tao、Ze Guo

指导老师: Qi Liu、Mingyue Cheng

所属单位: 中国科学技术大学认知智能国家重点实验室

🥰 致谢

我们衷心感谢 OAgent 提供的 OAgent 以及他们在工程方面的辛勤付出。同时，我们也感谢 smolagent 团队提供的基础支持。最后，我们深深感激 Daoyu Wang、Qingchuan Li、Tian Gao、Shuo Yu、Xiaoyu Tao 和 Ze Guo 的富有洞见的讨论与贡献。

✍️ 引用

Science-Star

@misc{Science-Star,
author = {Daoyu Wang, Qingchuan Li, Tian Gao, Shuo Yu, Xiaoyu Tao, Mingyue Cheng, Qi Liu},
title = {Science-Star: 一个用于构建、扩展和实验科学智能体的开源平台。},
year = {2025},
organization = {GitHub},
url = {https://github.com/Melmaphother/Science-Star},
}

Science-Star 快速上手指南

Science-Star 是一个开源的科学 AI 智能体平台，基于 ReAct 引擎构建，支持规划、行动、记忆和反思机制。它内置了 HLE 和 GAIA 基准测试，并提供丰富的工具链（搜索、爬虫、PDF 解析、浏览器操作、RAG 等），帮助研究者和开发者快速构建和实验科学智能体。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux / macOS / Windows (WSL2 推荐)
• Python 版本：3.9 或更高
• 包管理器：推荐使用 conda 或 mamba 管理环境
• API Keys：根据需要使用的大模型提供商（如 OpenAI, Qwen 等）及工具服务（如 SerpAPI, Tavily 等）的 API 密钥

安装步骤

1. 创建并激活虚拟环境

推荐使用 conda 创建隔离环境：

conda create -n science-star python=3.10 -y
conda activate science-star

2. 克隆项目代码

git clone https://github.com/Melmaphother/Science-Star.git
cd Science-Star

国内加速提示：如果 GitHub 克隆速度慢，可使用国内镜像源：

git clone https://gitee.com/mirror/Science-Star.git  # 示例镜像地址，请以实际可用源为准
# 或者使用 gitclone.com
git clone https://gitclone.com/github.com/Melmaphother/Science-Star.git

3. 安装依赖

项目依赖 smolagents 及其他核心库。请安装项目要求的依赖包：

pip install -r requirements.txt

若需加速 pip 下载，推荐使用清华或阿里源：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 配置环境变量

在项目根目录下创建 .env 文件（或复制示例文件），填入您的 API 密钥：

cp .env.example .env
# 编辑 .env 文件，填入如下内容：
# OPENAI_API_KEY=your_key_here
# SERPAPI_API_KEY=your_key_here
# ...其他所需密钥

基本使用

Science-Star 支持单智能体和多智能体模式，并内置了运行脚本和可视化面板。

1. 运行基准测试实验

使用一行命令即可在 HLE 或 GAIA 数据集上运行实验。

运行单智能体模式：

python run_single_agent.py --benchmark hle --model o4-mini-2025-04-16

运行多智能体模式（CodeAgent + Search Agent）：

python run_multi_agent.py --benchmark gaia --model o4-mini-2025-04-16

参数说明：

• --benchmark: 选择数据集 (hle 或 gaia)
• --model: 指定使用的基础大模型

2. 启动可视化看板

实验完成后，可以使用 Streamlit 查看结果分析和数据探索面板：

streamlit run visualization/vis_dataset.py
streamlit run visualization/vis_output.py

3. 自定义扩展

• 添加新工具：在 science_star/tools/ 目录下编写新工具类。
• 加载新数据：修改 data/ 目录下的 loader 文件（如 hle_loader.py）。
• 调整配置：通过修改配置文件切换不同的模型、工具组合或智能体架构，无需改动核心逻辑。

更多详细配置和项目结构说明，请参阅项目文档中的 Quick Start 和 Project Structure。