auto-deep-researcher-24x7

睡觉时自动跑完深度学习实验，醒来直接看结果

这是一个自主运行深度学习实验的AI智能体，能在你睡觉时24/7不间断地执行实验任务。它解决的是研究人员需要长时间盯守实验、手动调参和监控的痛点。核心能力包括：基于Leader-Worker架构，Leader负责规划实验策略，Worker负责具体执行；采用恒定大小记忆机制，避免上下文无限增长导致性能下降；支持零成本监控，自动记录实验结果并生成报告。项目用Python实现，集成了Claude Code等AI工具，可自动进行超参数调优、实验对比和结果分析，让研究者无需守在电脑前，大幅提升实验效率。

开源 free 智能体

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1293

维护状态低维护

是否开源是

定价模式 free

项目数据

分类智能体

开发团队Xiangyue-Zhang

所属国家

官网地址

GitHubhttps://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7

定价模式free

价格说明开源项目，Apache-2.0 许可证，可免费自行部署使用，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型ai-agent,autonomous-agent,claude-code,deep-learning,experiment-automation,gpu,hyperparameter-tuning,llm-agent,machine-learning,mlops,pytorch,research-automation

GitHub 星标★ 1293

30天Star增速

HF 下载量

上线时间2026-04-08 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

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 10 分钟部署方式：命令行工具 6 步

环境要求

已安装 Python 环境（需能运行 pip 与 python install.py）
已安装 git，用于获取项目代码
已安装 Node.js/npm，用于安装 happy-coder CLI
已具备并登录 Claude Code 或 Codex 账号（README 提到需运行 claude 或 codex login 登录）
可选：一台远程服务器或 Slurm 集群（用于 SSH/Slurm 执行模式）

安装与启动步骤

1获取项目代码

把仓库克隆到本地任意目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7.git
```
2安装 Python 依赖

在项目根目录执行，按 requirements.txt 安装全部 Python 依赖，需保证网络可访问 PyPI。
```
pip install -r requirements.txt
```
3一键安装技能

运行安装脚本，会向 Claude Code 注册 8 个斜杠命令、向 Codex 注册 8 个本地技能。
```
python install.py
```
4安装 CLI 并登录

全局安装 happy-coder 命令行工具，然后运行 claude 或 codex login 完成账号登录。
```
npm install -g happy-coder
```
5配置执行模式

编辑 config.yaml，默认 local 在本机跑；要让训练跑在远程服务器则改为 ssh 并填好主机与远程工作目录。
6配置模型提供者

若没有 Claude/Codex 订阅，可把 agent.provider 设为一词预设：deepseek、qwen、kimi 或 glm。

关键配置

配置项	必填	说明	示例
`execution.mode`	是	执行模式，默认 local，可改为 ssh 或 slurm	`local`
`execution.ssh_host`	否	SSH 远程主机地址，ssh 模式下必填	`user@your-server`
`execution.remote_workspace`	否	远程服务器上的工作目录，训练与日志存放位置	`/home/user/my_project/workspace`
`execution.remote_python`	否	远程主机使用的 Python 解释器	`python3`
`agent.provider`	否	模型提供方一词预设，替代 Claude/Codex 订阅	`deepseek`
`slurm_partition`	否	Slurm 模式下必填的分区名	`gpu-h200`

如何确认成功

安装后在 Claude Code 中能看到 8 个斜杠命令（如 /gpu-monitor）；Codex 中重启后能看到 8 个本地技能，即安装成功。

常见问题

Q：如何卸载已安装的命令和技能？

A：在项目目录执行 python install.py --uninstall 即可卸载。

Q：Codex 里安装后没看到技能怎么办？

A：Codex 需要重启一次才能加载本地技能，重启后即可看到 8 个本地技能。

Q：没有 Claude/Codex 订阅能用吗？

A：可以，把 agent.provider 设为一词预设 deepseek、qwen（dashscope）、kimi（moonshot）或 glm（zhipu）即可。

Q：想让训练跑在远程服务器上怎么做？

A：把 config.yaml 中 execution.mode 设为 ssh，并填写 ssh_host、remote_workspace、remote_python 等字段；控制器状态仍保存在本地。

Q：Slurm 模式下 GPU 参数为什么没生效？

A：Slurm 模式忽略 launch_experiment 的 gpu 参数，GPU 由 --gres 分配，不由 agent 固定 CUDA_VISIBLE_DEVICES。

注意事项

README 节选未给出启动实验的具体命令，实际执行入口依赖安装后的斜杠命令或本地技能。
SSH/Slurm 模式下控制器状态（PROJECT_BRIEF.md、workspace/MEMORY_LOG.md、state.json 等）始终保存在本地。
Slurm 模式必须设置 slurm_partition 与 slurm_time，作业由 --time 限制强制回收。
首次使用需先完成 claude 或 codex 登录，否则命令与技能无法调用模型。

核心亮点

Leader-Worker架构清晰，任务规划与执行解耦，扩展性强
恒定大小记忆机制，避免长时运行中上下文爆炸
零成本监控，自动记录并汇总实验结果，减少人工盯守

不足之处

依赖外部AI服务（如Claude），可能产生API费用或网络依赖
文档/社区待观察

适用场景

研究人员夜间自动跑超参数搜索实验
团队批量运行对比实验并自动生成报告
个人开发者利用闲置GPU进行长时间模型训练

替代项目

AutoML、Optuna、Ray Tune

项目介绍

auto-deep-researcher-24x7 是智能体领域的开源项目，由 Xiangyue-Zhang 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（1,293）位列前 30%，在智能体分类中处于中上游。

近 45 天，它的 GitHub 星标从 1,262 增加到 1,293，净增 31。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。Apache-2.0 许可证，可免费自行部署使用，无付费版本。

它主要面向的使用场景是：研究人员夜间自动跑超参数搜索实验。同类可对比的替代方案包括 AutoML、Optuna、Ray Tune。

上一篇：dao-code

下一篇：OpenRoom