📚 [论文] | 📝 [博客文章] | 📂 [ICLR2025工作坊实验]

完全自主的科学研究系统正变得越来越强大，而人工智能在变革科学发现方式方面发挥着关键作用。 我们非常高兴地推出 AI Scientist-v2，这是一个通用的端到端智能体系统，它生成了第一篇完全由人工智能撰写并经过同行评审接受的工作坊论文。

该系统能够自主生成假设、开展实验、分析数据并撰写科学论文。与其前身（AI Scientist-v1）不同，AI Scientist-v2 不再依赖人工编写的模板，能够在机器学习（ML）领域中泛化，并采用由实验管理智能体引导的渐进式智能体树搜索。

注意： AI Scientist-v2 并不一定能产出比 v1 更好的论文，尤其是在已有强大起始模板的情况下。v1 遵循明确的模板，成功率较高；而 v2 则采取更广泛、更具探索性的方法，成功率相对较低。v1 最适合目标清晰且基础扎实的任务，而 v2 则专为开放式科学探索设计。

警告！ 此代码库将执行由大型语言模型（LLM）编写的代码。这种自主性伴随着多种风险和挑战，包括可能使用危险的软件包、不受控制的网络访问以及产生意外进程的可能性。请务必在受控的沙盒环境中运行此代码（例如 Docker 容器）。请根据自身判断谨慎使用。

目录

1. 要求
   • 安装
   • 支持的模型和 API 密钥
2. 生成研究想法
3. 运行 AI Scientist-v2 论文生成实验
4. 引用 AI Scientist-v2
5. 常见问题
6. 致谢

要求

此代码设计用于在配备 NVIDIA GPU 并支持 CUDA 和 PyTorch 的 Linux 系统上运行。

安装

# 创建一个新的 conda 环境
conda create -n ai_scientist python=3.11
conda activate ai_scientist

# 安装支持 CUDA 的 PyTorch（请根据您的配置调整 pytorch-cuda 版本）
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

# 安装 PDF 和 LaTeX 工具
conda install anaconda::poppler
conda install conda-forge::chktex

# 安装 Python 包依赖
pip install -r requirements.txt

安装通常不超过一小时。

支持的模型和 API 密钥

OpenAI 模型

默认情况下，系统会使用 OPENAI_API_KEY 环境变量来调用 OpenAI 模型。

Gemini 模型

默认情况下，系统会使用 GEMINI_API_KEY 环境变量通过 OpenAI API 调用 Gemini 模型。

通过 AWS Bedrock 使用 Claude 模型

要使用亚马逊 Bedrock 提供的 Claude 模型，请安装必要的附加包：

pip install anthropic[bedrock]

接下来，配置有效的 AWS 凭证以及目标 AWS 区域，设置以下环境变量：AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY、AWS_REGION_NAME。

Semantic Scholar API（文献检索）

我们的代码可以选择性地使用 Semantic Scholar API 密钥 (S2_API_KEY) 来提高文献检索时的吞吐量 [如果您拥有该密钥]（https://www.semanticscholar.org/product/api）。此密钥在构思阶段和论文写作阶段都会被使用。即使没有该密钥，系统也能正常运行，不过在构思阶段可能会遇到速率限制或新颖性检查功能受限的情况。如果遇到 Semantic Scholar 方面的问题，您可以在论文生成过程中跳过引用环节。

设置 API 密钥

请确保为您打算使用的模型提供必要的 API 密钥作为环境变量。例如：

export OPENAI_API_KEY="YOUR_OPENAI_KEY_HERE"
export S2_API_KEY="YOUR_S2_KEY_HERE"
# 如果使用 Bedrock，请设置 AWS 凭证
# export AWS_ACCESS_KEY_ID="YOUR_AWS_ACCESS_KEY_ID"
# export AWS_SECRET_ACCESS_KEY="YOUR_AWS_SECRET_KEY"
# export AWS_REGION_NAME="your-aws-region"

生成研究思路

在运行完整的 AI Scientist-v2 实验流程之前，您需要先使用 ai_scientist/perform_ideation_temp_free.py 脚本生成潜在的研究思路。该脚本会基于您提供的高层次主题描述，利用大语言模型进行头脑风暴并优化思路，并通过与 Semantic Scholar 等工具交互来检验其新颖性。

1. 准备主题描述： 创建一个 Markdown 文件（例如 my_research_topic.md），用于描述您希望 AI 探索的研究领域或主题。该文件应包含 标题、关键词、简述 和 摘要 等部分，以界定研究的范围。请参考示例文件 ai_scientist/ideas/i_cant_believe_its_not_better.md 中的结构和内容格式。将您的文件放置在脚本可访问的位置（例如 ai_scientist/ideas/ 目录）。

2. 运行构思脚本： 从主项目目录执行该脚本，指向您的主题描述文件，并指定所需的 LLM。

   python ai_scientist/perform_ideation_temp_free.py \
    --workshop-file "ai_scientist/ideas/my_research_topic.md" \
    --model gpt-4o-2024-05-13 \
    --max-num-generations 20 \
    --num-reflections 5
   

   • --workshop-file: 您的主题描述 Markdown 文件的路径。
   • --model: 用于生成思路的大语言模型（请确保已设置相应的 API 密钥）。
   • --max-num-generations: 尝试生成的不同研究思路数量。
   • --num-reflections: 大语言模型对每条思路应执行的优化步骤次数。

3. 输出： 脚本将生成一个以输入 Markdown 文件命名的 JSON 文件（例如 ai_scientist/ideas/my_research_topic.json）。该文件将包含一系列结构化的研究思路，包括假设、拟议实验以及相关工作分析。

4. 进入实验阶段： 一旦获得包含研究思路的 JSON 文件，即可进入下一节，开始运行实验。

这一构思步骤能够引导 AI Scientist 聚焦于特定兴趣领域，并产出可在主实验流程中验证的具体研究方向。

运行 AI Scientist-v2 论文生成实验

借助上一步构思阶段生成的 JSON 文件，现在可以启动 AI Scientist-v2 的主流程。该流程包括通过智能体树搜索执行实验、分析结果并生成论文草稿。

通过命令行参数指定撰写和评审阶段所使用的模型。 最佳优先树搜索（BFTS）的配置位于 bfts_config.yaml 文件中。请根据需要调整该文件中的参数。

bfts_config.yaml 中的关键树搜索配置参数：

• agent 配置：
  • 设置 num_workers（并行探索路径的数量）和 steps（最大探索节点数）。例如，若 num_workers=3 且 steps=21，则树搜索将最多探索 21 个节点，每一步同时扩展 3 个节点。
  • num_seeds：通常应与 num_workers 相同，前提是 num_workers 不超过 3。否则，应将 num_seeds 设为 3。
  • 注意：当前版本未使用其他代理参数，如 k-fold_validation、expose_prediction 和 data_preview。
• search 配置：
  • max_debug_depth: 代理尝试调试失败节点的最大次数，超过此值将放弃该搜索路径。
  • debug_prob: 尝试调试失败节点的概率。
  • num_drafts: 第一阶段初始根节点的数量（即要生长的独立树的数量）。

以下是一个使用生成的想法文件（例如 my_research_topic.json）运行 AI Scientist-v2 的示例命令。请参阅 bfts_config.yaml 查看详细的树搜索参数（默认配置使用 claude-3-5-sonnet 进行实验）。如果您不希望用代码片段初始化实验，请勿设置 load_code。

python launch_scientist_bfts.py \
 --load_ideas "ai_scientist/ideas/my_research_topic.json" \
 --load_code \
 --add_dataset_ref \
 --model_writeup o1-preview-2024-09-12 \
 --model_citation gpt-4o-2024-11-20 \
 --model_review gpt-4o-2024-11-20 \
 --model_agg_plots o3-mini-2025-01-31 \
 --num_cite_rounds 20

初始实验阶段完成后，您将在 experiments/ 目录内找到一个带有时间戳的日志文件夹。进入该文件夹中的 experiments/"timestamp_ideaname"/logs/0-run/，即可找到树状可视化文件 unified_tree_viz.html。 所有实验阶段结束后，将进入论文撰写阶段。撰写阶段通常总共耗时约 20 至 30 分钟。完成后，您应在 timestamp_ideaname 文件夹中看到 timestamp_ideaname.pdf。 对于本次示例运行，所有阶段通常可在数小时内完成。

引用 AI Scientist-v2

如果您在研究中使用了 AI Scientist-v2，请按如下方式引用我们的工作：

@article{aiscientist_v2,
  title={The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search},
  author={Yamada, Yutaro and Lange, Robert Tjarko and Lu, Cong and Hu, Shengran and Lu, Chris and Foerster, Jakob and Clune, Jeff and Ha, David},
  journal={arXiv preprint arXiv:2504.08066},
  year={2025}
}

常见问题解答

为什么我的实验没有生成 PDF 或评审报告？

AI Scientist-v2 完成实验的成功率取决于所选的基础模型以及研究想法的复杂程度。通常，使用 Claude 3.5 Sonnet 等强大模型进行实验阶段时，成功率会更高。

每个实验的预计成本是多少？

构思阶段的成本取决于所使用的大型语言模型及生成或反思的次数，但通常较低（几美元）。对于主要的实验流程，若在实验阶段使用 Claude 3.5 Sonnet，每次运行的成本大约为 15–20 美元。随后的写作阶段，若使用示例命令中指定的默认模型，则会额外增加约 5 美元。建议将 model_citation 设置为 GPT-4o，这有助于降低写作成本。

如何针对不同学科领域运行 AI Scientist-v2？

首先，执行【生成研究想法】步骤。按照示例文件 ai_scientist/ideas/i_cant_believe_its_not_better.md 的结构，创建一个新的 Markdown 文件，描述您希望研究的学科领域或主题。然后使用该文件运行 perform_ideation_temp_free.py 脚本，以生成对应的想法 JSON 文件。接下来，进入【运行 AI Scientist-v2 论文生成实验】步骤，通过 --load_ideas 参数将此 JSON 文件与 launch_scientist_bfts.py 脚本结合使用。

如果无法访问 Semantic Scholar API，我该怎么办？

Semantic Scholar API 用于评估生成想法的新颖性，并在论文撰写阶段收集引用文献。如果您没有 API 密钥或遇到速率限制，可以跳过这些步骤。

我遇到了“CUDA 内存不足”的错误，该怎么办？

此错误通常发生在 AI Scientist-v2 尝试加载或运行需要超过当前系统 GPU 可用内存的模型时。要解决这个问题，您可以尝试更新您的构思提示文件（ai_scientist/ideas/my_research_topic.md），建议在实验中使用较小的模型。

致谢

ai_scientist 目录中实现的树搜索组件基于 AIDE 项目构建。我们感谢 AIDE 开发者们的宝贵贡献，以及他们将其工作公开分享。

星标历史

⚖️ 许可与负责任使用

本项目采用 The AI Scientist 源代码许可协议（一种基于负责任 AI 许可协议的衍生版本）进行授权。

强制性披露： 使用本代码即表示您在法律上必须明确且显著地披露任何由此产生的科学手稿或论文中对 AI 的使用情况。

我们建议在论文的摘要或方法部分注明以下致谢：

“本论文由 The AI Scientist 自主生成。”

AI-Scientist-v2 快速上手指南

AI-Scientist-v2 是一个端到端的自主科学发现系统，能够通过代理树搜索（Agentic Tree Search）自动生成假设、运行实验、分析数据并撰写科学论文。本指南帮助中国开发者快速部署并运行该工具。

环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu)
• 硬件: 配备 CUDA 支持的 NVIDIA GPU
• 软件依赖:
  • Python 3.11
  • Conda (用于环境管理)
  • PyTorch (需匹配 CUDA 版本)
  • LaTeX 及 PDF 工具 (poppler, chktex)

前置依赖

确保系统已安装 git 和 conda。若使用国内网络，建议配置 Conda 和 Pip 的国内镜像源以加速下载。

安装步骤

1. 创建并激活 Conda 环境

conda create -n ai_scientist python=3.11
conda activate ai_scientist

2. 安装 PyTorch (推荐使用清华或中科大镜像)

根据您的 CUDA 版本调整 pytorch-cuda 版本号（示例为 12.4）：

# 使用清华大学镜像源安装 PyTorch
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch -c nvidia

3. 安装 PDF 和 LaTeX 工具

conda install anaconda::poppler
conda install conda-forge::chktex

4. 安装 Python 依赖包

# 可选：临时设置 pip 使用阿里云镜像
export PIP_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/

pip install -r requirements.txt

5. 配置 API Keys

该系统依赖大模型 API。请在终端导出相应的环境变量（替换为您的真实 Key）：

# OpenAI 模型
export OPENAI_API_KEY="YOUR_OPENAI_KEY_HERE"

# Google Gemini 模型
export GEMINI_API_KEY="YOUR_GEMINI_KEY_HERE"

# Semantic Scholar API (用于文献检索，可选但推荐)
export S2_API_KEY="YOUR_S2_KEY_HERE"

# 若使用 AWS Bedrock 调用 Claude 模型，还需配置：
# export AWS_ACCESS_KEY_ID="YOUR_AWS_ACCESS_KEY_ID"
# export AWS_SECRET_ACCESS_KEY="YOUR_AWS_SECRET_KEY"
# export AWS_REGION_NAME="your-aws-region"

⚠️ 安全警告：本工具会执行 LLM 生成的代码。请务必在隔离的沙箱环境（如 Docker 容器）中运行，以防止潜在的安全风险（如恶意包安装、未授权的网络访问等）。

基本使用

使用流程分为两步：生成研究思路 和 运行实验生成论文。

第一步：生成研究思路 (Ideation)

首先定义一个研究主题，让 AI 头脑风暴具体的研究假设。

1. 准备主题文件： 创建一个 Markdown 文件（例如 ai_scientist/ideas/my_topic.md），描述研究领域。参考项目内 ai_scientist/ideas/i_cant_believe_its_not_better.md 的格式，包含 Title, Keywords, TL;DR, Abstract 等字段。

2. 运行思路生成脚本：

   python ai_scientist/perform_ideation_temp_free.py \
    --workshop-file "ai_scientist/ideas/my_topic.md" \
    --model gpt-4o-2024-05-13 \
    --max-num-generations 20 \
    --num-reflections 5
   

   • --workshop-file: 上一步创建的主题文件路径。
   • --model: 用于生成思路的模型名称。
   • 运行结束后，将在同目录下生成 my_topic.json，包含结构化的研究假设和实验计划。

第二步：运行实验并生成论文 (Experiment & Writeup)

利用生成的 JSON 文件启动完整的自动化科研流程。

1. 配置文件调整 (可选)： 编辑 bfts_config.yaml 可调整树搜索参数（如并行 worker 数量 num_workers 和最大探索节点数 steps）。默认配置通常即可使用。

2. 启动主程序：

   python launch_scientist_bfts.py \
    --load_ideas "ai_scientist/ideas/my_topic.json" \
    --load_code \
    --add_dataset_ref \
    --model_writeup o1-preview-2024-09-12 \
    --model_citation gpt-4o-2024-11-20 \
    --model_review gpt-4o-2024-11-20 \
    --model_agg_plots o3-mini-2025-01-31 \
    --num_cite_rounds 20
   

   • --load_ideas: 指向第一步生成的 JSON 文件。
   • --model_writeup / --model_citation / --model_review: 分别指定用于撰写、引用和评审阶段的模型。

3. 查看结果：

   • 实验过程中，可在 experiments/<timestamp_ideaname>/logs/0-run/ 目录下查看 unified_tree_viz.html 了解搜索树进展。
   • 全部完成后（通常需数小时），最终的论文 PDF (<timestamp_ideaname>.pdf) 将生成在对应的实验文件夹中。