AI Scientist-v2：智能体树搜索驱动的自动化科研论文生成

一、项目概览

AI Scientist-v2 是由 SakanaAI 开发的一个通用端到端智能体系统，能够自主完成科学研究流程：提出假设、设计实验、运行实验、分析数据，并撰写科学论文。该项目在 GitHub 上获得了 3.6k Stars 和 545 Forks，成为 AI 自动化科研领域的标杆项目。

1.1 核心定位

AI Scientist-v2 的诞生代表了 AI 自动化科研的重大突破：

1. 完全自主的研究流程：从假设生成到实验设计，从结果分析到论文撰写，全流程无需人类干预
2. 超越模板限制：不同于 v1 版本依赖人类编写的模板，v2 版本实现了完全自主的开放式科学探索
3. 首个 AI 生成的 Workshop 论文被接收：ICLR Workshop 接收了完全由 AI Scientist-v2 生成的论文，开创了 AI 科研的新纪元

1.2 技术统计

1.3 v1 与 v2 对比

重要说明：v2 并不一定比 v1 产生更好的论文，特别是当有强起始模板可用时。v1 遵循明确的模板，成功率高；v2 采用更广泛、更具探索性的方法，成功率较低。

二、核心功能

2.1 假设生成（Ideation）

AI Scientist-v2 能够自主生成研究假设：

• 基于用户提供的研究主题描述（Markdown 格式）
• 通过 LLM 大脑风暴并精炼研究想法
• 访问 Semantic Scholar 检查新颖性
• 输出结构化的 JSON 格式研究想法

# 运行假设生成脚本
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

2.2 智能体树搜索（Agentic Tree Search）

这是 v2 版本的核心创新：

• 最佳优先树搜索（BFTS，Best-First Tree Search）：系统地探索多个实验路径
• 实验管理器智能体：指导整个探索过程
• 并行探索：可同时扩展多个节点
• 自适应调试：自动尝试修复失败的实验节点

关键参数配置（bfts_config.yaml）：

2.3 论文撰写

基于实验结果自动生成 LaTeX 论文：

• 分析实验数据
• 生成可视化图表
• 撰写 Introduction、Method、Experiment、Conclusion 等章节
• 生成参考文献
• 完整 PDF 输出

2.4 文献检索

集成 Semantic Scholar API：

• 搜索相关学术文献
• 检查假设的新颖性
• 自动生成参考文献引用

三、技术架构

3.1 系统流程

研究主题描述 (Markdown)
       ↓
[阶段1：假设生成]
       ↓
结构化研究想法 (JSON)
       ↓
[阶段2：智能体树搜索实验]
       ↓
实验结果 + 树可视化
       ↓
[阶段3：论文撰写]
       ↓
完整论文 PDF

3.2 支持的模型

AI Scientist-v2 支持多种 LLM 后端：

3.3 成本估算

一次完整运行的典型成本约为 $20-25。

3.4 项目结构

AI-Scientist-v2/
├── ai_scientist/              # 核心代码目录
│   ├── perform_ideation_temp_free.py   # 假设生成脚本
│   └── ideas/                 # 研究想法目录
├── bfts_config.yaml           # BFTS 树搜索配置
├── launch_scientist_bfts.py   # 主启动脚本
├── docs/                     # 文档
└── requirements.txt           # Python 依赖

四、快速开始

4.1 环境要求

• 操作系统：Linux（需 NVIDIA GPU）
• Python：3.11
• CUDA + PyTorch：GPU 计算支持
• LaTeX：PDF 文档生成

4.2 安装步骤

# 1. 创建 conda 环境
conda create -n ai_scientist python=3.11
conda activate ai_scientist

# 2. 安装 PyTorch（根据你的 CUDA 版本调整）
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c 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
pip install -r requirements.txt

4.3 配置 API Key

# OpenAI
export OPENAI_API_KEY="YOUR_OPENAI_KEY_HERE"

# Semantic Scholar（可选）
export S2_API_KEY="YOUR_S2_KEY_HERE"

# AWS（使用 Claude via Bedrock）
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"

4.4 运行完整流程

第一步：生成研究想法

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

第二步：运行实验并生成论文

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

五、使用指南

5.1 准备研究主题

创建一个 Markdown 文件描述研究领域：

# Title: 探索新的深度学习优化器

# Keywords:
深度学习, 优化器, 神经网络, 自适应学习率

# TL;DR:
提出一种新的自适应优化算法...

# Abstract:
我们提出一种...

5.2 理解树搜索结果

实验完成后，在 experiments/"timestamp"/logs/0-run/ 目录下可以找到：

• unified_tree_viz.html：树搜索过程的可视化
• 实验日志：每个节点的详细执行信息

5.3 故障排除

问题：没有生成 PDF 或审核结果

• 成功取决于选择的模型和想法的复杂性
• 建议使用 Claude 3.5 Sonnet 以获得更高成功率

问题：CUDA 内存不足

• 在研究主题文件中指定使用更小的模型
• 减少 num_workers 以降低并行度

六、安全与责任

6.1 警告

⚠️ Caution! 此代码将执行 LLM 生成的代码。存在多种与自主性相关的风险和挑战，包括潜在的危险包使用、不可控的网络访问，以及可能产生意外进程的可能性。确保在受控的沙箱环境中运行（例如 Docker 容器）。

6.2 强制性披露

根据许可证，使用此代码生成的科学论文必须：

• 在论文的显眼位置明确披露 AI 的使用
• 在摘要或方法部分添加适当的归属声明

推荐引用格式：

“This manuscript was autonomously generated using The AI Scientist.”

七、最佳实践

7.1 研究主题设计

• 提供清晰的研究领域描述
• 包含足够的背景信息帮助 LLM 理解研究 context
• 明确研究的目标和预期贡献

7.2 模型选择

7.3 成本优化

• 使用较便宜的模型进行引用生成（model_citation）
• 仔细选择 num_workers 和 steps 参数
• 在 ideation 阶段使用较小模型

八、常见问题

Q: AI Scientist-v2 和 v1 哪个更好？

A: 取决于你的需求。v1 适合有明确目标和良好基础的场景，成功率更高。v2 适合开放性科学探索，但成功率较低。

Q: 运行一次完整实验需要多少时间？

A: 完整流程通常需要数小时，具体取决于并行度和实验复杂度。

Q: 是否需要 GPU？

A: 是的，需要 NVIDIA GPU 和 CUDA 支持来运行深度学习实验。

Q: 如何处理 Semantic Scholar API 限制？

A: 可以跳过引用阶段，或者使用 S2_API_KEY 提高 API 限额。

九、总结

AI Scientist-v2 代表了 AI 自动化科研的前沿：

• ✅ 完全自主：从假设到论文，全流程无需人类干预
• ✅ 智能体树搜索：系统化探索实验空间
• ✅ 多模型支持：OpenAI、Gemini、Claude 均可使用
• ✅ 首个被接收的 AI 论文：证明了可行性

局限性：

• 成功率不如 v1 高
• 需要强大的 LLM 支持
• GPU 资源需求较高

无论你是 AI 研究者还是对自动化科研感兴趣，AI Scientist-v2 都是一个值得深入了解的项目。

相关资源：

• 📄 论文
• 📝 博客文章
• 🧪 ICLR2025 Workshop 实验
• 🐙 GitHub