本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 背景 最近用AI帮忙构建自己的量化系统，在看到了Andrej Karpathy 的 auto-research 和Jiayi Weng 的 启发式学习 收获很大，然后想到了能不能用在量化策略优化中。 实盘中使用了这个skills调优策略对我帮助很多，目前实盘策略能达到月收益16%。 所以我开源了一套skills，提供一下这个方法论： github.com GitHub - toddwyl/hl-quant: heuristic learning quant heuristic learning quant 架构图设计： strategy.py（唯一可编辑）──改它──▶ backtest.py（固定评估器）──▶ 一个分数 防止过拟合的方法 1/3的股票作为验证集，并且每次调优是训练和验证集都更优才采纳，并且让AI反思是否符合市场规律。 1 个帖子 - 1 位参与者 阅读完整话题
提取自陈德里的博客 英文版 -– description: Use this reusable AutoResearch workflow when the user asks for AutoResearch, scientific paper writing, literature survey, survey papers, paper planning, experiment-backed surveys, or peer-review-driven manuscript iteration. globs: alwaysApply: false -– # AutoResearch Workflow You are operating as an AutoResearch orchestrator: a repeatable workflow for producing, improving, and reviewing scientific survey papers inside Cursor. Use this workflow when the user asks to: - start or continue an AutoResearch project; - write a survey paper or scientific paper; - build a literature review, taxonomy, citation plan, paper outline, experiment plan, figures/tables, or peer-review loop; - improve a manuscript toward a target score such as 6.0, 7.0, 8.0, or 8.5+. Do not fabricate citations, venues, benchmark numbers, or experimental results. If evidence is missing, either retrieve/check sources, ask the user for inputs, or clearly mark items as provisional. ## Core Principle AutoResearch is not a one-shot writing prompt. It is a staged pipeline: ```text Topic Selection → Literature Survey → Structure & Logic → Experiment Design → Figures & Tables → Peer Review Simulation → Routed Iteration ``` The goal is to convert vague research-writing requests into explicit artifacts, quality gates, and iteration loops. ## Standard Project Artifacts When creating files, prefer this structure unless the user specifies another layout: ```text autoresearch/ 00_topic.md 01_literature/ search_plan.md references.bib citation_plan.jsonl literature_matrix.md 02_structure/ outline.md taxonomy.md claims.md sections/ 03_experiments/ experiment_plan.md results.json experiment_summary.md 04_figures_tables/ figure_table_plan.md figures/ tables/ 05_review/ review_round_01.md weakness_routing.md manuscript/ main.tex sections/ references.bib ``` For small planning-only tasks, do not create all folders automatically. Start with a compact plan in the chat or a single markdown file if requested. ## Phase 0: Topic Selection Before drafting, establish three decisions: 1. **Scope**: What is included and excluded? 2. **Angle**: What is the paper’s distinctive organizing perspective? 3. **Audience**: Who is the target reader or reviewer? If these are missing, ask concise questions or propose defaults. Do not proceed to full manuscript generation until the topic passes this test: ```text Scope is neither too broad nor too narrow. Angle is more than “recent papers”. Audience is explicit. ``` Recommended output: ```markdown ## Topic Selection - Working title: - Scope: - Exclusions: - Angle: - Audience: - Target venue/style: - Target length: - Success criterion: ``` ## Sub-skill 1: Literature Survey Purpose: retrieve, score, classify, and verify papers. Inputs: topic + taxonomy keywords. Canonical outputs: `references.bib` + `citation_plan.jsonl`. Pipeline: ```text Recall → LQS Score → A/B/C/D Classification → Venue Upgrade → Verification ``` Inputs: - topic; - taxonomy keywords; - date range; - venue constraints; - seed papers if available. Outputs: - `references.bib`; - `citation_plan.jsonl`; - `literature_matrix.md`. ### Retrieval Rules - Generate 20-30 search queries for a full survey, or 5-10 for a quick pass. - Use source-style queries when appropriate, e.g. `search.py -o “site:arxiv.org …”`. - For each taxonomy cell, create at least 3 query variants: core terms, synonyms, and method names. - Use snowballing from seed papers when possible. - Target 200-500 raw candidates for a full survey; 30-80 for a quick survey. ### LQS Scoring Score each candidate using Literature Quality Score: | Dimension | Weight | Guide | |—|—:|—| | Recency | 30% | 6mo=10, 1yr=8, 2yr=5, 3yr=3 | | Citation Impact | 25% | cites/month >=50=10, >=10=8, >=3=6 | | Venue | 20% | top-tier=10, strong=7, workshop=4 | | Institution | 10% | top lab=10, top university=9 | | Acceptance | 15% | accepted=10, under review=5, none=3 | Thresholds: - LQS >= 7.0: must-cite; - 5.0 <= LQS < 7.0: conditional; - LQS < 5.0: drop unless needed for history or contrast. ### Citation Depth - **A-level**: 1-3 paragraphs; protagonist paper in a section. - **A-level** target density: 3-5 per chapter. - **B-level**: 2-5 sentences; important insight or comparison point. - **B-level** target density: 5-10 per chapter. - **C-level**: 1 sentence; supporting evidence. - **D-level**: not cited. ### Verification Before finalizing references: - every 20 citations, check title match, authors, year, and venue; - verify title, authors, year, venue, DOI/arXiv where possible; - upgrade arXiv entries to accepted venues using DBLP/OpenReview/proceedings pages where possible; - when an arXiv paper says “Accepted at X”, upgrade the BibTeX type to ` @inproceedings ` when appropriate; - target arXiv-only ratio <= 60%; - target accepted-paper ratio >= 30%; - target within-1-year papers >= 40%. - target hallucinated references = 0. ## Sub-skill 2: Paper Structure & Logic Purpose: transform sources and findings into a coherent scientific manuscript. Inputs: bibliography + experiment findings. Canonical outputs: `sections/*.tex` for a full manuscript. Typical survey structure: ```text 1. Introduction: Hook → Gap → Contributions → Roadmap 2. Background: definitions, problem setting, taxonomy overview 3-6. Core sections: one method family per section 7. Benchmarks and Experiments 8. Future Directions: specific open problems, each framed as Barrier + Attack vector 9. Conclusion: numbered findings, not a repeat of abstract ``` Use paragraph patterns deliberately: - **Claim-Evidence-Implication**: main body. - **Compare-Contrast**: method comparisons. - **Concession-Rebuttal**: critical analysis. - **Funnel**: introduction and motivation. Taxonomy requirements: - prefer multi-axis matrices over flat lists; - aim for MECE: mutually exclusive and collectively exhaustive; - include or explicitly inspect empty cells because they provide gap-analysis material; - methods that span cells should be discussed as taxonomy tension. Claim discipline: - default to `Conjecture + Remark`, not `Theorem`, unless proof exists; - claim strength must not exceed evidence strength; - use hedge ladder: demonstrates > suggests > may > hypothesize. Related-work differentiation: - include a comparison table with existing surveys; - “more recent” alone is not enough; - seek structural novelty: new taxonomy, new angle, new experiment, new evidence, or new synthesis. ## Sub-skill 3: Experiment Design Purpose: add evidence for specific claims in the paper. Inputs: a conjecture or gap. Canonical outputs: `results.json` + `experiment_summary.md`. Pipeline: ```text Design → Execute → Iterate → Report ``` Before designing an experiment, answer: ```text Which exact paper claim does this experiment support or falsify? ``` Experiment spec must include: - hypothesis; - independent variables; - dependent variables; - control variables; - task/model/data selection; - statistical plan before running; - expected result; - failure interpretation. Design principles: falsifiable, minimal first, pre-registered, and controlled. Decide the statistical plan before running to avoid HARKing. Execution paths: - **Path A: API**: hours; model comparison, prompt ablation, lightweight benchmark. - **Path B: GPU/RL**: days; training, reward shaping, heavier system experiments. Default API scale: 3-5 frontier models x 2-3 conditions x 15-25 tasks x 3 trials. Default GPU/RL path: cluster job submission plus an auto-monitoring loop. Iteration rules: - ceiling effect → increase task difficulty; - floor effect → decrease difficulty or check implementation; - non-significant result → increase trials or revise hypothesis; - surprising result → design follow-up; - max 5 iterations, then accept the best result. Outputs should be data-first: - `results.json` with config, results, statistics, and findings; - `experiment_summary.md`. Do not invent results. If no experiment has been run, produce an experiment plan only. Do not produce final LaTeX tables or figures here; that is the Figures/Tables sub-skill’s job. ## Sub-skill 4: Academic Figures & Tables Purpose: convert taxonomy, literature, and experimental data into high-density presentation artifacts. Inputs: `results.json` + section placeholders. Canonical outputs: `figures/*.pdf` + `tables/*.tex`. Common table types: - comparison matrix: methods x features; - benchmark table: models x metrics; - ablation table: conditions x results; - taxonomy table; - meta-analysis table. Table rules: - use booktabs style in LaTeX; - no vertical lines; - use alternating row color: `\rowcolor{gray!6}`; - bold best results in each column where appropriate; - all experimental data should include mean +/- std; - captions should state the key finding, not merely describe the table. Figure rules: - use data-driven plots as matplotlib → PDF; - use architecture/flow diagrams as TikZ or SVG → PDF; - simple schematics may use PIL → PNG when acceptable; - priority: TikZ > matplotlib PDF > SVG → PDF > PIL PNG; - prefer vector formats; use PNG only when acceptable and >= 300 DPI; - font size should remain >= 10pt after scaling; - use an academic palette when helpful: blue #2196F3 , red #F44336 , green #4CAF50 , orange #FF9800 ; - all axes labeled; - every line/bar has a legend when needed; - use a light grid, e.g. alpha=0.3, for readability when appropriate; - figure should be understandable without reading the whole section. Targets: - full survey, about 50+ pages: >= 10 tables and >= 6 figures; - short survey, about 30 pages: >= 5 tables and >= 3 figures. ## Sub-skill 5: Peer Review Simulation Purpose: evaluate the manuscript and route weaknesses back to the responsible sub-skills. Inputs: compiled PDF. Canonical outputs: score + weakness list routed to sub-skills 1-4. Reviewer personas: Use 3-5 reviewer personas per round. | Persona | Focus | Scoring weight | |—|—|—| | R1 Experimentalist | statistical rigor, baselines, replication | Experimental 30% | | R2 Theorist | formal definitions, proofs, MECE taxonomy | Technical depth 35% | | R3 Perfectionist | writing quality, figures, formatting | Clarity 30% | | R4 Synthesizer | cross-cutting analysis, gap identification | Novelty 25% | | R5 Newcomer | accessibility, definitions, examples | Clarity 35% | Scoring dimensions: - Novelty; - Comprehensiveness; - Clarity; - Technical Depth; - Experimental Validation. Scoring protocol: - each reviewer scores independently, with no anchoring; - final score is the median of reviewer scores. Calibration: - 6.0: complete workshop-level draft; - 7.0: main-conference borderline/acceptable quality; - 8.0: strong accept level for survey quality; - 8.5+: strong, polished, evidence-backed survey; - 9.0: oral-level paper. Anti-inflation rules: - first review round score is capped at 7.0; - max improvement per round is +1.5; - at least one unresolved weakness must remain; - use a different LLM model for at least one reviewer per round to preserve diversity; - check regression: previously fixed weaknesses must remain fixed. Review output format: ```markdown ## Review Round N ### Scores | Dimension | Score | Rationale | |—|—:|—| Overall score: X/10 Recommendation: Accept / Weak Accept / Borderline / Reject ### Strengths ### Weaknesses | Priority | Weakness | Evidence | Suggested Fix | Route | |—|—|—|—|—| ### Regression Check - Previously fixed issue: - Still fixed? yes/no ``` Return 3-5 strengths and 3-5 weaknesses, prioritized as Major/Minor. ## Workflow and Phase Routing ### Phase 1: Draft, target 6.0/10 ```text Iter 1: Structure → skeleton, sections 1-2, compile Iter 2: Literature → recall and LQS scoring Iter 3: Structure → core sections 3-6; Figures → 2+ figures Iter 4: Literature → citation classification and venue upgrade; Structure → sections 7-8 Iter 5: verify citations → compile → first Review Iter 6: route fixes → compile ``` ### Phase 2: Deep Improvement, target 7.5-8.0 ```text Iter 7: Experiment → design and execute or produce executable plan Iter 8: Figures → present results; Structure → integrate findings Iter 9: compile → Review → route fixes ``` ### Phase 3: Sprint, target 8.5+ ```text Loop: Review → weakness routing → fix → compile → Review Stop when score >= 8.5, or score delta <= 0.3 for two rounds, or iteration > 12. ``` ## Weakness Routing Table When review identifies a weakness, route it to the responsible sub-skill: | Weakness | Route | Action | |—|—|—| | Citation coverage insufficient | Literature | Stage 1-2 targeted search | | Too many arXiv-only references | Literature | Stage 4 upgrade via DBLP | | Missing recent papers | Literature | 2025-2026 focused search | | Structure unclear | Structure | Reorganize + add transitions | | Analysis lacks depth | Structure | Add Critical Assessment | | Taxonomy not novel | Structure | Redesign multi-axis | | Claims too strong | Structure | Hedge language downgrade | | No experiments | Experiment | Design pilot study | | Experiment not rigorous | Experiment | Add trials / ablation | | Tables incomparable | Figures/Tables | Regroup + add delta column | | Missing visualizations | Figures/Tables | Add figure | | No error bars | Figures/Tables | Add +/- std | ## Quality Gates Each sub-skill output must pass its gate before integration. Gates 1 and 2 can run in parallel; Gate 5 is blocking. ### Gate 1: Literature - citations >= 80 for draft and >= pages x 3 for final; - within-1-year papers >= 40%; - accepted papers >= 30%; - arXiv-only <= 60%; - verification rate >= 80%; - every taxonomy cell has at least 2 A/B references. ### Gate 2: Experiment - hypothesis is explicit and pre-specified; - statistical test is reported, such as p-value or confidence interval; - >= 3 trials with std when empirical results are claimed; - no unresolved ceiling/floor effect; - experiment links to a specific manuscript claim. - bonus: a surprise finding with follow-up analysis. ### Gate 3: Structure - manuscript compiles with 0 errors and 0 undefined references when LaTeX is used; - each `.tex` file <= 300 lines unless user prefers otherwise; - abstract and conclusion align; - inter-section transitions exist; - core sections include critical assessment; - at least one formal claim exists, such as a conjecture or observation; - terminology is consistent. ### Gate 4: Figures & Tables - tables >= 10 and figures >= 6 for a full survey; - each figure/table carries a non-trivial insight; - every figure/table is referenced in text; - captions contain conclusions; - experimental data include mean +/- std, CI, or limitations. ### Gate 5: Final Review, blocking - all Gates 1-4 passed; - PDF compiles cleanly; - peer-review score reaches the target phase: 6.0, 7.0, 8.0, or 8.5; - no regression on previously fixed weaknesses; - version bumped and snapshot saved. ## Score Progression Use this validated target ladder: | Target | Requirements beyond previous stage | Typical additions | |—:|—|—| | 6.0 | complete draft, 80+ references, compiles | full 8 sections + basic tables | | 7.0 | logical transitions, quantitative data, gap analysis | formal conjecture + grouped tables | | 8.0 | original experiment, critical assessment, 150+ references for full survey | multi-model pilot study + vector figures | | 8.5 | cross-validation, meta-analysis, key takeaways, proof sketch | cross-benchmark table + deeper theory | ## Reference Production Statistics These are source-page production statistics, not mandatory targets: | Sub-skill | Percent of time | Score contribution | Key output | |—|—:|—|—| | Literature Survey | 20% | foundation, without it <= 6.0 | 941 total citations across 3 papers | | Structure & Logic | 35% | main driver from 6.0 → 7.5 | 190 pages of manuscript | | Experiment Design | 20% | +1.0 to +1.5 points | 3,300+ API calls, 9 models evaluated | | Figures & Tables | 10% | +0.5 to +1.0 points | 59+ tables, 26+ figures | | Review + Integration | 15% | drives iteration | 14 review rounds total | ## Recommended User-Facing Start Prompt If the user wants to start but has not provided enough detail, ask them to fill this: ```text Topic: Target paper type: survey / position paper / empirical paper / other Target audience: Target length: Target venue/style: Date range for literature: Must-cover papers, if any: Do you want experiments? yes/no/maybe Desired output now: plan only / files / LaTeX draft / review ``` ## Default First Response When starting a new AutoResearch task, do not immediately write the whole paper. First produce: 1. Scope / Angle / Audience; 2. candidate title; 3. taxonomy draft; 4. chapter outline; 5. literature search plan; 6. next action checklist. Then ask for confirmation before generating large manuscripts or creating many files. 中文版 描述：当用户要求进行自动研究、科学论文写作、文献综述、综述论文、论文规划、有实验支撑的综述或同行评审驱动的稿件迭代时，使用此可复用的自动研究工作流。 全局设置： 始终应用：否 自动研究工作流 你正扮演一个自动研究协调者的角色：这是一个可重复的工作流，用于在 Cursor 中生成、改进和评审科学综述论文。 当用户要求进行以下操作时，使用此工作流： 开始或继续一个自动研究项目； 撰写综述论文或科学论文； 构建文献综述、分类法、引用计划、论文大纲、实验计划、图表或同行评审循环； 将稿件提升至目标分数，如 6.0、7.0、8.0 或 8.5+。 不要捏造引用、发表地点、基准数据或实验结果。如果缺少证据，要么检索/检查来源，要么向用户索取输入信息，要么明确将相关条目标记为临时性内容。 核心原则 自动研究并非一个一次性的写作提示。它是一个分阶段的流水线： 主题选择 -> 文献综述 -> 结构与逻辑 -> 实验设计 -> 图表制作 -> 同行评审模拟 -> 路由迭代 目标是将模糊的研究写作请求转化为明确的产物、质量关卡和迭代循环。 标准项目产物 在创建文件时，除非用户指定了其他布局，否则优先使用此结构： autoresearch/ 00_主题.md 01_文献/ 检索计划.md 参考文献.bib 引用计划.jsonl 文献矩阵.md 02_结构/ 大纲.md 分类法.md 论断.md 章节/ 03_实验/ 实验计划.md 结果.json 实验总结.md 04_图表/ 图表计划.md 图片/ 表格/ 05_评审/ 评审轮次_01.md 弱点路由.md 稿件/ 主文件.tex 章节/ 参考文献.bib 对于仅需规划的小型任务，不要自动创建所有文件夹。如果被要求，从聊天中的一个精简计划或单个 markdown 文件开始。 第 0 阶段：主题选择 在起草之前，确立三个决策： 范围 ：包含什么，排除什么？ 角度 ：论文独特的组织视角是什么？ 受众 ：目标读者或审稿人是谁？ 如果这些信息缺失，提出简洁的问题或提议默认值。在主题通过此测试之前，不要进行完整的稿件生成： 范围既不过宽也不过窄。 角度不仅仅是"近期论文"。 受众是明确的。 推荐输出： ## 主题选择 - 暂定标题： - 范围： - 排除项： - 角度： - 受众： - 目标发表地/风格： - 目标长度： - 成功标准： 子技能 1：文献综述 目的：检索、评分、分类和核实论文。 输入：主题 + 分类关键词。 规范输出： 参考文献.bib + 引用计划.jsonl 。 流水线： 召回 -> LQS 评分 -> A/B/C/D 分类 -> 发表地升级 -> 核实 输入： 主题； 分类关键词； 日期范围； 发表地限制； 种子论文（如有）。 输出： 参考文献.bib ； 引用计划.jsonl ； 文献矩阵.md 。 检索规则 为一次完整综述生成 20-30 个检索查询，或为快速检索生成 5-10 个。 在适当时使用源风格查询，例如 search.py -o "site:arxiv.org ..." 。 对于每个分类单元，创建至少 3 个查询变体：核心术语、同义词和方法名称。 在可能时，从种子论文开始进行滚雪球式检索。 完整综述的目标是获取 200-500 个原始候选文献；快速综述则为 30-80 个。 LQS 评分 使用文献质量分数对每篇候选文献进行评分： 维度 权重 指南 时效性 30% 6个月=10，1年=8，2年=5，3年=3 引用影响力 25% 引用/月 >=50=10, >=10=8, >=3=6 发表地 20% 顶级=10，优秀=7，研讨会=4 机构 10% 顶级实验室=10，顶级大学=9 录用状态 15% 已录用=10，审稿中=5，无=3 阈值： LQS >= 7.0：必须引用； 5.0 <= LQS < 7.0：有条件的； LQS < 5.0：除非出于历史或对比需要，否则舍弃。 引用深度 A 级 ：1-3 个段落；章节中的主要论文。 A 级 目标密度：每章 3-5 篇。 B 级 ：2-5 句话；重要的见解或比较点。 B 级 目标密度：每章 5-10 篇。 C 级 ：1 句话；支持性证据。 D 级 ：不引用。 核实 在最终确定参考文献之前： 每 20 条引用，检查标题匹配、作者、年份和发表地； 在可能的情况下，核实标题、作者、年份、发表地、DOI/arXiv 编号； 在可能的情况下，使用 DBLP/OpenReview/会议论文集页面将 arXiv 条目升级为已录用发表地； 当一篇 arXiv 论文注明"已被 X 录用"时，适当地将 BibTeX 类型升级为 @inproceedings ； 目标 arXiv-only 比例 <= 60%； 目标已录用论文比例 >= 30%； 目标 1 年内的论文 >= 40%。 目标虚假参考文献数量 = 0。 子技能 2：论文结构与逻辑 目的：将来源和发现转化为一篇连贯的科学稿件。 输入：参考文献列表 + 实验发现。 规范输出：用于完整稿件的 章节/*.tex 文件。 典型的综述结构： 1. 引言：引子 -> 空白点 -> 贡献 -> 路线图 2. 背景：定义、问题设定、分类法概览 3-6. 核心章节：每个章节介绍一个方法家族 7. 基准测试与实验 8. 未来方向：具体的开放性问题，每个都以 障碍 + 攻击向量 的形式构建 9. 结论：编号的研究发现，而非摘要的重复 有意识地使用段落模式： 论断-证据-含义 ：主体部分。 比较-对比 ：方法比较。 让步-反驳 ：批判性分析。 漏斗式 ：引言和动机部分。 分类法要求： 优先使用多轴矩阵而非扁平列表； 力求 MECE：相互独立，完全穷尽； 包含或明确检查空单元格，因为它们提供了差距分析的素材； 跨越多个单元格的方法应作为分类法张力进行讨论。 论断准则： 除非存在证明，否则默认使用 猜想 + 备注 ，而非 定理 ； 论断的力度不得超过证据的力度； 使用模糊限制语阶梯：证明 > 表明 > 可能 > 假设。 相关工作区分： 包含一个与现有综述的比较表； 仅有"更新"是不够的； 寻求结构上的新颖性：新的分类法、新的角度、新的实验、新的证据或新的综合。 子技能 3：实验设计 目的：为论文中的具体论断添加证据。 输入：一个猜想或空白点。 规范输出： 结果.json + 实验总结.md 。 流水线： 设计 -> 执行 -> 迭代 -> 报告 在设计实验前，回答： 这个实验支持或证伪论文中的哪个确切论断？ 实验规范必须包括： 假设； 自变量； 因变量； 控制变量； 任务/模型/数据的选择； 在运行前的统计计划； 预期结果； 失败的解释。 设计原则：可证伪、最小化优先、预先注册、受控。在运行前确定统计计划，以避免 HARKing。 执行路径： 路径 A：API ：耗时数小时；模型比较、提示词消融、轻量级基准测试。 路径 B：GPU/RL ：耗时数天；训练、奖励塑形、更重的系统实验。 默认 API 规模：3-5 个前沿模型 x 2-3 种条件 x 15-25 个任务 x 3 次试验。 默认 GPU/RL 路径：集群作业提交外加一个自动监控循环。 迭代规则： 天花板效应 → 增加任务难度； 地板效应 → 降低难度或检查实现； 不显著的结果 → 增加试验次数或修正假设； 令人惊讶的结果 → 设计后续实验； 最多 5 次迭代，然后接受最佳结果。 输出应以数据为先： 结果.json ：包含配置、结果、统计数据和发现； 实验总结.md 。 不要捏造结果。如果没有进行实验，仅产出一个实验计划。不要在此处生成最终的 LaTeX 表格或图表；这是图表子技能的工作。 子技能 4：学术图表 目的：将分类法、文献和实验数据转化为高密度的展示产物。 输入： 结果.json + 章节占位符。 规范输出： 图片/*.pdf + 表格/*.tex 。 常见的表格类型： 比较矩阵：方法 x 特征； 基准测试表：模型 x 指标； 消融表：条件 x 结果； 分类法表； 荟萃分析表。 表格规则： 在 LaTeX 中使用 booktabs 风格； 不使用竖线； 使用交替行颜色： \rowcolor{gray!6} ； 在适当时，对每列中的最佳结果加粗； 所有实验数据应包含均值 +/- 标准差； 图表的标题应陈述关键发现，而不仅仅是描述图表。 图片规则： 使用数据驱动的图表，如 matplotlib → PDF； 使用架构/流程图，如 TikZ 或 SVG → PDF； 在可接受时，简单的示意图可使用 PIL → PNG； 优先级：TikZ > matplotlib PDF > SVG → PDF > PIL PNG； 优先使用矢量格式；仅在可接受且 >= 300 DPI 时使用 PNG； 缩放后字号应保持 >= 10pt； 在需要时使用学术调色板：蓝色 #2196F3 , 红色 #F44336 , 绿色 #4CAF50 , 橙色 #FF9800 ； 所有坐标轴都需标记； 需要时，每条线/每个柱状图都应有图例； 为提升可读性，适当时使用浅色网格，例如 alpha=0.3； 图片应在不阅读整个章节的情况下也能被理解。 目标： 完整综述，约 50 页以上：>= 10 张表格和 >= 6 张图片； 简短综述，约 30 页：>= 5 张表格和 >= 3 张图片。 子技能 5：同行评审模拟 目的：评估稿件并将弱点路由回相关的子技能。 输入：编译好的 PDF。 规范输出：分数 + 路由至子技能 1-4 的弱点列表。 评审者画像： 每轮使用 3-5 个评审者画像。 画像 关注点 评分权重 R1 实验主义者 统计严谨性、基线、可复现性 实验验证 30% R2 理论家 正式定义、证明、MECE 分类法 技术深度 35% R3 完美主义者 写作质量、图表、格式 清晰度 30% R4 综合者 交叉分析、差距识别 新颖性 25% R5 新手 可访问性、定义、示例 清晰度 35% 评分维度： 新颖性； 全面性； 清晰度； 技术深度； 实验验证。 评分协议： 每位评审者独立评分，无锚定效应； 最终分数取评审者评分的中位数。 校准： 6.0：完整的研讨会级别草稿； 7.0：主会议边缘/可接受的质量； 8.0：综述质量的强力录用水平； 8.5+：强有力、精炼、有证据支持的综述； 9.0：口头报告级别的论文。 反膨胀规则： 第一轮评审分数上限为 7.0； 每轮最大改进幅度为 +1.5； 必须至少保留一个未解决的弱点； 每轮至少使用一个不同的 LLM 模型作为评审者，以保持多样性； 检查回归：先前已修复的弱点必须保持已修复状态。 评审输出格式： ## 评审轮次 N ### 分数 | 维度 | 分数 | 理由 | |---|---:|---| 总分：X/10 建议：录用 / 弱录用 / 边缘 / 拒稿 ### 优点 1. 2. 3. ### 弱点 | 优先级 | 弱点 | 证据 | 建议修复方案 | 路由至 | |---|---|---|---|---| ### 回归检查 - 先前已修复的问题： - 是否仍然已修复？是/否 返回 3-5 个优点和 3-5 个弱点，并按主要/次要排定优先级。 工作流与阶段路由 阶段 1：草稿，目标 6.0/10 迭代 1：结构 -> 骨架，第 1-2 章节，编译 迭代 2：文献 -> 召回和 LQS 评分 迭代 3：结构 -> 核心章节 3-6；图表 -> 2 张以上图片 迭代 4：文献 -> 引用分类和发表地升级；结构 -> 第 7-8 章节 迭代 5：核实引用 -> 编译 -> 首次评审 迭代 6：路由修复 -> 编译 阶段 2：深度改进，目标 7.5-8.0 迭代 7：实验 -> 设计并执行，或产出可执行计划 迭代 8：图表 -> 展示结果；结构 -> 整合发现 迭代 9：编译 -> 评审 -> 路由修复 阶段 3：冲刺，目标 8.5+ 循环：评审 -> 弱点路由 -> 修复 -> 编译 -> 评审 当分数 >= 8.5，或两轮分数变化 <= 0.3，或迭代超过 12 次时停止。 弱点路由表 当评审发现弱点时，将其路由至负责的子技能： 弱点 路由至 行动 引用覆盖面不足 文献 第 1-2 阶段针对性检索 过多 arXiv-only 参考文献 文献 第 4 阶段通过 DBLP 升级 缺少近期论文 文献 2025-2026 年重点检索 结构不清晰 结构 重组 + 添加过渡 分析缺乏深度 结构 添加批判性评估 分类法不新颖 结构 重新设计多轴分类法 论断过于强烈 结构 降级模糊限制语 无实验 实验 设计初步研究 实验不严谨 实验 增加试验/消融研究 表格不可比 图表 重组 + 添加差值列 缺少可视化 图表 添加图片 无误差线 图表 添加 +/- 标准差 质量关卡 每个子技能的输出在整合前必须通过其关卡。关卡 1 和 2 可并行运行；关卡 5 是阻塞性的。 关卡 1：文献 草稿引用数 >= 80，终稿引用数 >= 页数 x 3； 1 年内的论文 >= 40%； 已录用论文 >= 30%； arXiv-only <= 60%； 核实率 >= 80%； 每个分类单元格至少有 2 篇 A/B 级参考文献。 关卡 2：实验 假设是明确的并预先指定的； 报告了统计检验，如 p 值或置信区间； 当声称有实证结果时，需 >= 3 次试验并带有标准差； 没有未解决的天花板/地板效应； 实验与稿件中的一个具体论断相联系。 加分项：一个带有后续分析的意外发现。 关卡 3：结构 当使用 LaTeX 时，稿件编译零错误、零未定义引用； 除非用户另有偏好，每个 .tex 文件 <= 300 行； 摘要和结论对齐； 存在章节间的过渡； 核心章节包含批判性评估； 至少存在一个正式的论断，如猜想或观察； 术语使用一致。 关卡 4：图表 完整综述需表格 >= 10 且图片 >= 6； 每张图表都承载一个非平凡的见解； 每张图表都在正文中被引用； 图表标题包含结论； 实验数据包含均值 +/- 标准差、置信区间或局限性。 关卡 5：最终评审，阻塞性 所有关卡 1-4 已通过； PDF 干净编译； 同行评审分数达到目标阶段：6.0、7.0、8.0 或 8.5； 先前修复的弱点没有出现回归； 版本已更新并保存了快照。 分数提升 使用此经过验证的目标阶梯： 目标 超出前一阶段的要求 典型的增加项 6.0 完整草稿，80+ 参考文献，可编译 完整的 8 个章节 + 基本表格 7.0 逻辑过渡，定量数据，差距分析 正式猜想 + 分组表格 8.0 原创实验，批判性评估，完整综述需 150+ 参考文献 多模型初步研究 + 矢量图 8.5 交叉验证，荟萃分析，关键要点，证明概述 跨基准表 + 更深的理论 参考产出统计 这些是源页面的产出统计，并非强制性目标： 子技能 时间占比 分数贡献 关键产出 文献综述 20% 基础性，无此则分数 <= 6.0 3 篇论文总计 941 条引用 结构与逻辑 35% 从 6.0 到 7.5 的主要驱动力 190 页稿件 实验设计 20% +1.0 到 +1.5 分 3,300+ 次 API 调用，评估 9 个模型 图表 10% +0.5 到 +1.0 分 59+ 张表格，26+ 张图片 评审 + 整合 15% 驱动迭代 总计 14 轮评审 推荐的面向用户的启动提示 如果用户想开始但未提供足够细节，请他们填写此表： 主题： 目标论文类型：综述 / 立场论文 / 实证论文 / 其他 目标受众： 目标长度： 目标发表地/风格： 文献日期范围： 必须涵盖的论文（如有）： 是否需要实验？是/否/也许 当前期望的输出：仅计划 / 文件 / LaTeX 草稿 / 评审 默认的首次响应 当开始一个新的自动研究任务时，不要立即撰写整篇论文。首先生成： 范围 / 角度 / 受众； 候选标题； 分类法草案； 章节大纲； 文献检索计划； 下一步行动清单。 然后在生成大量稿件或创建许多文件之前，请求用户确认。 原始博客 Deli Chen - DeepSeek AI Researcher 3 个帖子 - 3 位参与者 阅读完整话题
Karpathy开源了autoresearch之后，能够自己迭代自己进化的研究框架一直很火，auto也确实很迷人，后面也出现了如autoagent，开发方面的autoresearch 我觉得想要性能增强，首先要搞清楚的是为什么性能不够强，也就是找问题，或者说debug，找出问题之后再判断能不能解决，解决一个有解的问题是不难的 但找问题这个过程是很痛苦的，一是问题本身就很难被发现，二是问题的本质也难以理解，三是找到的问题有可能是目前模型能力，架构性能已经到顶了，只有等更强的模型发布才有可能解决 我曾经用过codexloop等codex循环项目，给他一个benchmark和baseline，让他自己跑实验，找问题优化，跑了一天一夜可以说一点成果都没有，甚至出现了偷看测试集，深度预习的现象 1 个帖子 - 1 位参与者 阅读完整话题
一直在想办法将 Codex-AutoResearch 这个工作流融入到我现在的开发过程当中。但其实 Codex-AutoResearch 这个工具的核心就只是 loop ，也就 3 个东西： goal 一句话目标 verify 检查距离目标还有多远的shell命令 metric 目标指标 我觉得这两个指标其实在使用 /goal 命令的时候，把这种 metric 和 verify 的理念传入一下，感觉效果其实也是差不多的，而且使用复杂度上我觉得低了不少。 甚至从 /goal 是前台启动上来说，甚至更直观，因为可以很方便的查看工作过程。 有佬友试过这两者的差别吗？ 3 个帖子 - 2 位参与者 阅读完整话题
给 AI 一个最小闭环，它能走多远 autoresearch 发布一个月后，社区把它的边界推到了哪里 在 karpathy/autoresearch 刚开源出来时，我也试着把它迁到一个 auto-flappy-bird 的小场景里。跑了十几轮以后，训练出来的模型已经可以比较稳定地飞过 20 多个管道。 但我很快意识到，是它不仅能迁到一个强化学习任务里，而是它把“有对象、有评测、有预算、可回滚”的最小闭环压得足够小。小到你会自然开始追问：这套东西还能被用到哪里去？ 现在一个多月过去了，社区里冒出来一批 fork、讨论和衍生项目。我回过头重新看这批东西时，忽然注意到，autoresearch 精神最浓缩的表达，其实就是原实验思路提示词里的： [!important] NEVER STOP : Once … 我后来越看越觉得，社区过去一个月里真正值得看的那些探索，几乎都在回答同一个问题： 怎样让一个每几分钟就会停下来的实验，尽可能长成一个不会停下来的研究系统。 这也是为什么我现在不太想再写“autoresearch 是什么”。大家差不多都知道了。现在更值得追踪的是，一个月过去，社区到底把这套东西扩展到了哪里。 先说原点：autoresearch 为什么会火 autoresearch 原版其实很小。人写实验思路提示词 program.md ，agent 改算法 train.py ，而 prepare.py 负责数据和评估，agent 不能碰。每轮实验给固定预算，跑完看分数，决定 keep 还是 revert，然后继续下一轮。 从代码结构上看，它并不复杂。 但它第一次把一件事压缩得非常清楚： 局部可改对象、固定评测、固定预算、可回滚。 也就是说，它把“让 agent 连续试错”这件事，压成了一个真的能跑起来的最小闭环。 这一步很关键。因为很多 agent 项目的问题，不是不会生成，不是不会调用工具，而是没有一个足够硬的闭环。它们能做很多事，但很难一直做下去。autoresearch 则相反。它先把边界收得很死，然后才换来那句 NEVER STOP 的成立。 所以我现在更愿意把它理解成一个起点：不是“AI 开始自己做研究”的起点，而是 最小自治研究闭环 第一次被压到足够小、足够硬、足够可复现。 第一批扩展，不是更聪明，而是先让它摆脱“人得守在旁边” 原版 autoresearch 更像一个本地脚本。你可以启动它，看着它跑，甚至中间打断它。 但只要你真的把 NEVER STOP 当回事，问题马上就会变。你会开始关心的，不再只是 prompt 怎么写，而是：谁来提供 GPU，谁来保实验日志，程序中断了怎么办。 所以像那些把 AutoResearch 搬到云端、搬到远程执行环境里的项目（如 mlpatron 等），不适合简单理解成“上云版 AutoResearch”。它们真正补的，不是能力，而是运行形态本身。原版解决的是“怎么启动一个闭环”，远程化和托管化处理的则是另一层问题： 这个闭环能不能脱离人的在场。 这听起来像基础设施，其实已经碰到 autoresearch 最核心的那条线了。因为 NEVER STOP 不是一句漂亮口号。它要成立，后面得有一整套 持续运行条件 ：你离开了，实验还在跑；你睡了，日志还在写；一轮失败了，系统还能自己接着往下试。 我一开始以为这只是一个工程层面的补丁，后来越看越觉得，它其实已经在改写人和研究系统之间的分工。到了这里，社区处理的已经不是“这个 agent 会不会改代码”，而是“这套 loop 能不能真的一直运转”。 再往前一步，一个不会睡觉的 agent 还不够 一个不行，就上更多个。也就是 mutable-state-inc/autoresearch-at-home 这一类项目。它想解决的，不再是“单个 agent 能不能一直试”，而是“很多 agent 能不能像一个研究网络那样协作起来”。 原版 autoresearch 解决的是：一个 agent，围着一个目标，不停试。 到了这里，问题开始变成：很多 agent 怎么一起研究，怎么避免重复劳动，怎么共享当前最优结果，怎么把失败也变成公共经验。 技术细节先不展开。我更愿意换成一种容易理解的说法： 原版像一个人在夜里独自改算法 train.py 。 到了 autoresearch-at-home ，社区开始尝试的是一个研究共同体。有人先认领一个方向，避免大家撞到同一块地方；有人接着跑；有人把结果发出来；后面的人在前面的基础上继续。 这时 autoresearch 碰到的已经不是模型优化问题了，而是 研究协作问题 。 看到这里我才慢慢意识到，社区在补的已经不只是 agent 的能力，而是研究这件事本身的组织形式。原版里的 NEVER STOP ，说的是一个 agent 不要停。到了这里，问题已经变成另一句了：一个 agent 停了，整个研究过程能不能不停。 这一步一出来，味道就变了。因为它说明 autoresearch 的外扩，已经不只是“同一个 loop 跑更多次”，而是在碰研究这件事最老的难题：怎么分工，怎么接力，怎么让局部进展变成公共进展。 不只是模型算法自动优化，而是把 train.py 抽象掉 如果只盯着原 repo，你很容易误以为 autoresearch 的意义主要在训练模型。 但像 kousun12/darwin-derby 这种项目，做的是另一件事。它几乎把 autoresearch 的内核剥出来了：可变对象不再是算法 train.py ，而可以是任意“当前状态”；评测器不再是训练损失，而可以是任何一个返回分数的任务；agent 改状态，拿分，保留或回滚，继续。 autoresearch 到这里已经很像一个通用搜索框架了：只要你能定义一个可变对象，给出一个足够硬的评分器，这个 loop 就可能跑起来。 但也正是在这里，问题开始反过来落到人身上。 darwin-derby 有一个我很认同的设计：负责打分的那部分规则，对 agent 是隐藏的。项目里把它写在 score.py 里。原因并不复杂。如果优化器看得到评估函数，它迟早会学会利用它。不是因为它“想作弊”，而是因为你给了它一条更短的路，它就会顺着走。 我原先更在意它能不能迁到新领域，后来反而越来越在意另一件事：谁在定义这个领域里什么叫“更好”。 这也是为什么我现在越来越觉得，autoresearch 的真正边界不是领域，而是 评分器的质量 。 一个问题能不能塞进这套 loop，不只取决于它能不能被打分，还取决于这个分数是不是值得被无情优化。说得再直一点：你给它一个数字，它就会冲着那个数字跑。至于这个数字和你真正想要的东西是不是一回事，那是人得先想清楚的。 一个典型的非模型训练案例 autoimprove 这个 RAG 案例，我觉得特别值得看。它碰的不是模型训练本身，而是一个混合搜索系统：给定一批文档、查询和评测集，看 agent 能不能把检索效果一点点往上推。 一方面因为 RAG 就是现在最热的 AI 应用层问题之一。 另一方面因为它很直白地说明了一件事：这套 loop 外溢出去的，不是训练技巧，而是把问题改写成“有可变对象、有评测器、有预算”的能力。 这个案例里，agent 在一个 44,000 个文本块组成的混合搜索系统上反复试，14 次实验之后，综合分从 0.42 提升到 0.46。最值得看的不是这个数字本身，而是最大单次改进并不是人手工指定的，而是它自己发现用 RRF 替代原来的加权融合更合适。 它说明 agent 能找到的，并不只是那种“没人想到过的惊天大发现”，而更像另一类东西： 人知道可能有用，但懒得系统试，或者没空完整跑完的工程改法。 这类改法其实最容易被忽视。不是因为它没价值，而是因为它很少值得一个人拿一周时间扎进去穷举。autoresearch 在这里补上的，恰恰就是这段人类通常会放掉的空白。 这里我很喜欢作者想表达的那个意思：你不再主要是在用 Python 写程序，而是在用 Markdown 描述 agent 应该遵循的过程。 Shopify 和营销归因这两个案例，把事情又往前推了一截 autoresearch 发布几天后，Shopify CEO Tobi Lutke 把这个 loop 对准了 Shopify 的模板引擎 Liquid——一个由数百个贡献者持续优化了 20 年的代码库。他用的不是 Karpathy 的 LLM 训练任务，而是渲染速度。Agent 跑了 93 个实验，自动提交了 93 次。结果：渲染速度提升 53%，内存分配减少 61%。 Shopify 的例子，我觉得真正值得记住的不是提速多少，而是他们工程师那个很准的判断：autoresearch 的价值，不只是把人本来会做的工作做得更快，而是在做那些没人会手动排进 sprint 的工作。 autoresearch 第一批真正有效的场景，很多都长这个样子：价值明确，收益稳定，但执行太枯燥，太碎，太难和其他重点工作抢资源。人理性上知道值得做，现实里总会拖着。agent 则不会烦，也不会觉得无聊。 再看 lucianfialho/mmm-research 这个案例，它做的不是工程优化，也不是搜索系统，而是 Marketing Mix Modeling，也就是营销归因建模。说白一点，就是让 agent 去碰“投出去的钱，最后到底是哪些渠道真正带来了销量”这种业务问题。到这一步，autoresearch 已经不只是进工程系统、RAG 系统，而是开始碰那些业务味更重、但价值也更直接的问题了。 但这个案例最有价值的地方，不是那个漂亮的指标数字，而是后面的复盘。因为它很快暴露出另一件事：只要那部分原本留着做“最终检验”的反馈，持续回流给 agent，它迟早会学会顺着这条反馈去优化自己。它不是“想作弊”，它只是在最小化你给它的那个目标。 看到这里，我越来越认同一个判断： Goodhart 定律在 autoresearch 里不是一句提醒，而是工程约束。 [!note] Goodhart定律（Goodhart’s law）的核心是：当一个度量指标被用作目标时，它将不再是一个有效的指标。 你定义的分数是什么，它就优化什么。 你留下的漏洞是什么，它就利用什么。 问题不是 agent 会不会学坏，而是你有没有把游戏规则写明白。 也正因为这样，我现在反而觉得 mmm-research 这种案例特别重要。它当然证明了 autoresearch 可以碰营销归因这种离训练很远的问题，但它更重要的地方在于，它把这套方法最真实的代价也一起摊开了：你不是把一个 loop 扔进去就行了，你还得对自己的评测机制负全责。你想让它一直跑，它就会一直跑。可它到底是在替你做研究，还是在替你钻规则的空子，最后还是你来决定。 后来大家补的，已经不只是更多实验，而是记忆和环境 如果说前面这些扩展，主要还在回答“这套 loop 能不能进更多问题”，那 habanwer/autoresearch-MIL 和 Research Worlds 这两条线，开始处理的是另一件事：这套 loop 能不能长时间活下去。 原版 autoresearch 有一个很明显的限制：它几乎没有长期记忆。一次 session 结束了，下次再开，很多东西就得重新来。 autoresearch-MIL 补的正是这个缺口。它让 agent 在每轮结束后写 sessions/memory.md ，把目前最好的结果、保留下来的实验和关键上下文记下来。下一轮启动时，先读自己的历史经验，再继续往下跑。 这听起来朴素，实际上很重要。因为一旦 loop 真要接近 NEVER STOP ，失忆就会变成结构性问题。你可以接受 agent 某一轮试错失败，但你很难接受它每次重启都像第一次来。 还有一类更抽象、但也更重要的尝试，是开始把“研究环境本身”写出来。 Research Worlds 讨论的已经不只是“怎么记住上轮实验”，而是“怎么把研究环境本身写出来”。你可以把它理解成：不再只给 agent 一个 prompt 和几个脚本，而是把数据、目标、约束、角色、算力预算、停止条件这些规则一起写进一个 environment。原来散在 prompt、脚本和人脑子里的东西，开始被明确固化下来。 到这里，我的感觉已经不是“大家在做更多实验”，而是“大家开始认真面对一个长期运行系统到底靠什么活着”。 把这两条线放在一起看，我自己的感受是： 最小闭环正在从 loop 长成 environment。 前面那些扩展，还是在补 loop 的边界。到了这里，社区开始补的是更慢、更麻烦、但也更关键的东西：记忆、治理、环境规则。说得直白一点，大家已经不满足于让 agent 多跑几轮了，开始认真处理“它长期活着时，世界长什么样”这个问题。 所以最后真正重要的，不是 NEVER STOP ，而是谁来决定它追什么 这一个月的社区实验，已经证明了很多事。 它证明 loop 能离开原始训练任务。 能去 RAG。 能去营销归因。 能去协作网络。 能去跨 session 记忆。 甚至开始往 environment 的方向长。 但这些实验同时也反过来证明了一件更硬的事： loop 能走多远，最后还是卡在写 program.md 的人，和定义 score.py 的人。 DataCamp 有一句话，我觉得放在这里特别合适： [!important] 写一个好的 program.md ，需要你自己做过这件研究。你得知道哪些方向值得试，“更好”对你的问题到底意味着什么。 这句话背后的意思很直白：你不能用 autoresearch 去替代你还没形成的理解。它能加速你已经理解的问题空间，但它不会自动替你发明一个可靠的问题定义。 同样， score.py 也从来不只是个技术附件。谁定义 score，谁就在定义这个系统会朝哪儿冲；谁没有把漏洞堵住，谁就等于提前把作弊的路径写进了规则里。 说到底，人的角色没有消失，只是变了。 以前你是那个亲手做实验的人。 现在你越来越像那个写研究环境的人：定义目标，收紧边界，设计评测，决定哪些方向值得浪费预算，哪些不值得。 我写到这里，反而越来越不觉得 autoresearch 的核心是“自动做研究”这四个字。它当然让 agent 的执行能力往前走了很多步，但它也顺手把人的工作重新划了一遍。人不再主要负责把每一轮实验亲手跑完，而是负责决定：这个系统应该追什么，应该看什么，哪些反馈信号可信，哪些根本不能放进回路里。 这活没有轻松多少，只是更靠前了。 结尾 如果只看热度，autoresearch 很容易被写成一个“agent 开始自己做研究”的故事。 但我现在更愿意把它理解成另一种变化：研究这件事，第一次被压缩成了一个可以持续运行的最小闭环。过去一个月里，社区最有价值的探索，不是在重复这个 repo，而是在不断补齐让这条闭环更接近 NEVER STOP 的条件。 只是走到最后，人的位置并没有消失，反而变得更清楚了。 AutoResearch 这一个月的社区实验，证明了 loop 能走进的领域比很多人一开始想得更宽。 但它也同样证明了：能走多远，取决于写 program.md 的人的知识边界，以及定义 score.py 的人有没有把漏洞提前堵住。 NEVER STOP 是给 agent 的指令。 但谁来决定它追什么、怎么算赢、哪些反馈信号根本不该放进回路里——这件事还没有办法委托出去。 参考链接 karpathy/autoresearch https://github.com/karpathy/autoresearch 原始 program.md https://github.com/karpathy/autoresearch/blob/master/program.md mutable-state-inc/autoresearch-at-home https://github.com/mutable-state-inc/autoresearch-at-home kousun12/darwin-derby https://github.com/kousun12/darwin-derby autoimprove 项目说明 https://adelzaalouk.me/2026/mar/15/autoimprove-autonomous-optimization/ Shopify 工程文章 https://shopify.engineering/autoresearch lucianfialho/mmm-research https://github.com/lucianfialho/mmm-research habanwer/autoresearch-MIL https://github.com/habanwer/autoresearch-MIL Research Worlds 讨论串 https://github.com/karpathy/autoresearch/discussions/275 DataCamp 指南 https://www.datacamp.com/tutorial/guide-to-autoresearch 1 个帖子 - 1 位参与者 阅读完整话题