什么时候用
先判断任务是否合适
- 需要AI自主完成从文献检索到LaTeX论文输出的完整科研流水线
- 面临需要读50篇以上论文、跨多天运行的上下文密集型研究任务
- 想用YAML配置而非写代码的方式定义科研agent的行为和工具权限
- 需要崩溃后可续跑的长任务执行能力
先准备什么
材料越清楚，结果越有用
- •准备一句明确的研究主题或综述题目
- •安装infiAgent并配置LLM API密钥
- •根据任务复杂度选择合适的agent模板（Researcher用于科研全流程）
- •评估GPL-3.0许可证是否兼容你的使用场景
它会怎样推进
从材料到可以检查的结果
- 01
编写YAML配置
定义agent层级、工具白名单、模型选择和提示词模板
- 02
输入研究主题
提交研究问题，系统自动启动多级agent编排
- 03
文献采集分析
agent搜索arxiv、Google Scholar等来源，维护统一引用库
- 04
实验与作图
agent规划并运行Python实验，生成数据图和框架图
- 05
论文撰写输出
agent逐章撰写LaTeX论文，经质控agent审查后产出终稿
第一次这样开始
把仓库地址直接交给 AI
先让 AI 说明环境和风险，再完成最小安装验证。跑通以后，再把自己的真实材料放进去。
第一次直接复制
帮我安装这个库：https://github.com/polyuiislab/infiAgent 安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。
结果出来后
先看这些检查点
- 检查论文中的引用是否真实存在、DOI是否正确
- 人工复核实验代码和数据分析逻辑是否合理
- 验证论文的论点和结论是否与所引用文献一致
常见误区
这些判断仍由你负责
- 把agent生成的论文直接投稿而不做人工审校，论文质量需逐章验证
- 在GPL-3.0不兼容的闭源项目中复制infiAgent源码
- 默认thinking固化在超长任务中不会丢失关键信息而不做抽查
技术依据
查看能力拆解、验证范围与来源
技术依据
查看能力拆解、验证范围与来源
- 01
AI-Scientist科研全流程
把一句研究主题转成完整 LaTeX 论文项目（paper.tex + references.bib + figures/）或 10000+ 字 Markdown 研究报告，经 alphaagent.workflow 明文编排：datacollection（arxiv/scholar/wiki/websearch + answerfrompapers + reference.bib 维护）→ dataanalysis（出 idea/实验计划）→ coder（coderun 跑实验，限 Python）→ createfigures（matplotlib 数据图 + AI 框架图）→ materialtodocument（拼 main.tex + 逐章 subparteditor + proof 润色）→ judge（质控）→ finaloutput。
- 02
anthropic-skills对接
把外部 SKILL.md 兼容的 skill（agentskills.io 标准）接入 agent 运行时，实现发现-注入-执行-卸载完整生命周期：扫描 skillslibrary//SKILL.md 的 YAML frontmatter → 生成 ~100 token/skill 的发现清单注入 system prompt → agent 调 loadskill → copytree 到 workspace + SKILL.md 全文注入 → agent 用 fileread/executecommand 执行 → offloadskill 仅摘除上下文不删盘。
- 03
config驱动多层agent构建
把一组 YAML 配置文件（按 level 切分：level -1 judge / level 0 tools / level 1 executor / level 2 expert / level 3 orchestrator）转成可直接调度的 agent 实例树，每个节点带可用工具白名单、多模型配置和提示词。改 YAML 即改 agent 行为，无需改代码。
- 04
infinite-horizon执行引擎
让 agent 在跨小时/跨天的长任务中持续运行而不上下文溢出或不丢失关键信息，通过十步窗口+思考模块重置（每 N 步产 thinking 文本后清空 actionhistory，记忆转移进 thinking 而非压缩历史）、断点续跑（状态落盘崩溃可恢复）、fresh 热刷新（安全点重载 config）、文件即状态（子 agent 结果写文件不回传上下文）。这是本仓库最具原创性的能力。
| 能力 | 主要输入 | 主要输出 | 人工检查 |
|---|---|---|---|
AI-Scientist科研全流程源码已核对 |
|
|
|
anthropic-skills对接源码已核对 |
|
|
|
config驱动多层agent构建源码已核对 |
|
|
|
infinite-horizon执行引擎源码已核对 |
|
|
|
串行树形多agent协作源码已核对 |
|
|
|
处理机制
- 01
窗口重置记忆与config分层编排
infiAgent 的多张能力卡共享两条机制链：(1) config-driven：YAML 分层定义 agent 树，工具白名单构成调用图边界，父 agent 调子 agent 经递归 AgentExecutor 入栈出栈；(2) infinite-horizon：主循环每轮落盘，每 N 步 thinking 固化进度后清空 actionhistory，崩溃可续跑，fresh 可热刷新。本机制卡说明这些对象如何跨能力传递。
已核对范围
- 静态确认 Researcher alphaagent.workflow 编排（datacollection→dataanalysis→coder→figures→document→judge）
- 静态确认 level 1-2 agent 分工和 reference.bib 维护
- 静态确认 SkillLoader 的 discover/buildxml/load/offload 生命周期
- 静态确认 loadskill copytree 到 workspace + SKILL.md 全文注入
- 静态确认 16 个内置 skill（pdf/pptx/docx/xlsx/mcp-builder 等）
- 静态确认 ConfigLoader 的 YAML 分层加载和 level 自动授权
- 静态确认 agent YAML 字段（type/level/availabletools/model/prompts/maxturns）
- 静态确认 thinking 窗口重置机制（每 N 步 thinking + 清空 actionhistory）
仍待核对
- 未真实运行 Researcher 端到端
- 未验证论文产出质量（README 宣称过 EI/IEEE 评审）
- 未真实运行 skill 加载和卸载
- 未真实运行 config 加载
- 未真实运行超长任务（1000 步）
- 未验证 thinking 重置在超长任务下不丢关键信息
- 未真实运行多 agent 协作
相关文章
具备相关能力的其他库
相关课程
把单项工具放进完整研究设计流程
课程一从研究问题、文献判断、理论假设和方法骨架继续推进，帮助你建立可以复用的研究设计档案。