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

开源 🏷️完全免费 🔧 仅开源项目,无在线服务,需自行部署 智能体 🍴 复刻 389 🐛 待处理 147 👀 关注 264
GitHub ↗
GitHub 星标 ★ 3044
维护状态 活跃
是否开源 开源
定价模式 🏷️完全免费 开源项目,定价信息待确认

项目数据

分类智能体
开发团队OpenNSWM-Lab
定价模式🏷️完全免费
价格说明开源项目,定价信息待确认
访问状态🔧 仅开源项目,无在线服务,需自行部署
是否开源是
开源协议MIT
主要语言Python
技术栈/模型academic-research,academic-writing,agentic-workflow,ai-for-science,ai-scientist,ai4science,automated-research,autonomous-research,autoresearch,llm-agents,multi-agent,paper-generation,paper-writing,research-agent,research-automation,research-orchestration,research-workflow,scientific-discovery,scientific-workflow,workflow-orchestration
GitHub 星标★ 3044
上线时间2026-05-13 00:00:00
代码更新2026-10-21
仓库体积7.5 MB
本站数据更新2026-10-22
维护状态活跃
收录时间2026-10-22
浏览次数0

项目介绍

FAROS 是一个面向 AI 科研自动化的蓝图驱动运行时,目标是把从选题构思、实验设计执行、结果分析到论文写作与同行评审的完整研究流程交给 AI 智能体编排。它解决的是科研工作流碎片化、人工串联成本高的问题:研究者通常需要在多个工具间手动切换,而 FAROS 用可复用的 blueprint 定义研究阶段与依赖关系,让智能体按计划推进任务并保持上下文连贯。核心能力包括:以蓝图描述研究管线、编排多智能体协作、自动生成与迭代实验方案、辅助学术写作与评审模拟。项目用 Python 实现,属于 ai-for-science 与 autonomous research 方向,适合希望把重复性科研环节自动化的团队作为流程底座。

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

难度:进阶 约 20 分钟 部署方式:本地安装 8 步

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. 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. 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. 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. 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. 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. 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. 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. 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 IDyour_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

上一篇:agentrq

下一篇:juben

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

★ 106 2026-08-09
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···

★ 969 2026-08-09
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

★ 317 2026-10-18
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 ···

★ 147 2026-08-09
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···

★ 21936 2026-08-09
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 ···

★ 52 2026-08-09
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···

★ 239 2026-08-09
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.

★ 237 2026-08-09
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).

★ 377 2026-09-22