科研自动化系统Skill：把「从数据到论文」的研究流程交给多智能体
- 一个技能覆盖完整研究链路：从数据描述、想法生成、方法论开发、计算实验到 LaTeX 论文输出，五个阶段可以在同一套 API 里串起来跑。
- 多智能体编排是核心差异点：基于 AG2 与 LangGraph 协调多个专门智能体，分别负责假设、方法、分析与写作，而不是用一个大模型硬扛全流程。
- 灵活性高，不是「黑盒一键」：每个阶段既可以自动生成，也可以手动注入自定义想法、方法论 Markdown、预计算结果，人机协作边界清晰。
- 工程化程度较好：所有阶段产出结构化结果、可版本控制，支持 Docker 部署（内含 LaTeX 与依赖），并提供 Web GUI 做交互式管理。
- 有明确前置条件：需要 Python 3.12 及以上版本和一个受支持的 LLM API 密钥，LaTeX 编译需要 TeX 发行版或使用官方镜像。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
这个技能的中文名是「科研自动化系统」，英文名是 denario，技能 ID 为 11969。它要解决的问题很具体：科研工作中「有数据、有想法，但把想法变成一份格式规范、图表齐全、可投稿的论文」这一段路太长、太碎、太重复。数据分析、文献检索、实验复现、作图、LaTeX 排版，每一步都要切换工具。科研自动化系统把这些步骤封装成一条可编排的流水线，让 AI 智能体承担重复劳动，研究者专注于判断与决策。
「一键安装」的思路并不是让 AI 替你思考，而是一次性把环境装好，后续每一次研究都复用同一条流水线。具体步骤如下：
第一步：确认安装前提。 该技能要求 Python 3.12 或更高版本。建议使用虚拟环境或 Docker 隔离，避免与其他项目的依赖冲突。
第二步：使用 uv 安装（官方推荐方式）。 在项目目录下执行：
uv init
uv add "科研自动化系统[app]"
如果已经有用 uv 管理的环境，也可以使用 pip 兼容写法：
uv pip install "科研自动化系统[app]"
如果需要 Docker 部署或从源码构建，技能文档指向 references/installation.md，具体包名、镜像地址与版本号请以官方说明为准。
第三步：配置 LLM API 密钥。 该技能依赖受支持的 LLM 提供商，文档中明确列出 Google Vertex AI、OpenAI 以及其他与 AG2/LangGraph 兼容的 LLM 服务。密钥建议通过环境变量或 .env 文件保存，详细配置（含 Vertex AI 设置）见 references/llm_configuration.md。
第四步：验证是否生效。 有两种快速验证方式：一是在 Python 中导入核心类，确认无报错：
from 科研自动化系统 import Denario, Journal
二是启动图形界面：
科研自动化系统 run
如果浏览器能打开基于 Web 的交互界面，说明安装与运行环境基本就绪。
第五步：跑一个最小样例。 用一个极简的数据描述走完 get_idea()，能返回研究假设即代表链路打通。这一步能提前暴露 API 密钥、网络、依赖等最常见的问题。
2. 该技能的主要功能和特点
- 四阶段核心研究工作流：数据描述 → 想法生成 → 方法论开发 → 结果生成 → 论文生成，形成从数据到出版物的闭环，每个阶段都有独立方法可调用。
- 多智能体编排：由 AG2 和 LangGraph 协调不同研究任务的专门智能体，假设生成、方法设计、计算分析、论文写作各司其职，避免单一提示词承担所有职责导致的输出漂移。
- 自动 / 手动混合输入：
get_idea()自动生成假设，set_idea()注入自己的假设；get_method()自动生成方法论，set_method()读取自定义 Markdown；get_results()自动执行，set_results()接收预计算结果。这一点比很多「全自动黑盒」工具更贴近真实科研习惯。 - 期刊格式集成：
get_paper(journal=Journal.APS)可直接按目标期刊样式生成论文，当前文档明确列出美国物理学会（APS）格式，其他期刊列表需查看references/research_pipeline.md。 - 论文产出为完整 LaTeX 源码：包含图表集成与完整 LaTeX 代码，而非纯文本草稿，方便后续人工精修与投稿。
- 可重复研究：各阶段输出结构化结果，可纳入版本控制，便于回溯「哪个假设、哪版方法、哪次运行」产生了当前结论。
- Web GUI 交互界面：通过
科研自动化系统 run启动，适合不熟悉 Python 脚本的研究者做流程管理。 - Docker 容器化环境：镜像内预置 LaTeX 与全部依赖，规避「本地编译不了 PDF」的典型痛点。
和普通工具相比强在哪？普通做法是「用聊天机器人写一段方法、用 Jupyter 跑代码、用 Word/LaTeX 排版」，三者之间靠人工搬运上下文；而这个技能让同一份研究上下文在阶段之间自动传递，方法论直接驱动计算实验，实验结果直接进入论文，减少了大量复制粘贴和格式返工。
3. 如何使用该技能？
步骤 1：初始化研究项目。 指定一个项目目录，所有阶段产物会落在该目录下，便于版本管理。
from 科研自动化系统 import Denario
den = Denario(project_dir="./my_research")
步骤 2：描述数据与工具。 这一步决定了后续所有环节的质量上限，建议把数据集字段、时间跨度、可用工具、研究领域、研究目标都写清楚。
den.set_data_description("""
可用数据集：X和Y的时间序列数据
工具：pandas, sklearn, matplotlib
研究领域：[指定领域]
""")
步骤 3：生成或指定研究想法。
den.get_idea() # 自动生成研究假设
# 或
den.set_idea("自定义研究假设")
步骤 4：开发方法论。
den.get_method() # 自动生成结构化方法论
# 或
den.set_method("路径/到/方法论.md") # 使用自己写好的方法
步骤 5：执行计算实验并生成结果。
den.get_results() # 运行方法、执行计算、生成可视化
# 或
den.set_results("路径/到/结果.md") # 提供已有结果，跳过计算
步骤 6：生成论文。
from 科研自动化系统 import Journal
den.get_paper(journal=Journal.APS)
输出为指定期刊格式的论文，包含图表与完整 LaTeX 源代码。
步骤 7（可选）：用 GUI 管理流程。 执行 科研自动化系统 run 打开 Web 界面，适合边看中间产物边调整下一步。
推荐的两条实战路径：
- 端到端全自动：
set_data_description→get_idea→get_method→get_results→get_paper，适合探索性选题和快速原型。 - 混合工作流：
set_idea（自己有假设）→get_method（让 AI 补方法）→get_results→get_paper，适合已有明确方向的研究者，既保留主导权又节省写作与排版时间。
文献搜索功能与更多工作流示例见 references/examples.md，完整 API 说明见 references/research_pipeline.md。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| denario（科研自动化系统） | 多智能体科研全流程自动化系统 | 数据描述、假设生成、方法论开发、计算实验、LaTeX 论文生成、GUI、Docker 部署 | 需 Python 3.12+、uv 安装、配置 LLM API 密钥；LaTeX 需 TeX 发行版或 Docker 镜像 | 从数据集出发的完整研究链路、期刊格式论文产出 | 优势：阶段可自动可手动、产出结构化可版本控制、论文为 LaTeX 源码；不足：需要一定工程能力与 API 成本，期刊格式列表需查文档确认 |
| 通用对话式大模型助手 | 通用文本生成与问答 | 假设头脑风暴、方法草稿撰写、文字润色 | 门槛最低，浏览器即可 | 选题灵感、单段文字写作 | 优势：上手快、成本低；不足：不执行计算、不生成图表、不产出可编译 LaTeX，上下文需人工搬运 |
| 传统科研工具链（Jupyter + 绘图库 + LaTeX 编辑器） | 手工全流程 | 完全自由的数据分析与排版 | 需自行搭建环境、熟悉 LaTeX | 有成熟方法论的常规研究 | 优势：完全可控、无黑盒；不足：流程割裂、重复劳动多、格式返工耗时 |
| 通用多智能体应用框架 | 通用智能体编排底座 | 自定义智能体协作流程 | 需自行设计角色、提示词与工具链 | 需要高度定制的研究型 Agent 系统 | 优势：灵活度最高；不足：科研场景需从零搭建，缺少现成的假设—方法—论文链路与期刊格式支持 |
选择建议：如果只是想润色文字，通用对话助手足够；如果方法完全成熟、只需跑实验，传统工具链更省心；如果想要「数据进、论文出」且希望保留人工干预点，这个技能的定位最贴合；如果团队已有自研智能体底座，通用框架更合适。
5. 该技能的典型应用场景与实际体验情况
场景一：研究生开题与选题探索。 痛点是「有数据但不知道能问出什么好问题」。使用方式是先写清数据描述，调用 get_idea() 拿到若干候选假设，再人工筛选后 set_idea() 固定方向。实际体验上，这一步的产出质量与数据描述写得粗细强相关——描述越具体（字段、单位、时间范围、可用工具），假设越贴近可执行；描述空泛则容易得到「正确但无用」的结论。
场景二：数据科学团队做探索性分析。 团队已有清洗好的数据集，需要快速验证多个方向的可行性。用 get_method() + get_results() 自动跑通方法设计与计算、生成可视化，人工只做结果审查。体验上，它更像一个「自动化的初级分析师」，能把标准分析链路跑完，但异常值处理、指标定义这类需要领域判断的环节仍需人工介入。
场景三：需要按期刊格式产出初稿的研究者。 痛点在于图表整理与 LaTeX 排版极为耗时。用 set_results() 注入已有结果，再 get_paper(journal=Journal.APS) 生成初稿，把排版工作前置自动化。体验上，产出是可编译的 LaTeX 源码与集成图表，省掉大量格式调整；但投稿前仍需逐段核对表述、引用与图表标注。
场景四：教学演示与流程原型验证。 教师或团队负责人用它演示「一个研究想法如何走完全流程」，或验证某条研究路线是否值得投入。GUI 模式（科研自动化系统 run）降低了演示门槛。
整体上手体验： 安装与配置是主要门槛，尤其是 Python 版本、LLM API 密钥与 LaTeX 环境三件事；跨过之后，API 调用本身非常直观，方法名基本自解释。注意事项有三：一是建议全程使用虚拟环境或 Docker，避免包冲突；二是每个阶段都检查中间产物再进入下一步，比一次性跑完更容易定位问题；三是手动注入自定义内容时，Markdown 结构越规范，下游生成质量越稳定。
6. 该技能能为用户带来的价值
效率层面：把「分析—方法—实验—作图—排版」这条原本需要数天甚至数周的链条压缩为一次可复用的流水线运行，重复性工作（图表生成、LaTeX 排版、结构化文档撰写）交由智能体完成，研究者时间集中到问题定义与结果判断上。
门槛层面：不熟悉 LaTeX 的研究者也能拿到规范的期刊格式源码；不擅长写方法论的人可以先用自动生成版本作为骨架再修改；Docker 镜像进一步抹平了环境配置差异，让「换台机器就跑不起来」成为过去。
可量化收益方向：每个阶段产出结构化文件并可版本控制，使研究过程可追溯、可复现、可对比不同假设下的结果差异；论文初稿的产出周期从「以周计」缩短到「以小时计」，为迭代留出更多轮次。
长期价值：把科研流程沉淀为可编排的资产。今天用 Journal.APS 写物理类论文，明天换一个期刊样式、换一份数据集，流水线结构不变，只需替换输入。对团队而言，这意味着研究范式可以标准化复制，而不是依赖某个人的个人经验。
7. 常见问题 FAQ
Q1：这个技能怎么安装？需要什么前置条件？
A：官方推荐用 uv 安装：先 uv init，再 uv add "科研自动化系统[app]"；也可用 uv pip install "科研自动化系统[app]"。前置条件包括 Python 3.12 或更高版本，以及一个受支持的 LLM API 密钥（如 Google Vertex AI、OpenAI 等）。Docker 部署与源码构建方式见 references/installation.md，具体包名与版本请以官方说明为准。
Q2：它能完全替代研究者，自动写出一篇能投稿的论文吗？
A：不能，也不应这样理解。它自动化的是流程与重复劳动：生成假设、设计方法论、执行计算、生成图表、按期刊格式输出 LaTeX 源码。假设是否成立、方法是否合理、结论是否可信，仍需研究者判断。文档中也明确保留了大量手动注入接口（set_idea、set_method、set_results），本身就是为人工介入设计的。
Q3：收费吗？成本主要来自哪里？ A：技能本身的使用条款与授权请以官方说明为准。实际成本主要来自所调用的 LLM 服务——因为需要 API 密钥，费用取决于你选择的提供商与调用量。建议先用小数据集跑通流程，评估单次研究的调用开销后再规模化使用。
Q4：适合谁用？不适合谁？ A：适合有数据集、需要走完「分析到论文」链路的研究者、研究生、数据科学团队，以及需要标准化研究流程的团队负责人。不太适合只想润色一段文字的用户（通用对话助手更划算），也不适合完全不愿意配置环境、期望零门槛点击即用的用户。
Q5：安装后报错怎么办？最常见的坑有哪些？
A：文档列出的常见问题有四类：API 密钥错误（检查环境变量与 .env 配置，见 references/llm_configuration.md）；LaTeX 编译失败（安装 TeX 发行版或改用预装 LaTeX 的 Docker 镜像）；包冲突（使用虚拟环境或 Docker 隔离）；Python 版本不符（需 3.12 以上）。按这四项逐一排查，多数问题可定位。
Q6：和直接用通用大模型对话有什么区别？ A：通用对话助手不执行计算、不生成图表、不产出可编译 LaTeX；这个技能把研究上下文在阶段间自动传递，方法论直接驱动计算实验，实验结果直接进入论文。如果你需要的是「数据进、论文出」的闭环，且希望每个环节都能人工干预，它的定位更贴切。