跳转到内容
Auto-Research 调研

怎么选 pipeline

你的情况 推荐 怎么用
已有方向，或者想改进某篇论文和它的代码；有 GPU；有 Claude Code 和 ChatGPT 订阅 ARIS 运行 /research-pipeline "…" — AUTO_PROCEED: false, human checkpoint: true, effort: max, assurance: submission，再跑 /integrity-forensics。也可以只用 /auto-review-loop、/paper-writing、/rebuttal。审稿通道要按 README 换成仓库自带的 codex-exec bridge（codex-cli ≥0.154 必须如此）
问题能写成“在一个封存的评估器下改进程序”，并且有 Docker 和 H100 Sakana AI-Scientist-v3 自己写 task.md、评估器和 rubric，然后运行 agsci run … agent.name=claude（或 codex），也可以用 agent.pool=[codex,claude] 混用。仓库只有 2 天历史，属于早期研究代码，agent 以全权限运行，必须放在 Docker 里
CPU 或单卡的小型研究，想快速出一稿 AutoResearchClaw（co-pilot 或 gate-only 模式） 一定要显式设置 experiment.mode。默认值是 simulated，会生成公式化的假数字；系统会拒绝用全模拟数据写论文，但综述类除外。每次运行约 $3–15
已经有结果，只缺一篇干净的论文 Spark-to-Paper 约 $8、3 小时，能校验引用，生成可编辑的矢量图
想连续几天冲一个指标 DeepScientist（Codex），或 Karpathy 式 autoresearch 循环 API 价格约 $15–25 / 小时。必须有一个 agent 改不到、看不到的评估器

安全底线：

  • 在容器或虚拟机里跑，使用单独的、设了消费上限的 API key。
  • 固定 Claude Code 和 Codex 的版本。
  • 安装前先读一遍 setup.sh 和 requirements.txt，参考 AutoSci 的恶意依赖事件。

各 pipeline 详解

跳转到“各 pipeline 详解”一节