
FAROS
用蓝图编排 AI 智能体,把选题到论文评审全流程自动跑起来
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-10-22 · 当前星标 ★ 3044
使用教程
环境要求
- Python 3 环境(后端使用 python3 -m venv 创建虚拟环境)
- Node.js 与 npm(前端使用 npm ci / npm run dev)
- Git(用于克隆仓库)
- 可访问的 LLM 服务端点、API Key 与模型 ID
安装与启动步骤
-
1克隆仓库
把 FAROS 仓库克隆到本地并进入后端目录,后续命令都在 backend 下执行。
git clone https://github.com/OpenNSWM-Lab/FAROS.git cd FAROS/backend -
2创建并激活环境
在 backend 目录创建 Python 虚拟环境并激活,之后安装的依赖都装在该环境中。
python3 -m venv .venv source .venv/bin/activate -
3安装后端依赖
先升级 pip,再按 requirements.txt 安装后端依赖,网络慢时可换国内镜像。
python -m pip install --upgrade pip python -m pip install -r requirements.txt -
4启动后端服务
用 uvicorn 启动后端,监听 127.0.0.1:8005,--reload 便于开发调试。
uvicorn app.main:app --host 127.0.0.1 --port 8005 --reload -
5安装前端依赖
另开一个终端,回到仓库根目录进入 frontend,用 npm ci 按锁文件安装依赖。
cd frontend npm ci -
6启动前端服务
通过 VITE_API_BASE_URL 指向后端地址启动开发服务器,打开 5176 端口页面。
VITE_API_BASE_URL=http://127.0.0.1:8005 npm run dev -
7配置模型服务
在设置/LLM Providers 中选 Provider,填 API Key、Base URL 和模型名,保存后测试连接并设为当前使用项。
-
8走通科研流程
进入科研流程,描述研究问题,检查文献与候选选题,确认计划后生成代码、跑实验并在 ReviewX 审核。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
VITE_API_BASE_URL | 是 | 前端请求的后端地址,启动前端时通过环境变量传入 | http://127.0.0.1:8005 |
ACTIVE_PROVIDER_NAME | 否 | 指定使用的模型服务适配器,openai 表示兼容接口 | openai |
OPENAI_BASE_URL | 否 | 模型服务端点地址,实际调用目标由它和模型 ID 决定 | https://your-llm-endpoint.example/v1 |
OPENAI_API_KEY | 否 | 模型服务凭据,也可改在账号设置页填写 | sk-xxxxxxxx |
ACTIVE_MODEL_NAME | 否 | 指定当前使用的模型 ID | your_model_id |
FAROS_CREDENTIAL_KEY | 否 | 多用户部署时用于加密保存各用户凭据的稳定密钥 | faros-credential-key-xxxxxxxx |
如何确认成功
前端打开 http://127.0.0.1:5176 可正常加载,后端 http://127.0.0.1:8005/api/docs 能打开交互式 API 文档。
常见问题
Q:前端启动后接口调不通怎么办?
A:确认后端已在 127.0.0.1:8005 运行,并检查启动前端时的 VITE_API_BASE_URL 是否指向该地址,修改后需重启前端开发服务器。
Q:模型连接测试失败如何排查?
A:在设置/LLM Providers 中核对 Provider、API Key、Base URL 与模型名称是否正确,保存后重新运行连接测试,并把所选服务和模型设为当前使用项。
Q:环境变量和设置页配置哪个生效?
A:账号已保存的运行时配置优先于环境默认值,可在设置页核对当前实际生效的服务与模型。
Q:多用户部署要注意什么?
A:需设置稳定的 FAROS_CREDENTIAL_KEY,由可信反向代理完成认证并覆盖 X-Faros-User 请求头,同时限制后端被直连;详见部署指南。
Q:端口被占用启动失败怎么办?
A:README 只给出后端 8005、前端 5176 的默认端口,未提供修改步骤,建议先释放这两个端口再按原命令启动。
注意事项
- 前端命令要在仓库根目录下进入 frontend 后执行,后端命令在 backend 目录执行。
- source .venv/bin/activate 为 macOS/Linux 用法,Windows 需改用对应虚拟环境激活方式。
- 真实 API Key 应通过账号设置或服务器环境注入,切勿提交到 Git 仓库。
- 更完整的部署方式参考仓库中的 deploy/README.md。
核心亮点
- 用 blueprint 显式定义研究阶段和依赖,流程可复用、可追踪,比一次性 prompt 链更工程化
- 覆盖选题、实验、写作、评审的端到端编排,减少多工具手工切换
- Python 实现且面向 ai4science 场景,方便接入自有模型和实验环境
不足之处
- 项目较新,真实科研场景下的稳定性和效果验证仍待观察
- 端到端自动科研对领域知识和评审质量要求高,实际产出仍需人工把关
适用场景
- 科研团队批量探索研究方向并自动生成初步实验方案
- 高校实验室把文献调研到论文草稿的流程部分自动化
- AI4Science 开发者搭建可定制的研究智能体流水线
替代项目
AI-Scientist、Agent Laboratory
同类项目推荐
botonomous
开源
用 PHP 快速搭建能自主决策的 Slack 机器人
A PHP Framework For Creating Autonomous Slack Bots
qinyan-academic-skills
开源
装182个AI技能,学术研究全流程开挂
A curated, multilingual library of 182 installable AI agent skills for end-to-end ac···
jacobian
开源
给 AI 智能体装上可组合的数学计算与定理证明工具
Composable mathematics tools for agents
antigravity-testing-kit
开源
给测试人员的 AI 助手工具箱,开箱即用提升测试效率
Đây là bộ SKILL, WORKFLOW, RULE do Anh Tester xây dựng dành riêng cho cộng ···
adk-python
开源
代码优先,灵活构建生产级多智能体应用
An open-source, code-first Python toolkit for building, evaluating, and deploying so···
beekeeper
开源
用层级智能体编排复杂任务,自动分解执行并汇总结果
An implementation of a multi-agent task management system that enables hierarchical ···
gpt-all-star
开源
让AI代理团队协作,从零自动生成Web应用
AI-powered code generation tool for scratch development of web applications with a t···
decapod
开源
给AI智能体装上治理内核,让任务有界、收敛、可证明。
Repo-native governance kernel for bounded, convergent, proof-backed agent work.
agent-skills
开源
让 AI 智能体直接调用测试云,一句话跑完浏览器测试
AI agent skills for TestMu AI (Formerly LambdaTest).