它能做什么

[!IMPORTANT] Scientify 不是一个"问一次答一次"的 AI 工具。它像一个真正的研究伙伴——持续思考、持续积累、持续交付。

1. 新陈代谢：持续思考，而非一次性回答

现有 AI 科研工具的工作方式是批处理——给个问题，跑一遍 pipeline，输出报告，结束。下次再问同一个方向，从零开始。跑 10 次和跑 1 次没有本质区别。

但人类研究者不是这样工作的。你每天在读、在跑、在想。昨天的失败改变了今天的阅读，上周的对话改变了这周的实验设计。

Scientify 采用新陈代谢模式——持续地摄入、消化、沉淀、再摄入：

• 持续摄入：每天自动跟进前沿论文，不需要你手动触发
• 消化沉淀：将新知识与已有积累关联，写入持久化知识库
• 假设进化：淘汰无效假设，进化有效路径，每一轮失败都是下一轮的养料
• 主动交付：发现值得关注的进展后自动验证，验证通过主动推送给你

用得越久，它研究越深入。

2. 端到端自主研究：做到 SOTA 级成果

给它一个课题，它自己把研究做完，跑出性能超越外部文献水平的新算法。

多 Agent 迭代驱动：编排器持有假设和全部积累，只调度不写代码；每轮 spawn 独立子 agent 执行实现、审查、实验；每一轮失败都沉淀为下一轮的经验，假设越修正越精确，直到发现更优的方法。

Showcase：自主发现 KV2 算法并达到领域领先性能

目标：针对长上下文 LLM 推理，设计一种策略，同时降低首 token 时延和单请求通信量。

Scientify 自主完成文献调研、假设生成、代码实现与消融实验验证，提出 KV2 算法，相较于现有研究，TTFT p95和bytes/request均有不同程度降低，性能达到 SOTA 水平。

架构

┌─────────────────────────────────────────────────────────────┐
│  研究者                                                      │
│  对话 · 投喂材料 · 判断假设                                    │
└──────────────┬──────────────────────────────┬───────────────┘
               ↓                              ↓
┌──────────────────────────┐   ┌──────────────────────────────┐
│  Agent 层                 │   │  知识库（持久化）               │
│                          │   │                              │
│  Heartbeat  每天定时唤醒  │←→│  _index.md                   │
│  Reflection 自主跨领域探索│   │  topic-*.md                  │
│  Pipeline   假设验证执行  │   │  hypotheses/                 │
│                          │   │  experiments/                │
└──────────┬───────────────┘   │  conversations/              │
           ↓                   │                              │
┌──────────────────────────┐   │  Markdown 文件 · Git 管理     │
│  工具层                   │   │  完全可审计 · 你也能编辑       │
│                          │──→│                              │
│  arxiv_search            │   └──────────────────────────────┘
│  openalex_search         │
│  github_search           │
│  paper_browser           │
│  code_executor           │
└──────────────────────────┘

四个部分，各司其职：

研究者

你是系统的一部分。通过对话注入判断、投喂材料、确认或否决假设。你的参与让新陈代谢的方向更准确，让研究假设更精确。

Agent 层

三个循环驱动新陈代谢：

| Agent | 做什么 | 触发方式 | |-------|--------|---------| | Heartbeat | 每天跟进前沿论文，发现关联后自主验证，验证通过主动推送给你 | 定时自动唤醒 | | Reflection | 跨领域探索，将不同主题的知识关联起来，发现意想不到的联系 | Heartbeat 触发 / 研究者触发 | | Pipeline | 端到端研究执行——文献调研 → 深度分析 → 实现 → 审查 → 实验 | 研究者触发 / Reflection 触发 |

Pipeline 内部是多 Agent 迭代：编排器持有假设，spawn 子 agent 执行实现（implement）、审查（review）、实验（experiment）。每轮失败沉淀为经验，假设越修正越精确。

工具层

Agent 的手和眼：

| 工具 | 能力 | |------|------| | arxiv_search / openalex_search | 搜索学术论文（arXiv + 跨学科） | | github_search | 搜索开源代码实现 | | paper_browser | 分页精读论文，避免上下文溢出 | | code_executor | 在 uv 隔离环境中执行实验代码 |

Scientify 运行在 OpenClaw 之上，天然可调用平台的 MCP 服务器（Slack / 飞书推送）、浏览器自动化（付费文献下载）、多会话并发（多方向并行研究）等能力。

知识库

所有积累持久化为 Markdown 文件，Git 管理，每一行变化都可追溯。你和 Agent 读写的是同一组文件：

knowledge_state/
├── _index.md              # 研究全局索引
├── topic-*.md             # 按主题组织的知识沉淀
├── hypotheses/            # 假设演化记录
├── experiments/           # 实验结果与分析
├── paper_notes/           # 逐篇论文深读记录
└── logs/                  # 每轮新陈代谢的运行日志

环境要求

• Node.js >= 18
• Python 3 + uv（用于 ML 代码执行）
• git

安装 OpenClaw

# 全局安装 OpenClaw
pnpm add -g openclaw    # 或: npm install -g openclaw

# 运行引导向导（配置模型提供商、API Key、工作空间）
openclaw onboard

# 启动 Gateway（WebUI 服务器）
openclaw gateway

启动后，WebUI 地址为 http://127.0.0.1:18789/（默认端口）。

代理用户注意： 如果你设置了 http_proxy，访问 WebUI 时需加 --noproxy 127.0.0.1，或在浏览器中配置代理例外。

安装 Scientify

openclaw plugins install "$(npm pack scientify)"

插件安装到 ~/.openclaw/extensions/，自动启用。

从源码安装（开发用）

git clone https://github.com/tsingyuai/scientify.git
cd scientify && pnpm install && pnpm build

# 链接为开发插件
openclaw plugins install -l ./

验证安装

openclaw plugins list
# 应显示: Scientify (loaded)

安装后需 重启 Gateway 以加载插件：

# 停止运行中的 Gateway（Ctrl+C），然后：
openclaw gateway

通过 WebUI 使用

1. 打开 WebUI

浏览器访问 http://127.0.0.1:18789/。

2. 开始研究任务

在聊天框中输入研究提示，Scientify 的 skill 会被 LLM 自动匹配：

研究 "transformer efficiency"，分析论文并生成创新想法

或者用斜杠命令直接调用特定 skill：

/research-pipeline
/research-collect
/idea-generation
/algorithm-selection
/dataset-validate

机器学习中段任务的新增技能

• /algorithm-selection
  • 用在 /research-survey 之后、/research-plan 之前
  • 作用：把 2-3 条候选路线写清楚，明确 Chosen Route / Rejected Routes / Fallback Route
• /dataset-validate
  • 用在 plan_res.md 已经存在、准备实现或审查模型之前
  • 作用：单独审数据真实性、split、label、leakage 和 mock 风险，把数据质量和模型质量分开
• /baseline-runner
  • 用在 plan_res.md 已经存在、需要真实 baseline 对比时
  • 作用：统一 baseline、协议、指标和结果记录，产出 baseline_res.md

3. 监控子 agent 进度

编排器 spawn 子 agent 后，你会看到：

• 启动通知 — "Phase 1: Literature Survey 已启动"
• 完成通知 — 子 agent 完成后自动发送消息
• 进度推进 — 编排器验证产出后自动进入下一阶段

随时查看状态：

/research-status

4. 管理项目

/projects              # 列出所有项目
/project-switch <id>   # 切换项目
/papers                # 列出已下载论文
/ideas                 # 列出已生成想法

中后段项目的快捷技能

如果项目已经有一部分产物，不必总是从 /metabolism 或 /research-survey 重新开始。可以直接进入这些 skill：

• /write-paper
  • 适合：已经有 experiment_res.md、结果图或结果表，准备整理成 paper draft
• /artifact-review
  • 适合：已有 draft、README 更新或准备对外分享的 figures，想先做发布前审查
• /figure-standardize
  • 适合：图已经有了，但文件名、caption、单位、标签风格不统一
• /release-layout
  • 适合：项目已有成果，想把 README 或 release 入口改得更清楚、更适合外部阅读

已知限制

• 子 agent 超时：每个子 agent 超时 30 分钟（runTimeoutSeconds: 1800）。复杂文献调研可能需要更长时间。
• GPU/Sandbox：代码默认在宿主机直接执行。OpenClaw sandbox 暂不支持 GPU 透传。
• 模型依赖：研究质量与使用的 LLM 模型强相关。推荐 Claude Opus 4.5+ 或 GPT-5+。

开发

git clone https://github.com/user/scientify.git
cd scientify
pnpm install
pnpm build          # 构建 TypeScript
pnpm dev            # 监听模式

# 链接到 OpenClaw 测试
openclaw plugins install -l ./

参见 CLAUDE.md 了解版本更新流程和贡献指南。

内测报名

Scientify 目前处于内测阶段，面向有真实研究需求的个人和团队开放。

报名后，我们会为你提供：

1. 详细的使用指导，帮助你快速上手
2. 评估你的研究领域，分析 Scientify 执行端到端研究的可行性
3. 根据你的研究特点推荐最适合的使用方法
4. 根据你的需求快速开发新功能

License

MIT

Author

tsingyuai