[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Melmaphother--Science-Star":3,"tool-Melmaphother--Science-Star":64},[4,17,27,35,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,43,44,45,15,46,26,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,46],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74939,"2026-04-05T23:16:38",[26,14,13,46],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":23,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":111},3525,"Melmaphother\u002FScience-Star","Science-Star","Science-Star: A Platform for Building, Extending, and Experimenting with Scientific Agents.","Science-Star 是一个专为构建、扩展和实验科学类 AI 智能体（Scientific Agents）而设计的开源平台。它致力于解决科研场景中智能体开发门槛高、工具集成复杂以及评估流程繁琐的痛点，让研究者能零摩擦地将想法快速转化为可运行的实验。\n\n该平台非常适合人工智能研究人员、开发者以及对科学自动化感兴趣的工程师使用。其核心基于强大的 ReAct 引擎，内置了规划、行动、记忆与反思四大模块，能够模拟人类科学家的推理过程。技术亮点在于其丰富的工具箱，集成了搜索、网页爬取、PDF 解析、浏览器操作及代码执行等多种能力，并原生支持 Humanity's Last Exam (HLE) 和 GAIA 等权威基准测试。\n\nScience-Star 采用模块化架构，支持单智能体与多智能体（如代码代理 + 搜索代理）模式的灵活切换，用户无需改动核心逻辑即可自定义模型或工具。此外，项目还配备了端到端的可视化仪表盘，方便直观地分析实验数据与结果。无论是想要复现前沿论文，还是希望构建专属的科学探索助手，Science-Star 都能提供高效、开放的基础设施支持。","\u003Ch1 align=\"center\">🌟 Science-Star — Your Scientific AI Agents\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\u003Ci>Build, extend, and experiment with scientific agents. One platform. Zero friction.\u003C\u002Fi>\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fstargazers\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FMelmaphother\u002FScience-Star\" alt=\"GitHub Repo stars\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fnetwork\u002Fmembers\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FMelmaphother\u002FScience-Star\" alt=\"GitHub forks\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMelmaphother_Science-Star_readme_b9d0f513a518.png\" width=\"900px\" alt=\"Agent vs Workflow\" \u002F>\u003Cbr>\n\u003Ci>Generated by Qwen Image.\u003C\u002Fi>\n\u003C\u002Fp>\n\n## 📢 News\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>Recent Updates\u003C\u002Fb>\u003C\u002Fsummary>\n\n- [2026.02] **Major Update**: More benchmark support, multi-agent architecture (CodeAgent + search agent), refactored run scripts (`run_multi_agent.py` \u002F `run_single_agent.py`), and streamlined project structure.\n- [2025.08] **Science-Star Init**: We release Science-Star — an open platform for building, extending, and experimenting with scientific agents.\n\n\u003C\u002Fdetails>\n\n## 🧠 Overview\n\n**Science-Star** is your open-source platform for scientific AI agents. Built on the **ReAct** engine with Planning, Action, Memory, and Reflection, it ships with **Humanity's Last Exam (HLE)** and **GAIA** benchmarks, rich tooling (search, crawl, PDF, browser, RAG), and end-to-end visualization. One command to run, one platform to extend—whether you're a researcher or a developer, Science-Star gets you from idea to experiment, fast.\n\n> **Also check out [Awesome-Agent-Craft](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FAwesome-Agent-Craft)**: Our curated collection of papers and benchmarks on unlocking the potential of Scientific AI Agents.\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMelmaphother_Science-Star_readme_e9a0d05ac101.png\" width=\"900px\" alt=\"RICO Framework\" \u002F>\u003C\u002Fp>\n\n## 🔥 Key Features\n\n- **🔧 Rich Toolbox** — Search (SerpAPI, Tavily, DuckDuckGo, Wayback), crawl (Jina, crawl4ai), PDF parser, browser use, inspector (doc\u002Faudio\u002Fvisual), retriever (RAG), code execution. Add yours via a clean interface.\n- **🤖 Multi-Agent & Modular** — CodeAgent + search agent out of the box. One config to switch single ↔ multi. Swap loaders, models, tools—core logic stays untouched.\n- **📊 HLE & GAIA + Viz** — One-click benchmarks with loaders and scorers. Streamlit dashboards for data exploration and result analysis. Zero setup.\n\n## 🚩 Roadmap\n\n- **Domain Tools**: Chemistry, Biology, and other scientific toolkits\n- **More Architectures**: Beyond ReAct—new agent paradigms\n- **More Benchmarks**: Additional datasets and evaluation suites\n\n## 🚀 Get Started\n\n1. **Configure environment** — conda, smolagents, API keys, and tests. → [Installation](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Finstallation.md)\n2. **Run experiments** — HLE & GAIA in one command, customize configs, launch visualization dashboards. → [Quick Start](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Fquickstart.md)\n3. **Explore the architecture** — tools, loaders, RAG, configs, and how they connect. → [Project Structure](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Fproject_structure.md)\n\n## 🛠️ Extend\n\n- **Tools**: `science_star\u002Ftools\u002F` — search, crawl, PDF, browser, retriever\n- **Loaders**: `data\u002Fhle_loader.py`, `data\u002Fgaia_loader.py`\n- **Viz**: `visualization\u002Fvis_dataset.py`, `visualization\u002Fvis_output.py`\n\n## 🧪 Experimental Results\n\nUsing o4-mini-2025-04-16 as our base model, we have achieved leading results on a small-scale HLE dataset by implementing an **end-to-end pipeline** that leverages the **ReAct** framework with integrated **planning, action, memory and reflection** modules. The project requires further testing and refinement. We invite the open-source community to join us in shaping the future of this work. Let's build together!\n\n## ℹ️ Feedback\n\nWe welcome all forms of feedback! Please raise an issue for bugs, questions, or suggestions. This helps our team address common problems efficiently and builds a more productive community.\n\n## 🤝 Contributors\n\n**Student Contributors**: [**Daoyu Wang**](https:\u002F\u002Fmelmaphother.github.io), [**Qingchuan Li**](https:\u002F\u002Fgithub.com\u002Fqingchuanli), [**Tian Gao**](https:\u002F\u002Fgithub.com\u002FSkyeGT), [**Shuo Yu**](https:\u002F\u002Ffishsure.github.io), [**Xiaoyu Tao**](https:\u002F\u002FXiaoyu-Tao.github.io), [**Ze Guo**](https:\u002F\u002Fgithub.com\u002FKawai1Angel)\n\n**Supervisors**: [**Qi Liu**](http:\u002F\u002Fstaff.ustc.edu.cn\u002F~qiliuql\u002F), [**Mingyue Cheng**](https:\u002F\u002Fmingyue-cheng.github.io\u002F)\n\n**Affiliation**: **State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China**\n\n## 🥰 Acknowledgements\n\nWe extend our gratitude to [OAgent](https:\u002F\u002Fgithub.com\u002FOPPO-PersonalAI\u002FOAgents) for providing the OAgent and hard work in engineering. We are also thankful to the [smolagent](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fsmolagents) team for their fundamental support. Lastly, we deeply appreciate the insightful discussions and contributions from Daoyu Wang, Qingchuan Li, Tian Gao, Shuo Yu, Xiaoyu Tao, Ze Guo.\n\n## ✍️ Citation\n\n**Science-Star**\n\n```md\n@misc{Science-Star,\nauthor = {Daoyu Wang, Qingchuan Li, Tian Gao, Shuo Yu, Xiaoyu Tao, Mingyue Cheng, Qi Liu},\ntitle = {Science-Star: An Open Platform for Building, Extending, and Experimenting with Scientific Agents.},\nyear = {2025},\norganization = {GitHub},\nurl = {https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star},\n}\n```\n","\u003Ch1 align=\"center\">🌟 Science-Star — 您的科学AI智能体\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\u003Ci>构建、扩展并实验科学智能体。一个平台，零摩擦。\u003C\u002Fi>\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fstargazers\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FMelmaphother\u002FScience-Star\" alt=\"GitHub仓库星标数\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fnetwork\u002Fmembers\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FMelmaphother\u002FScience-Star\" alt=\"GitHub仓库叉数\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMelmaphother_Science-Star_readme_b9d0f513a518.png\" width=\"900px\" alt=\"智能体 vs 工作流\" \u002F>\u003Cbr>\n\u003Ci>由通义万相生成。\u003C\u002Fi>\n\u003C\u002Fp>\n\n## 📢 新闻\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>近期更新\u003C\u002Fb>\u003C\u002Fsummary>\n\n- [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` \u002F `run_single_agent.py`），以及更 streamlined的项目结构。\n- [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。\n\n\u003C\u002Fdetails>\n\n## 🧠 概述\n\n**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。\n\n> **也请查看 [Awesome-Agent-Craft](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FAwesome-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。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMelmaphother_Science-Star_readme_e9a0d05ac101.png\" width=\"900px\" alt=\"RICO框架\" \u002F>\u003C\u002Fp>\n\n## 🔥 核心特性\n\n- **🔧 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\u002F音频\u002F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。\n- **🤖 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。\n- **📊 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。\n\n## 🚩 路线图\n\n- **领域工具**: 化学、生物学及其他科学工具包\n- **更多架构**: 不止于 ReAct — 新型智能体范式\n- **更多基准**: 额外的数据集和评估套件\n\n## 🚀 开始使用\n\n1. **配置环境** — conda、smolagents、API密钥及测试。→ [安装指南](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Finstallation.md)\n2. **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](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Fquickstart.md)\n3. **探索架构** — 工具、加载器、RAG、配置及其连接方式。→ [项目结构](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Fproject_structure.md)\n\n## 🛠️ 扩展\n\n- **工具**: `science_star\u002Ftools\u002F` — 搜索、爬取、PDF、浏览器、检索器\n- **加载器**: `data\u002Fhle_loader.py`、`data\u002Fgaia_loader.py`\n- **可视化**: `visualization\u002Fvis_dataset.py`、`visualization\u002Fvis_output.py`\n\n## 🧪 实验结果\n\n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！\n\n## ℹ️ 反馈\n\n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。\n\n## 🤝 贡献者\n\n**学生贡献者**: [**Daoyu Wang**](https:\u002F\u002Fmelmaphother.github.io)、[**Qingchuan Li**](https:\u002F\u002Fgithub.com\u002Fqingchuanli)、[**Tian Gao**](https:\u002F\u002Fgithub.com\u002FSkyeGT)、[**Shuo Yu**](https:\u002F\u002Ffishsure.github.io)、[**Xiaoyu Tao**](https:\u002F\u002FXiaoyu-Tao.github.io)、[**Ze Guo**](https:\u002F\u002Fgithub.com\u002FKawai1Angel)\n\n**指导老师**: [**Qi Liu**](http:\u002F\u002Fstaff.ustc.edu.cn\u002F~qiliuql\u002F)、[**Mingyue Cheng**](https:\u002F\u002Fmingyue-cheng.github.io\u002F)\n\n**所属单位**: **中国科学技术大学认知智能国家重点实验室**\n\n## 🥰 致谢\n\n我们衷心感谢 [OAgent](https:\u002F\u002Fgithub.com\u002FOPPO-PersonalAI\u002FOAgents) 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](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fsmolagents) 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。\n\n## ✍️ 引用\n\n**Science-Star**\n\n```md\n@misc{Science-Star,\nauthor = {Daoyu Wang, Qingchuan Li, Tian Gao, Shuo Yu, Xiaoyu Tao, Mingyue Cheng, Qi Liu},\ntitle = {Science-Star: 一个用于构建、扩展和实验科学智能体的开源平台。},\nyear = {2025},\norganization = {GitHub},\nurl = {https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star},\n}\n```","# Science-Star 快速上手指南\n\nScience-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。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (WSL2 推荐)\n*   **Python 版本**：3.9 或更高\n*   **包管理器**：推荐使用 `conda` 或 `mamba` 管理环境\n*   **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\n\n## 安装步骤\n\n### 1. 创建并激活虚拟环境\n推荐使用 conda 创建隔离环境：\n\n```bash\nconda create -n science-star python=3.10 -y\nconda activate science-star\n```\n\n### 2. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star.git\ncd Science-Star\n```\n\n> **国内加速提示**：如果 GitHub 克隆速度慢，可使用国内镜像源：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Fmirror\u002FScience-Star.git  # 示例镜像地址，请以实际可用源为准\n> # 或者使用 gitclone.com\n> git clone https:\u002F\u002Fgitclone.com\u002Fgithub.com\u002FMelmaphother\u002FScience-Star.git\n> ```\n\n### 3. 安装依赖\n项目依赖 `smolagents` 及其他核心库。请安装项目要求的依赖包：\n\n```bash\npip install -r requirements.txt\n```\n\n若需加速 pip 下载，推荐使用清华或阿里源：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 4. 配置环境变量\n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：\n\n```bash\ncp .env.example .env\n# 编辑 .env 文件，填入如下内容：\n# OPENAI_API_KEY=your_key_here\n# SERPAPI_API_KEY=your_key_here\n# ...其他所需密钥\n```\n\n## 基本使用\n\nScience-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。\n\n### 1. 运行基准测试实验\n使用一行命令即可在 HLE 或 GAIA 数据集上运行实验。\n\n**运行单智能体模式：**\n```bash\npython run_single_agent.py --benchmark hle --model o4-mini-2025-04-16\n```\n\n**运行多智能体模式（CodeAgent + Search Agent）：**\n```bash\npython run_multi_agent.py --benchmark gaia --model o4-mini-2025-04-16\n```\n\n> 参数说明：\n> *   `--benchmark`: 选择数据集 (`hle` 或 `gaia`)\n> *   `--model`: 指定使用的基础大模型\n\n### 2. 启动可视化看板\n实验完成后，可以使用 Streamlit 查看结果分析和数据探索面板：\n\n```bash\nstreamlit run visualization\u002Fvis_dataset.py\nstreamlit run visualization\u002Fvis_output.py\n```\n\n### 3. 自定义扩展\n*   **添加新工具**：在 `science_star\u002Ftools\u002F` 目录下编写新工具类。\n*   **加载新数据**：修改 `data\u002F` 目录下的 loader 文件（如 `hle_loader.py`）。\n*   **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。\n\n更多详细配置和项目结构说明，请参阅项目文档中的 [Quick Start](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Fquickstart.md) 和 [Project Structure](https:\u002F\u002Fgithub.com\u002FMelmaphother\u002FScience-Star\u002Fblob\u002Fmain\u002Fdocs\u002Fproject_structure.md)。","某生物信息学研究员正试图构建一个能自动查阅最新文献、解析 PDF 数据并编写分析代码的智能体，以加速癌症标志物的筛选工作。\n\n### 没有 Science-Star 时\n- **重复造轮子**：需手动集成 SerpAPI 搜索、PDF 解析器和代码执行环境，花费数周搭建基础框架而非专注科研逻辑。\n- **架构僵化**：若想从单智能体切换为“搜索 + 编码”多智能体协作模式，必须重构核心代码，极易引入 Bug。\n- **评估困难**：缺乏内置的 HLE 或 GAIA 基准测试支持，难以量化智能体在复杂科学任务中的真实表现。\n- **黑盒调试**：缺少端到端的可视化面板，无法直观追踪智能体的规划、记忆与反思过程，排查错误如同大海捞针。\n\n### 使用 Science-Star 后\n- **开箱即用**：直接调用内置的丰富工具箱（如 Jina 爬取、PDF 解析、RAG 检索），一天内即可部署具备完整能力的科学智能体。\n- **灵活切换**：仅通过修改配置文件，即可无缝在单智能体与多智能体架构间切换，核心业务逻辑无需任何改动。\n- **一键评测**：利用集成的 HLE\u002FGAIA 加载器和评分器，瞬间完成基准测试，并通过 Streamlit 仪表盘直观分析实验数据。\n- **透明可溯**：借助原生可视化功能，清晰复盘智能体的每一步推理与行动轨迹，快速定位并优化决策短板。\n\nScience-Star 让科研人员从零摩擦地构建、扩展和验证科学 AI 智能体，将原本数月的工程搭建期缩短为几天的实验迭代期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMelmaphother_Science-Star_b9d0f513.png","Melmaphother","Daoyu Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMelmaphother_fc3d543d.jpg","Student of University of Science and Technology of China @USTC","University of Science and Technology of China","Hefei,Anhui",null,"https:\u002F\u002Fmelmaphother.github.io\u002F","https:\u002F\u002Fgithub.com\u002FMelmaphother",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",99.7,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.3,748,53,"2026-03-27T12:07:08","MIT","未说明",{"notes":99,"python":97,"dependencies":100},"README 中未详细列出具体的系统、硬件及 Python 版本要求，仅指出需配置 conda 环境、安装 smolagents 库并设置 API 密钥。项目支持多智能体架构（CodeAgent + search agent），内置 HLE 和 GAIA 基准测试工具，并依赖 SerpAPI、Tavily、Jina 等外部服务。具体安装步骤需参考项目文档中的 Installation 链接。",[101,102],"smolagents","streamlit",[46,15],[105,106,107],"agent","science","platform","2026-03-27T02:49:30.150509","2026-04-06T09:46:14.454496",[],[]]