DeepScientist

一句话定位

DeepScientist 是一个本地优先（local-first）的“自主研究工作室”：一个后台 daemon，配 Web、TUI 和聊天软件前端，包住一个 coding-agent runner。推荐用 Codex，也支持 Claude Code、Kimi Code 和 OpenCode。

它给每个研究任务（quest）建一个 Git 仓库，长时间地复现 baseline、跑实验循环，再把发现整理成论文草稿。它以“发现”为先，写作在后。

基本信息

项目	内容
仓库	ResearAI/DeepScientist；npm 包 @researai/deepscientist
许可证	Apache-2.0；另有 TRADEMARK.md 限制名称和 logo 的使用
论文	DeepScientist: Advancing Frontier-Pushing Scientific Findings Progressively，arXiv:2509.26603，ICLR 2026（OpenReview）。ICLR 官网上的类型是 Poster；README 首页另有一个 “ICLR 2026 Top 10” 徽章
GitHub star（2026-10-15）	3,375
创建时间	2025-09-26
最近提交	main 分支 2026-06-28（共 341 个 commit）。最新版本 v1.6.0 发布于 2026-05-13，也是 npm 上的最新版。2026 年 3–4 月发版频繁（v1.5.11 到 v1.5.17），5 月以后明显放缓
维护者	ResearAI，README 称由西湖大学 WestlakeNLP 维护。团队还组织了 NLPCC 2026 AISB shared task
Issues	共 56 个，14 个未关闭，42 个已关闭

架构与阶段

论文里的研究系统（2025）

把科学发现形式化为 Bayesian optimization，用分层的“提出假设 → 验证 → 分析”循环推进，并维护一个持续累积的 Findings Memory。
有希望的发现会被提升到更高保真度的验证。
实现上，核心推理用 Gemini-2.5-Pro，所有代码实现交给 Claude Code（v1.0.53）里的 Claude-4-Opus。DeepScientist 和 Claude Code agent 分别跑在隔离的 Docker 容器里。

当前的开源产品（v1.6）

每个 quest 是一个 Git 仓库，用分支和 worktree 表示不同的研究路线。
典型流程：从论文、代码仓库或研究目标出发做调研 → 复现 baseline（恢复环境和依赖，记录哪些步骤可信）→ 选 idea → 多轮实验（分支、消融）→ 分析 → 写作、作图、审稿和 rebuttal → 编译 LaTeX 和 PDF。
进度显示在 Research Map / Canvas 上；benchmark 来自 BenchStore；可以接微信、QQ、Telegram、WhatsApp、飞书等聊天软件。
没有固定的阶段调度器，由 skill 根据 quest 当前所处的位置告诉 agent 下一步怎么做。

Start Research 对话框里的主要选项：

选项	取值
`research_intensity`	`light`：只做 baseline，8 小时；`balanced`：baseline 加一个方向，24 小时；`sprint`：完整研究，48 小时
`decision_policy`	`autonomous` 或 `user_gated`
`launch_mode`	`standard` 或 `custom`
`review_followup_policy`	`audit_only`、`auto_execute_followups`、`user_gated_followups`
其他	`manuscript_edit_mode`、`need_research_paper`

Claude Code 与 Codex 的角色

Codex：默认和推荐的 runner

README 原话是 “If you just want the safest recommendation, start with Codex first.”

Codex 在隔离的 .ds/codex-home 里运行，启动前会把你 ~/.codex 里的认证、配置、skill、agent 和 prompt 复制进去。这是 #7 修复后的行为，修复前会丢掉用户已有的 skill。
runner 会转发 profile、model（文档建议使用 provider profile 时设为 inherit）、approval policy、sandbox mode 和 reasoning effort。文档示例用的是 gpt-5.4，reasoning effort 设为 high 或 xhigh。
需要 24 小时连续运行时，维护者建议用 ChatGPT Pro 套餐（见 #32）。

Claude Code：四个内置 runner 之一

另外三个是 Codex、Kimi Code 和 OpenCode。

先用 ds doctor --runner claude 检查，再用 ds --here --runner claude 启动。
DeepScientist 以 headless 方式调用 Claude Code。项目文档 docs/en/24_CLAUDE_CODE_PROVIDER_SETUP.md（2026-10-15 版本）给出的调用形态大致如下。这条命令由 DeepScientist 自己发起，不需要你手动执行，我们也没有运行过。注意其中的 --permission-mode bypassPermissions，也就是跳过 Claude Code 的逐项权限确认：

claude -p \
  --input-format text \
  --output-format stream-json \
  --verbose \
  --add-dir /absolute/workspace \
  --no-session-persistence \
  --permission-mode bypassPermissions \
  --mcp-config /absolute/runtime/claude-home/mcp.json \
  --allowedTools "mcp__memory,mcp__artifact,mcp__bash_exec"

每次运行会注入 3 个 MCP server：memory、artifact、bash_exec。DeepScientist 的 skill 会同步到 quest 自己的 .claude/agents 下。
在 runners.yaml 里配置 binary、config_dir（默认 ~/.claude）、model、permission_mode 和 env。也可以让 Claude Code 通过 Ollama 调用本地模型。

论文版本中的 Claude Code

论文版本的所有代码实现都交给 Claude Code + Claude-4-Opus。
论文附录 C 记录：Claude Code 报告完成后，DeepScientist 会自己从命令行再跑一遍主脚本。这样做是为了应对大量“假阳性”：作者观察到，约 50% 的初始实现尝试因 Claude Code agent 内部超时而没有完整完成。
本调研没有找到在 DeepScientist 内部对比不同 runner 的对照实验。#32 里有一位用户说，烧了 100 美元的 GPT-5.1 也没做出结果，“比 claude 的差的有点多”。这只是单个用户的体验。

安装与运行

平台：完整支持 Linux 和 macOS。原生 Windows 仍是实验性支持，README 强烈建议用 WSL2。

推荐路线（Codex）：

npm install -g @researai/deepscientist
codex login
ds --here

Claude Code 路线（前提是 claude 已经能在你的 shell 里直接运行）：

npm install -g @researai/deepscientist
claude --version
ds doctor --runner claude
ds --here --runner claude

从源码安装：

git clone https://github.com/ResearAI/DeepScientist.git
cd DeepScientist
bash install.sh
ds

启动后的默认本地地址：

http://127.0.0.1:20999

然后在网页里点 Start Research，填写研究目标、baseline 或论文链接（也可以是本地路径），再选择 decision policy 和 intensity。

其他常用命令：

ds --auth true：每次启动时生成一个本地访问密码（默认不开启）。
ds --tui：终端界面。
ds --stop：停止本地 daemon 和所有正在运行的 agent。

runner 的认证和 provider 配置仍由底层 CLI 负责：先让 codex、claude、kimi 或 opencode 在 shell 里单独跑通，再运行 ds doctor --runner <name>。

README 还提供了一段建议的致谢文字，用于在论文里披露 AI 协助：

We used DeepScientist to assist parts of the research workflow, including selected planning, implementation, experiment orchestration, analysis, and/or writing support. Final judgments, claims, and reported real experimental results remain the responsibility of the human authors.

人工检查点与自主模式

decision_policy 设为 autonomous 时，普通的等待点（例如论文材料包的检查点）会自动继续，界面上标为 Auto-resumed。但以下情况仍会停下来等人：需要凭据、涉及隐私或数据导出边界、外部花费很高，以及最终确认 quest 完成。
设为 user_gated 时，只有在继续执行确实取决于你的时候，agent 才发起阻塞性的决定。
工作区还分 copilot 和 autonomous 两种模式：copilot 完成你要求的当前单元后就停下，等下一条消息或 /resume；autonomous 会一直推进到下一个真正的长时任务。
review_followup_policy 设为 user_gated_followups 时，审计完成后会先征求你同意，再做昂贵的后续工作。
任何时候都可以在 Web、TUI 或已连接的聊天软件里暂停、接管、修改计划或代码，再把控制权交还。

论文里的研究活动也不是无人值守的：全程有 3 名人类专家监督，负责核实输出、过滤幻觉，所有实验结果都经过人工检查。

成本与算力

场景	数字	来源
产品版，用 GPT-5.4	每小时约 $15–25	维护者在 #32 中的估计
用订阅代替 API	24 小时运行建议用 ChatGPT Pro；用 Plus 每 5 小时要停 3–4 小时	同上
按预设时长粗算	预设为 8、24、48 小时，按 API 价格约 $120–1,200 一个 quest	本调研按每小时 $15–25 推算，不是项目方数据
论文的研究活动	超过 2 万 GPU 小时（2 台服务器，各 8 张 H800），总花费约 $100,000；生成约 5,000 个 idea，约 1,100 个做了实验验证，21 个带来进展	论文（自报）
论文中的单位成本	每个 idea 约 $5 API 费用；每次实现尝试约 $20 的 Claude-4-Opus 费用，外加约 1 GPU 小时；一个成功的发现进入分析和写报告阶段，还要再花约 $150	论文附录（自报）
一次独立评测中的运行	ResearchFlow-Eval 的单个任务：7.0 小时、205.7M token，是 9 个系统里 token 用量最多的	独立评测

用户在 #32 里的反馈：

用第三方大模型时，光写开头的 PLAN.md 就用掉了 5M token。
有人花了 100 美元的 GPT-5.1，没做出结果。
有人跑了十几 M token 的 GPT，也没出结果。

磁盘也可能被撑爆：quest 仓库可以涨到 100 GB 以上（#104）。

质量证据

证据强度分两件事看：

“在巨大算力和人工监督下，能不能把指标推过 SOTA”：中（自报，有人工监督）。
“能不能写出好论文”：弱。

证据	结果	类型	要注意的地方
系统论文被 ICLR 2026 接收	Poster	真实人类评审	被评审的是人写的系统论文，不是 DeepScientist 产出的研究论文
三个前沿 AI 任务上超过人类 SOTA	分别提升 183.7%、1.9%、7.9%	自报	研究版本，超过 2 万 GPU 小时、约 $100k。3 名人类专家全程监督，所有实验结果都经人工检查。不是开箱即用的产品跑出来的。人类专家抽样分析失败的试验，约 60% 因实现错误而提前终止
作者组织的小型人类评审	5 篇生成论文均分 5.00（5.67、5.67、5.00、4.33、4.33）；作为参照，ICLR 2025 全部投稿的均分是 5.08	开发方评测	委员会只有 3 人：2 位 ICLR 2025 志愿审稿人，加 1 位曾受邀担任 ICLR AC 的研究者。在所用的 1–10 分尺度上，5 分是 borderline reject
DeepReviewer-14B 打分	均分 5.90，60% 判为接收	AI 审稿分	DeepReviewer 出自 DeepScientist 的同一批作者（论文引用 Zhu、Weng 等 2025）；比上面的人类评审高约 0.9 分
Stanford Agentic Reviewer（SAR）给 DeepScientist 公开的 3 篇论文打分	均分 4.1，接收率 0%	AI 审稿分（第三方打分，出自 ScientistTwo 论文）	n=3；ScientistTwo 是另一个 AI 科学家系统，这组分数出自它和自家系统的对比表
ResearchFlow-Eval	DeepScientist 1.6.0（Codex CLI + GPT-5.5）总分 39.9，低于同模型的原生 Codex（45.1）。四个设计阶段的得分在 GPT-5.5 系统里最高，但代码执行只有原生 Codex 的一半（25.0 对 50.0），结果质量 0.0，34 次尝试没有一次达到成功标准	独立评测	单任务，每个系统只跑一次
ScientistOne 的诚信审计	用 DeepScientist（Codex CLI）在其 5 个任务上各跑 3 个 seed：分数能复现的 11/12；参考文献幻觉 42/201（20.9%），是被审计系统里最高的，审计方认为原因是参考文献靠模型记忆生成；方法与代码一致的 5/15	独立评测（由另一个 AI 科学家系统的作者执行）	审计方同时在介绍自家系统；被审的各系统统一换用 Gemini 3.1 Pro 作底模，跑的是 ADRS 基准任务
README 里的论文示例	只有截图	自报	没有找到 DeepScientist 产出的论文经过会议评审的报告

AI 审稿分为什么不能当质量证据，见为什么 AI 审稿分不可信。

已知问题

#32（未关闭）：完成一个任务要花多少 token 和时间？有用户用第三方模型写开头的 PLAN.md 就用了 5M token；维护者估计用 GPT-5.4 每小时 $15–25，并推荐 ChatGPT Pro；也有用户花了 $100 的 GPT-5.1 或十几 M token，都没出结果。
#42（已关闭）：多名用户反映 agent 卡在 baseline 上，迟迟不进入 idea 阶段；发帖人说跑了两天还在确认 baseline。维护者在 v1.6.0 里调整了 prompt，称 token 效率提升 30%。
#104（未关闭）：虚拟环境、模型 checkpoint、OpenCode 和 Hugging Face 缓存被收进 quest 的 Git 仓库，一个 quest 的 .git 达到约 96 GB，Git pack 内存耗尽，daemon 变为 unhealthy。
#108、#75（都未关闭）：界面卡在 “Working…”，任务停不下来也放弃不了，token 白白消耗。一位项目贡献者在 #75 里回复说 Windows 上 bug 比较多，建议用 Linux 或 WSL。#108 还请求在 5 小时订阅额度重置后自动恢复运行。
#7（已修复）：Codex runner 曾替换 CODEX_HOME，丢掉用户已有的 skill。现在会把 ~/.codex 的认证、配置、skill、agent 和 prompt 继承到隔离的 .ds/codex-home。
#87、#91（已关闭）：旧版本的 ds doctor 不认 --runner claude 参数，维护者称已在 main 上修复。再加上 #17（打开后网页空白）、#56（启动失败）和 #103（抱怨安装麻烦），可以看出安装配置环节反复出问题。

适合与不适合

适合：

在一个可复现的 baseline 上做长周期、以指标为导向的研究：先复现一篇论文的代码，再连续几天迭代假设，全过程留在 Git 里。前提是有一个 agent 改不到、也看不到的评估器（见推荐流水线的 S0）。
本地优先、需要保密的工作，或者想在手机上跟进进度的人。
深挖建议的配置是 Codex + ChatGPT Pro 套餐 + 自己的 GPU。

不适合：

想快速、便宜地出一份论文草稿。
预算紧：按 API 价格每小时约 $15–25。
Windows 用户。
对稳定性要求高的场景：卡死、磁盘膨胀、安装配置问题都有报告。
主要想把写作做好的人：它以发现为先。
需要活跃维护的人：2026 年 5 月以后没有发布新版本。

结论

在本调研深挖的 pipeline 里，DeepScientist 关于“推动前沿发现”的公开说法最强，而且原生支持 Codex，也支持 Claude Code。但这些发现是作者自报的，背后是 2 万多 GPU 小时、约 $100k 和 3 名专家的全程监督。

作为产品，它昂贵、毛糙，更新也在放缓。在 ResearchFlow-Eval 这项独立评测里，它的总分低于同模型的原生 Codex。适合在有人监督的前提下跑长时间的指标优化，不适合用来快速产出一篇好论文。

下一步：怎么选 pipeline · 推荐流水线（S0–S10）