NanoResearch

丢个问题进去，自动产出带引用的研究报告

NanoResearch 是一个开源的自主 AI 研究助手，旨在自动化完成从研究问题到生成结构化报告的全流程。它通过多智能体协作和工具调用，模拟人类研究员的思考与行动路径，解决传统 AI 问答缺乏深度和可验证性的问题。核心能力包括：自动分解研究任务、联网搜索与信息筛选、阅读并总结多篇文献、生成带引用的长文报告，并支持自定义研究流程和输出格式。项目基于 Python 实现，采用模块化设计，便于集成到现有工作流中。其轻量级架构使其区别于重量级研究框架，适合快速部署和二次开发。

开源 free 智能体

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1369

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类智能体

开发团队OpenRaiser

所属国家

官网地址

GitHubhttps://github.com/OpenRaiser/NanoResearch

定价模式free

价格说明开源项目，MIT许可证，可免费自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agent-skills,agents,ai,ai-agents,ai-scientist,artificial-intelligence,autonomous-agents,autonomous-research,autoresearch,claude-code,claude-skills,nanobot,openclaw

GitHub 星标★ 1369

30天Star增速

HF 下载量

上线时间2026-03-17 00:00:00

最近更新2026-09-21 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：进阶约 5 分钟部署方式：命令行工具 6 步

环境要求

Python 环境（pip 可安装依赖，README 未指定最低版本）
已克隆/可访问本项目 GitHub 仓库并具备 git
一个 OpenAI 兼容的 API 端点（base_url）与对应的 api_key
可选：如需图像生成，需额外的 OpenAI 兼容图像端点与密钥
可选：Claude Code 环境（仅 Claude Code 模式需要）

安装与启动步骤

1克隆并安装

从 GitHub 拉取仓库后进入目录，用可编辑模式安装含 dev 依赖的包。装完即出现 nanoresearch 命令。
```
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"
```
2创建配置文件

在用户目录下的 .nanoresearch 中新建 config.json，把 base_url 与 api_key 换成你自己的 OpenAI 兼容端点，各阶段 model 也要改成可用模型名。
3验证配置

用 --dry-run 跑一次不真正执行实验的验证，确认配置和依赖没问题再进入正式运行。
```
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run
```
4运行完整流水线

指定研究主题和论文模板格式，启动完整流程：构思、规划、写代码、跑实验、成文。verbose 可看详细日志。
```
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose
```
5可选：自进化模式

先 init 生成用户画像与运行配置，再用 evo 流水线跨多轮积累技能与项目记忆。
```
nanoresearch init
nanoresearch run --pipeline evo --topic "your research topic" --format neurips2025 --verbose
```
6可选：Claude Code 模式

在项目目录里启动 claude，再用斜杠命令提交研究课题，由 Claude Code 侧驱动研究流程。
```
claude
/project:research "你的研究课题"
```

关键配置

配置项	必填	说明	示例
`research.base_url`	是	OpenAI 兼容 API 端点地址	`https://your-openai-compatible-endpoint/v1/`
`research.api_key`	是	调用大模型所需的 API 密钥	`sk-xxxxxxxxxxxxxxxx`
`research.template_format`	否	论文模板格式，如 neurips2025	`neurips2025`
`research.execution_profile`	否	实验执行档位，如本地快速模式	`local_quick`
`research.writing_mode`	否	论文写作模式	`hybrid`
`research.figure_gen.image_backend`	否	配图生成所用后端	`openai`

如何确认成功

执行 nanoresearch run --topic "..." --dry-run，能正常跑完且不报配置错误即说明安装与配置成功。

常见问题

Q：配置文件放在哪里？

A：放在 ~/.nanoresearch/config.json。若不想写文件，也可用环境变量 NANORESEARCH_BASE_URL / NANORESEARCH_API_KEY / NANORESEARCH_TIMEOUT 覆盖对应配置。

Q：必须用哪家的模型？

A：README 只要求 OpenAI 兼容端点。你需要在 config.json 中各阶段（ideation、planning、code_gen、writing、review 等）的 model 字段填入自己可用的模型名。

Q：生成的论文数据是模型编造的吗？

A：不是。项目会把代码提交到 GPU 集群真正执行实验并收集结果，论文中的数据、表格和图表来自实际运行的实验。

Q：evo 流水线什么时候用？

A：需要跨多轮研究积累可复用技能和项目记忆、或希望根据偏好与算力约束调整研究计划时使用，并用 init 先初始化用户画像与运行配置。

Q：没有 GPU 集群能跑吗？

A：README 将 execution_profile 设为 local_quick，并提供 auto_create_env、auto_download_resources 开关，可在本地快速档位下运行；具体资源需求 README 未详述。

注意事项

安装命令使用了 .[dev] 附加依赖，务必带引号写成 pip install -e ".[dev]"，否则部分 shell 会解析失败。
config.json 中的 base_url、api_key 及各阶段 model 都是示例占位值，必须替换为你自己的才能运行。
README 未给出最低 Python 版本、显存要求和默认端口，实际部署前请自行确认环境。
Claude Code 模式需先进入 NanoResearch 目录再执行 claude，否则 /project:research 命令可能不可用。

核心亮点

全自动研究流水线：从问题到报告端到端自动化，无需人工干预中间步骤
多智能体协作架构：分工明确（搜索、阅读、总结），提升复杂任务完成度
输出带引用来源：增强结果可信度，便于用户核验信息

不足之处

文档/社区待观察
生成报告质量依赖底层模型能力，可能产生信息偏差

适用场景

快速调研新领域，生成背景综述
竞品分析或技术选型前的资料收集
学术写作前的文献初步筛选

替代项目

AutoGPT、AgentGPT、AI Scientist

项目介绍

NanoResearch 是智能体领域的开源项目，由 OpenRaiser 开发，是 2026 年新上线的项目。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,369）位列前 30%，在智能体分类中处于中上游。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-21。MIT许可证，可免费自行部署使用。

它主要面向的使用场景是：快速调研新领域，生成背景综述。同类可对比的替代方案包括 AutoGPT、AgentGPT、AI Scientist。

上一篇：invincat

下一篇：danghuangshang