# DeepScientist
**Repository Path**: local-scholar/DeepScientist
## Basic Information
- **Project Name**: DeepScientist
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-11-24
- **Last Updated**: 2026-07-12
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
DeepScientist
GitHub |
English README |
中文文档 |
论文 |
官网
15 分钟本地部署 ·
一题一仓库 ·
研究过程可回看 ·
人类可随时接管
内建 runner：Codex（主路径）、Claude Code、Kimi Code、OpenCode
快速开始 •
启动第一个课题 •
产品导览 •
Codex 配置 •
Claude 配置 •
Kimi 配置 •
OpenCode 配置
维护者入口：BenchStore YAML 编写指南
5.12 更新：v1.6.0 已发布，新增 Claude Code、OpenCode、Kimi Code、BenchStore 与科学证据工作流支持。
与一次性 **The AI Scientist** 或 **autoresearch** 风格系统不同，DeepScientist 是一个**本地优先的自治 AI 科研工作室**，**10 分钟即可启动**，并能在你的机器上持续推进从 **Baseline**、**多轮实验** 到 **论文级产出** 的完整科研闭环。依靠 **Findings Memory**、**贝叶斯优化** 和 **Research Map**，它会把每个新结果继续变成下一轮优化的起点，并在需要时通过更深入、更广泛的探索推进 **成百上千次实验验证**。
如果你想了解 DeepScientist 的技术细节，欢迎观看[视频](https://event.baai.ac.cn/activities/962)。
---
https://github.com/user-attachments/assets/16e3d346-7b27-41ef-bf3c-dc169aed3911
## 还在把时间花在科研体力活上吗？
很多研究者真正被消耗掉的，不是“想不到 idea”，而是这些每天重复出现的低杠杆工作：
- 新论文一直在来，但真正能沉淀成下一步研究计划的很少
- Baseline 拉下来之后，环境、依赖、数据、脚本问题能卡掉大半天
- 实验跑了很多轮，结果散在终端、脚本、笔记和聊天记录里，后面几乎无法复盘
- 写作、图表、分析分散在不同工具里，最后拼成论文时非常痛苦
DeepScientist 想解决的，就是这件事：
> 把原本碎片化、反复劳动、容易丢状态的科研过程，变成一个可以持续推进、持续积累、持续复用的本地 AI 工作区。
## DeepScientist 不是另一个“科研聊天机器人”
它不是只会总结论文、给你灵感、然后把真正的脏活累活继续留给你的工具。
它更像一个真正能长期一起干活的 AI 科研搭档：
| 普通 AI 工具常见状态 | DeepScientist 的做法 |
|---|---|
| 会聊天，但上下文容易丢 | 把任务、文件、分支、产物、记忆都沉淀成可持续状态 |
| 能给建议，但很难持续落地 | 从论文、Baseline、实验到写作在同一工作区推进 |
| 自动化强，但过程像黑盒 | 你可以在 Web 工作区、Canvas、文件和终端里随时检查过程 |
| 一旦跑偏，人类很难接手 | 任何时候都可以中断、接管、改计划、改代码、继续跑 |
| 本轮结束就结束了 | 失败路线、有效路线、复现经验都能变成下一轮的输入 |
## 关于
> DeepScientist 不是一次性跑完的 Agent demo，而是一个真正面向长期科研工作的系统。
## 它能替你把哪些事真的做起来？
### 1. 从论文和问题出发，启动一个真实课题
- 输入一篇核心论文、一个 GitHub 仓库，或一段自然语言研究目标
- 系统会把这些输入整理成一个真正可执行的 quest，而不是一段很快消失的聊天
### 2. 复现 Baseline，并保留可复用的复现资产
- 拉取仓库、准备环境、处理依赖、跟踪关键问题
- 把“哪里踩坑了、怎么修好的、哪些步骤可靠”留下来，供后续轮次继续使用
### 3. 持续做实验，而不是只跑一次就结束
- 基于已有结果提出下一轮假设
- 开分支、做消融、比对结果、记录结论
- 让失败路线也成为资产，而不是被覆盖掉
### 4. 把结果转化成能发出去的材料
- 整理实验现象、结论和分析
- 产出图表、报告和论文草稿
- 支持本地 PDF / LaTeX 编译路径
### 5. 在不同界面持续跟进研究进展
- 浏览器中的 Web 工作区
- 服务器上的 TUI 工作流
- 外部 Connector 协作入口
目前文档已经覆盖这些协作面：
- [微信](docs/zh/10_WEIXIN_CONNECTOR_GUIDE.md)
- [QQ](docs/zh/03_QQ_CONNECTOR_GUIDE.md)
- [Telegram](docs/zh/16_TELEGRAM_CONNECTOR_GUIDE.md)
- [WhatsApp](docs/zh/17_WHATSAPP_CONNECTOR_GUIDE.md)
- [Feishu](docs/zh/18_FEISHU_CONNECTOR_GUIDE.md)
- [灵珠 / Rokid](docs/zh/04_LINGZHU_CONNECTOR_GUIDE.md)
## 为什么它更容易让人“用下去”？
真正能留下用户的，不是一个炫技 demo，而是一个越用越顺手、越用越有积累的系统。
DeepScientist 最容易让人持续使用的原因有四个：
### 本地优先
- 代码、实验、论文草稿和项目状态默认留在你自己的机器或服务器
- 对未发表 idea、更敏感的实验过程、更长周期的课题更友好
### 一题一仓库
- 每个 quest 都是一个真实 Git 仓库
- 分支、worktree、文件和产物天然就能表达研究结构
### 研究过程不是黑盒
- 不是只给你一个结果
- 你可以看到它读了什么、改了什么、保留了什么、下一步准备做什么
### 人机协作而不是完全放手
- DeepScientist 可以自主推进
- 你也可以随时停下来接手、修改、纠偏，再把控制权交还回去
## 为什么现在值得试？
因为这不是一个只停留在概念层的想法，而是一个已经具备公开资料、公开文档、公开安装路径的真实系统。
- `2026/03/24`：DeepScientist 正式发布 `v1.5`
- `2026/02/01`：论文已上线 [OpenReview](https://openreview.net/forum?id=cZFgsLq8Gs)，对应 `ICLR 2026`
- 已提供 npm 安装路径：[`@researai/deepscientist`](https://www.npmjs.com/package/@researai/deepscientist)
- 已提供中文、英文文档，以及 Web / TUI / Connector 使用入口
## 产品预览
### 架构总览
### 示例输出
|
|
论文输出示例 1
论文级交付物可以直接保存在 quest 内部，而不是散落在外部工具里。
|
论文输出示例 2
DeepScientist 可以把工作一路带到写作、审稿、图表打磨和导出。
|
### 工作区预览
|
|
|
Start Research
从论文、仓库或自然语言目标快速启动一个 quest。
|
Canvas
以可视化方式查看分支、Baseline 和累积起来的研究结构。
|
Studio + Details
在同一工作区里查看指标、trace 和项目状态。
|
### 进度汇报
### 长时间运行后的项目面板
## 谁最适合用 DeepScientist？
- 想复现论文并继续往上推结果的研究生和工程师
- 需要长期跑实验、消融和结构化结果分析的实验室或研究团队
- 想把代码、实验、笔记、写作统一放在一个工作区的人
- 不想把未发表的 idea 和中间产物直接丢到纯云端流程里的用户
- 想在服务器跑任务，但通过 Web、TUI 或消息入口跟进进展的人
## DeepScientist 背后的核心理念
我们认为，一个真正适合科研工作的系统，至少应该满足这些原则：
- 一题一仓库，而不是让所有状态在短对话里蒸发
- 分支和 worktree 应该自然表达研究路线，而不是被硬塞进聊天历史
- 失败路线应该被保留、总结和复用，而不是被覆盖
- 人类研究者始终保有接管权，而不是被锁在流程外
- 研究过程应该可审阅、可检查、可追责，而不是只剩“模型说它做了”
如果这正是你想要的工作方式，那 DeepScientist 值得现在就试。
## 🚀 30 秒开始上手
如果你现在就想试一下，建议先按下面两种方式选择：自己执行 npm 命令，或者把安装交给已经在用的代码工具。
平台说明：DeepScientist 完整支持 Linux 和 macOS。Windows 原生支持目前仍然是实验性的，强烈建议优先使用 WSL2。
### 方式一：手动安装（npm）
适合你已经知道要用哪个 runner，并且想自己控制安装、登录和启动命令。
DeepScientist 现在内建四条 runner 路径：
- `codex`：主路径，也是目前最稳妥的路径
- `claude`：supported experimental，适合你本机里的 `claude` 已经能直接工作时使用
- `kimi`：supported experimental，适合你本机里的 `kimi` 已经能直接工作时使用
- `opencode`：supported experimental，适合你本机里的 `opencode` 已经能直接工作时使用
如果你已经把其中一个 CLI 跑通了，DeepScientist 通常就可以直接接上它，不需要你把整套环境重新折腾一遍。
你也可以把启动思路理解成一句话：先带来一个已经可用的 runner，DeepScientist 再把它包成一个能长期推进的本地科研工作区。
如果你只是想先走最稳的一条，优先从 Codex 开始。
🎯 推荐第一次先走 `codex`
```bash
npm install -g @researai/deepscientist
codex login
ds --here
```
如果 Claude Code 已经在你的 shell 里直接可用，可以走这条：
```bash
npm install -g @researai/deepscientist
claude --version
ds doctor --runner claude
ds --here --runner claude
```
如果 Kimi Code 已经在你的 shell 里直接可用，可以走这条：
```bash
npm install -g @researai/deepscientist
kimi --version
ds doctor --runner kimi
ds --here --runner kimi
```
如果 OpenCode 已经在你的 shell 里直接可用，可以走这条：
```bash
npm install -g @researai/deepscientist
opencode --version
ds doctor --runner opencode
ds --here --runner opencode
```
如果你要接 Gemini 或 Ollama，先看对应 runner 文档，不要直接在 DeepScientist 里猜字段：
- Gemini：优先看 [OpenCode 配置指南](docs/zh/25_OPENCODE_PROVIDER_SETUP.md)
- Ollama：可选 Codex、Claude Code 或 OpenCode，先看 [本地模型后端指南](docs/zh/21_LOCAL_MODEL_BACKENDS_GUIDE.md)
如需停止当前本地托管 daemon 和所有运行中的 agent：
```bash
ds --stop
```
🛠 如果你更喜欢从 `git clone` 的源码仓库安装，而不是直接走 npm，也可以这样：
```bash
git clone https://github.com/ResearAI/DeepScientist.git
cd DeepScientist
bash install.sh
ds
```
### 方式二：让代码工具自动安装
适合你已经在使用 Codex、Claude Code、OpenCode、Cursor 或其他代码 agent。步骤只有两步：
1. 在一个你愿意安装 DeepScientist 的目录里启动代码工具。
2. 复制下面这段 prompt 发给它：
```text
请帮我在当前机器安装并启动 DeepScientist。官方仓库是 https://github.com/ResearAI/DeepScientist ，中文文档入口是 https://github.com/ResearAI/DeepScientist/blob/main/docs/zh/README.md 。请先检查 Node.js/npm、git、Python、操作系统和 shell 环境；如果适合全局 npm 安装，优先执行 npm install -g @researai/deepscientist 并验证 ds --help；如果源码安装更稳，请 git clone https://github.com/ResearAI/DeepScientist.git，进入 DeepScientist，按 README 执行 bash install.sh。安装后请确认我本机至少有一个 runner 可用，例如 codex、claude、opencode 或 kimi；先让对应 CLI 完成登录并独立跑通，再运行 ds doctor --runner ，最后用 ds --here 启动，并把本地访问地址和后续配置文档告诉我。
```
如果你还准备直接改 Web / TUI 源码，再额外安装前端依赖：
```bash
npm --prefix src/ui install
npm --prefix src/tui install
```
如果你更喜欢交互式首次配置，也可以先单独运行一次：
```bash
codex
```
如果安装 DeepScientist 后系统里仍然提示找不到 `codex`，不要假设 bundled 依赖已经正确链接，直接走显式修复路径：
```bash
npm install -g @openai/codex
which codex
codex login
```
如果 `which codex` 仍然没有输出，就先修好 npm global bin 路径，再重试 `codex login` 和 `ds doctor`。
关于 runner，还有一个重要说明：
- `codex`、`claude` 和 `opencode` 缺失时，DeepScientist 可以回退到 npm 安装里 bundled 的 helper copy；Kimi Code 默认按外部 CLI 处理，除非本地存在兼容的 `kimi` helper
- runner 的登录和 provider 配置仍然属于底层 CLI。请先让 `codex`、`claude`、`kimi` 或 `opencode` 在 shell 里独立跑通，再执行 `ds doctor --runner `
- 你也可以先用默认 runner 启动 DeepScientist，之后再到 Web 工作区设置里切换或配置 Claude Code、Kimi Code、OpenCode
启动后，默认本地地址是：
```text
http://127.0.0.1:20999
```
本地浏览器访问密码现在默认关闭。如果你希望本次启动启用本地访问密码，请这样启动：
```bash
ds --auth true
```
然后你只需要做三件事：
1. 点击 `Start Research`
2. 填入研究目标、Baseline 链接、论文链接或本地路径
3. 让 DeepScientist 在本地启动一个真正可持续推进的研究项目
如果你是第一次运行，建议优先在隔离环境、非 root 用户和本地机器上开始。完整说明见：
- [00 快速开始](docs/zh/00_QUICK_START.md)
- [15 Codex Provider 配置](docs/zh/15_CODEX_PROVIDER_SETUP.md)
- [24 Claude Code 配置指南](docs/zh/24_CLAUDE_CODE_PROVIDER_SETUP.md)
- [27 Kimi Code 配置指南](docs/zh/27_KIMI_CODE_PROVIDER_SETUP.md)
- [25 OpenCode 配置指南](docs/zh/25_OPENCODE_PROVIDER_SETUP.md)
- [09 启动诊断](docs/zh/09_DOCTOR.md)
## 🧭 选择你的上手方式
### ⚡ 我只想先跑起来看看
- [00 快速开始](docs/zh/00_QUICK_START.md)
- [12 引导式工作流教程](docs/zh/12_GUIDED_WORKFLOW_TOUR.md)
### 🧪 我想今天就启动一个真实课题
- [02 Start Research 参考](docs/zh/02_START_RESEARCH_GUIDE.md)
- [01 设置参考](docs/zh/01_SETTINGS_REFERENCE.md)
### 🖥 我主要在服务器和终端里工作
- [05 TUI 指南](docs/zh/05_TUI_GUIDE.md)
包含 `ds --tui --debug`、脱敏 debug JSONL，以及 Web/TUI 对照排查方法。
### 🔌 我想接自己的模型或外部协作面
- [15 Codex Provider 配置](docs/zh/15_CODEX_PROVIDER_SETUP.md)
- [24 Claude Code 配置指南](docs/zh/24_CLAUDE_CODE_PROVIDER_SETUP.md)
- [27 Kimi Code 配置指南](docs/zh/27_KIMI_CODE_PROVIDER_SETUP.md)
- [25 OpenCode 配置指南](docs/zh/25_OPENCODE_PROVIDER_SETUP.md)
- [21 本地模型后端指南](docs/zh/21_LOCAL_MODEL_BACKENDS_GUIDE.md)
- [微信连接器指南](docs/zh/10_WEIXIN_CONNECTOR_GUIDE.md)
- [QQ 连接器指南](docs/zh/03_QQ_CONNECTOR_GUIDE.md)
- [Telegram Connector 指南](docs/zh/16_TELEGRAM_CONNECTOR_GUIDE.md)
- [WhatsApp Connector 指南](docs/zh/17_WHATSAPP_CONNECTOR_GUIDE.md)
- [Feishu Connector 指南](docs/zh/18_FEISHU_CONNECTOR_GUIDE.md)
### 🧠 我想先理解它的系统设计
- [文档总览](docs/zh/README.md)
- [核心架构说明](docs/zh/13_CORE_ARCHITECTURE_GUIDE.md)
- [Prompt、Skills 与 MCP 指南](docs/zh/14_PROMPT_SKILLS_AND_MCP_GUIDE.md)
## 自主科研系统
### 端到端自主科研系统
| 系统 | 类型 | E2E | Research Map | Workshop | 持续生长 | 渠道协作 | 图表 / Rebuttal / Review |
|---|---|---|---|---|---|---|---|
| [autoresearch](https://github.com/karpathy/autoresearch) | 开源 | | | ✓ | | | |
| [RD-Agent](https://github.com/microsoft/RD-Agent) | 开源 | | | | ✓ | | |
| [Agent Laboratory](https://github.com/SamuelSchmidgall/AgentLaboratory) | 开源 | ✓ | | ✓ | ✓ | | |
| [AI-Scientist](https://github.com/SakanaAI/AI-Scientist) | 开源 | ✓ | | | | | |
| [AI-Scientist-v2](https://github.com/SakanaAI/AI-Scientist-v2) | 开源 | ✓ | | | | | |
| [AutoResearchClaw](https://github.com/aiming-lab/AutoResearchClaw) | 开源 | ✓ | | | ✓ | ✓ | |
| [ClawPhD](https://github.com/ZhihaoAIRobotic/ClawPhD) | 开源 | | | ✓ | | ✓ | |
| [Dr. Claw](https://github.com/OpenLAIR/dr-claw) | 开源 | ✓ | | ✓ | | ✓ | |
| [FARS](https://analemma.ai/fars/) | 闭源 | ✓ | | | | | |
| [EvoScientist](https://github.com/EvoScientist/EvoScientist) | 开源 | ✓ | | ✓ | ✓ | ✓ | |
| [ScienceClaw](https://github.com/beita6969/ScienceClaw) | 开源 | | | | ✓ | ✓ | |
| [claude-scholar](https://github.com/Galaxy-Dawn/claude-scholar) | 开源 | ✓ | | ✓ | ✓ | | |
| [Research-Claw](https://github.com/wentorai/Research-Claw) | 开源 | ✓ | | ✓ | ✓ | ✓ | |
| [DeepScientist](https://github.com/ResearAI/DeepScientist) | 开源 | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
## 文档
- [中文文档总览](docs/zh/README.md)
- [English Docs Index](docs/en/README.md)
## 更多 ResearAI 项目
如果你喜欢 DeepScientist，也可以一起看看 ResearAI 的其他项目：
| 项目 | 说明 | Stars |
|---|---|---|
| **[MeOS](https://github.com/ResearAI/MeOS)** | 把你自己 Fork 成一个 Skill，让 agent 更懂你 |  |
| [AutoFigure](https://github.com/ResearAI/AutoFigure) | 生成论文级图表 |  |
| [AutoFigure-Edit](https://github.com/ResearAI/AutoFigure-Edit) | 生成可编辑矢量论文图 |  |
| [DeepReviewer-v2](https://github.com/ResearAI/DeepReviewer-v2) | 论文审稿与修改建议 |  |
| [Awesome-AI-Scientist](https://github.com/ResearAI/Awesome-AI-Scientist) | AI Scientist 项目导航 |  |
## NLPCC 2026 AISB Challenge
如果你想在真实场景里 benchmark 或继续扩展 AI scientist 系统，NLPCC 2026 AISB shared task 是一个自然的下一站：
- [Registration](http://tcci.ccf.org.cn/conference/2026/shared-tasks/)
- [Task Repository](https://github.com/ResearAI/NLPCC-2026-Task9-AISB)
## 面向开发者与维护者
如果你正在开发或维护 DeepScientist，可以继续看：
- [Architecture](docs/en/90_ARCHITECTURE.md)
- [Development Guide](docs/en/91_DEVELOPMENT.md)
- [CONTRIBUTING](CONTRIBUTING.md)
## 引用
如果 DeepScientist 对你的论文、报告或研究工作流产生了实质性帮助，我们强烈建议你引用 DeepScientist 论文，并诚实披露有意义的 AI assistance。
这里强调一下：这是一项温和但明确的学术归因请求，不是额外的软件许可证条件。
相关入口：
- 论文链接：`https://openreview.net/forum?id=cZFgsLq8Gs`
- 仓库引用元数据：[CITATION.cff](CITATION.cff)
- 引用与致谢说明：[docs/zh/26_CITATION_AND_ATTRIBUTION.md](docs/zh/26_CITATION_AND_ATTRIBUTION.md)
- 名称与 Logo 使用说明：[TRADEMARK.md](TRADEMARK.md)
可直接参考的致谢模板：
```text
We used DeepScientist to assist parts of the research workflow, including selected planning, implementation, experiment orchestration, analysis, and/or writing support. Final judgments, claims, and reported real experimental results remain the responsibility of the human authors.
```
DeepScientist 由 Yixuan Weng、Weixu Zhao、Shichen Li、Zhen Lin、Minjun Zhu 共同开发。
```bibtex
@inproceedings{
weng2026deepscientist,
title={DeepScientist: Advancing Frontier-Pushing Scientific Findings Progressively},
author={Yixuan Weng and Minjun Zhu and Qiujie Xie and QiYao Sun and Zhen Lin and Sifan Liu and Yue Zhang},
booktitle={The Fourteenth International Conference on Learning Representations},
year={2026},
url={https://openreview.net/forum?id=cZFgsLq8Gs}
}
```
如果这正是你一直想要的科研工作流，欢迎给项目点一颗 Star。每一个 Star，都会帮 DeepScientist 更快地被更多真正需要它的研究者看到。
## 社区
欢迎加入微信讨论群。
## 路线图
我们正在把 DeepScientist 持续建设成一个长期维护的、本地优先的科研操作系统。
下一阶段会重点围绕四条主线推进：
### 1. 更深的科研闭环
- AI Scientist Benchmark，支持更真实、更系统的评测与比较
- 更顺滑的 baseline 自动上传、下载与复用
- 更强的实验回放、对比与论文输出能力
### 2. 更强的长程记忆
- 更强的 Memory 与 Findings Memory 机制
- 更好的跨运行、跨 quest 复用
- 在长时间项目里进一步减少重复试错和重复探索成本
### 3. 更丰富的多模态与协作工作流
- VideoAnything 一类多模态科研能力
- 更好的本地模型、connector，以及协作模式 / 全自动模式协同体验
- 在本地运行、多人协作、长时间自主推进等场景下，持续打磨一个更高效、更可靠的 DeepScientist 系统
### 4. 更强的安全性与更稳妥的部署
- 更安全的本地优先与服务器部署默认配置
- 更强的认证、权限控制与 connector 协作面保护
- 更少伪造、更低幻觉，以及更强的可验证输出能力
- 为长时间自主科研工作流提供更好的可审计性
如果你对这个方向感兴趣，欢迎点一个 `Watch` 和 `Star`：
[](https://github.com/ResearAI/DeepScientist/watchers)
[](https://github.com/ResearAI/DeepScientist/stargazers)
---
本项目由 WestlakeNLP 负责维护。如有问题，建议优先在 [DeepWiki](https://deepwiki.com/ResearAI/DeepScientist) 询问；如果仍无法解决，再通过 issue 汇报。
WestlakeNLP 由 ACL Fellow 张岳教授领导。有意申请长期实习、博士生、研究助理者，可联系张岳教授邮箱：`zhangyue@westlake.edu.cn`。