🧪 龙虾大学：自动化科研实战（说句话，出论文）

适用场景：你有一个研究想法，想让 AI 帮你跑完从文献检索、实验设计、代码执行到论文撰写的全流程；或者导师/老板要求一份某领域的系统性调研，你希望自动化完成。你只需要在 Telegram 里描述课题，龙虾帮你搜文献、跑实验、写论文。

AutoResearchClaw 是由 aiming-lab 开发的开源自动化科研管线，目标是从一个研究想法到一篇可投稿论文的全自动产出。它内置 23 个阶段、8 大阶段组，覆盖选题分解、文献检索、假设生成、实验设计、代码生成与执行、结果分析、论文撰写、多智能体同行评审的完整科研流程。最终输出包括：

• 完整论文（Markdown + LaTeX，支持 NeurIPS / ICML / ICLR 模板）
• 实验代码与结果（自动生成 Python 代码并在沙箱中执行）
• 对比图表（含误差线和置信区间）
• 引用验证报告（4 层引用真实性校验）
• 同行评审意见（多智能体评审）

配合 OpenClaw 的 Telegram 渠道，你可以直接在手机上发起研究课题，然后去喝杯咖啡——论文写好了会推送到你的 Telegram。

---

1. 你将得到什么（真实场景价值）

跑通后，你会拥有一个全自动的科研助理：

场景 1：从想法到论文

• 问题：有一个研究想法，但从文献调研到实验再到写作，整个流程太长
• 解决：在 Telegram 里描述课题，AutoResearchClaw 自动完成文献检索、假设生成、实验设计与执行、论文撰写，产出一篇会议格式的完整论文

场景 2：应对紧急调研需求

• 问题：导师/老板要求一份某领域的系统性调研报告，从零开始来不及
• 解决：把需求发给龙虾，AutoResearchClaw 在后台跑管线，论文生成后自动推送到 Telegram

场景 3：带实验的研究论文

• 问题：不只想写综述，还需要跑实验验证假设，但手动写实验代码太耗时
• 解决：AutoResearchClaw 会自动设计实验、生成 Python 代码、在沙箱中执行（支持 GPU 加速），并将结果整合到论文中

场景 4：研究选题探索

• 问题：想了解某个交叉领域有哪些研究进展，但不知道从哪篇论文开始读
• 解决：描述你感兴趣的方向，AutoResearchClaw 会帮你从海量论文中筛选、整理，快速建立领域全景认知

---

2. 技能选型：为什么用 AutoResearchClaw？

核心架构：23 阶段 × 8 阶段组

flowchart LR

subgraph A["A 选题"]
A1["选题初始化"]
A2["问题分解"]
end

subgraph B["B 文献"]
B1["检索策略"]
B2["文献收集"]
B3["文献筛选 🚪"]
B4["知识提取"]
end

subgraph C["C 综合"]
C1["发现聚类"]
C2["假设生成"]
end

subgraph D["D 实验设计"]
D1["实验设计 🚪"]
D2["代码生成"]
D3["资源规划"]
end

subgraph E["E 执行"]
E1["沙箱执行"]
E2["自愈迭代"]
end

subgraph F["F 分析"]
F1["结果分析"]
F2["研究决策"]
end

subgraph G["G 写作"]
G1["论文大纲"]
G2["论文撰写"]
G3["同行评审"]
G4["论文修改"]
end

subgraph H["H 定稿"]
H1["质量关卡 🚪"]
H2["知识归档"]
H3["导出发布"]
H4["引用验证"]
end

A --> B --> C --> D --> E --> F --> G --> H

🚪 标记的阶段为人工审批关卡（Gate Stage），默认需要人工确认才能继续。使用 --auto-approve 可跳过。

实验执行模式

AutoResearchClaw 支持多种代码执行环境，自动检测硬件并选择最优方案：

模式	说明	适用场景
sandbox	本地 Python + venv 隔离	轻量实验，无需容器
docker	容器化执行，支持网络策略控制	需要环境隔离的实验
ssh_remote	远程 GPU 服务器执行，可指定 GPU ID	深度学习训练、大规模实验
simulated	模拟执行，不实际运行代码	测试管线流程、纯综述论文

GPU 支持：自动检测 NVIDIA CUDA 和 Apple MPS，无 GPU 时回退到 CPU。如果你的课题涉及深度学习实验（如训练模型、跑 benchmark），建议使用带 GPU 的服务器并配置 ssh_remote 或启用 Docker GPU 支持。

为什么选 AutoResearchClaw？

特性	说明
全流程自动化	23 个阶段覆盖完整科研流程，从选题到投稿
真实实验执行	自动生成代码、在沙箱中执行、自愈修复，支持 GPU 加速
学术级输出	LaTeX 论文（NeurIPS/ICML/ICLR 模板）、BibTeX 引用、对比图表
引用真实性保障	4 层验证：arXiv ID → CrossRef DOI → Semantic Scholar 标题匹配 → LLM 相关性评分
多智能体评审	假设、实验结果、论文均经过多视角评审
自学习进化	每次运行提取经验教训，后续运行自动复用
开源免费	项目完全开源，只需自备 LLM API Key

与论文推送助手的区别：论文推送助手侧重于每日论文筛选和摘要推送（输入是关键词，输出是论文列表）；AutoResearchClaw 侧重于完整论文产出（输入是研究课题，输出是可投稿论文）。两者互补，可以搭配使用。

---

3. 配置指南：从零到论文的完整流程

3.1 前置条件

条件	说明
OpenClaw 已安装运行	基础环境就绪
Telegram 账号	用于与 OpenClaw 交互
大模型 API Key	支持 OpenAI / Claude / DeepSeek / 本地模型等
工具配置档为 coding/full	需要命令执行权限，详见第七章
Python >= 3.10	AutoResearchClaw 运行依赖
（可选）GPU	深度学习实验需要 NVIDIA GPU + CUDA；纯综述/模拟实验不需要

3.2 配置 Telegram 渠道

AutoResearchClaw 通过 Telegram 与你交互，因此需要先创建一个 Telegram 机器人并接入 OpenClaw。

第一步：创建 Telegram Bot

打开 Telegram App，在搜索栏输入 BotFather 并选择带蓝色认证标志的官方账号：

点击 Start 开始对话，然后输入 /newbot 创建一个新机器人：

BotFather 会依次询问你两个问题：

1. 机器人显示名称（name）——可以用中文，比如"虾兄"
2. 机器人用户名（username）——必须以 bot 结尾，比如 HelloClawClaw_bot

完整对话示例：

你：/newbot
BotFather：Alright, a new bot. How are we going to call it?
           Please choose a name for your bot.
你：虾兄
BotFather：Good. Now let's choose a username for your bot.
           It must end in `bot`.
你：HelloClawClaw_bot
BotFather：Done! Congratulations on your new bot.
           Use this token to access the HTTP API:
           8658429978:AAHNbNq3sNN4o7sDnz90ON6itCfiqqWLMrc

重要：妥善保管这个 Bot Token，后续配置 OpenClaw 时需要用到。任何拥有此 Token 的人都可以控制你的机器人。

第二步：在 OpenClaw 中接入 Telegram

回到 OpenClaw 主机，运行 onboard 命令：

openclaw onboard

一路 skip 和 continue，直到出现 Select channel 页面，选择 Telegram (Bot API)。

系统会提示：

●  How do you want to provide this Telegram bot token?
●  Enter Telegram bot token (Stores the credential
   directly in OpenClaw config)

把刚才从 BotFather 获取的 Bot Token 粘贴进去即可。

第三步：获取你的 Telegram User ID

接下来需要填写 allowFrom（允许哪些用户与机器人对话）。这需要你的 Telegram 数字 ID。

获取方法很简单——在 Telegram 中找到你刚创建的机器人，发送 /start：

机器人会回复你的 User ID：

OpenClaw: access not configured.

Your Telegram user id: 8561283145

Pairing code: 6KKG7C7K

Ask the bot owner to approve with:
openclaw pairing approve telegram 6KKG7C7K

记下这个 User ID（如 8561283145），填入 allowFrom 字段。

全部配置完成后，选择 restart 重启 OpenClaw，Telegram 渠道即生效。

3.3 安装与配置 AutoResearchClaw

Telegram 渠道就绪后，接下来配置 AutoResearchClaw 研究管线。

在 Telegram 端向你的龙虾机器人发送以下提示词，让它进入配置助手模式：

阅读：
https://github.com/aiming-lab/AutoResearchClaw

你是一个"极简交互配置助手"。

规则：
- 每次回复 ≤ 5 行
- 一次只做一件事
- 优先提问，不要解释太多
- 不要一次性给完整教程

流程：
1. 用3行以内说明这个项目是干嘛的
2. 列出必须配置的最少参数
3. 然后开始逐个向我提问（一次一个问题）：
   - 模型类型（OpenAI / Claude / 本地）
   - API key
   - base url（如需要）
4. 根据我的回答逐步生成 config.yaml

目标：
让我用最少输入完成配置

龙虾会像一个耐心的配置向导，逐个问你：

1. 你想用哪个大模型？（OpenAI / Claude / DeepSeek / 本地部署）
2. API Key 是什么？
3. Base URL 需要自定义吗？（如果用国内代理或本地模型）
4. 实验执行模式？（sandbox / docker / ssh_remote / simulated）
5. ...直到 config.yaml 生成完毕

提示：配置过程完全通过对话完成，不需要你 SSH 到服务器手动编辑文件。

config.yaml 最小配置示例（参考）

project:
  name: "my-research"

research:
  topic: "Your research topic here"

llm:
  base_url: "https://api.openai.com/v1"
  api_key_env: "OPENAI_API_KEY"
  primary_model: "gpt-4o"
  fallback_models: ["gpt-4o-mini"]

experiment:
  mode: "sandbox"            # sandbox / docker / ssh_remote / simulated
  time_budget_sec: 300       # 每次实验最长执行时间
  max_iterations: 10         # 最大迭代轮次
  sandbox:
    python_path: ".venv/bin/python"

如果需要 GPU 实验，配置 ssh_remote 模式：

experiment:
  mode: "ssh_remote"
  ssh_remote:
    host: "gpu-server.example.com"
    user: "researcher"
    gpu_ids: [0, 1]          # 指定使用哪些 GPU

3.4 开启命令执行权限

openclaw config set tools.profile coding

---

4. 第一次跑通：发起你的第一个研究课题

4.1 自检（30 秒）

openclaw doctor             # OpenClaw 整体健康

确认 Telegram 渠道正常后，就可以发起第一个课题了。

4.2 发起研究课题

在 Telegram 里用自然语言描述你的研究课题。建议包含以下要素：

• 研究主题：明确的研究方向
• 任务目标：期望产出什么（综述、带实验的论文、对比分析等）
• 约束条件：范围限制（时间段、领域、是否跑实验等）
• 输出要求：论文格式、目标会议等

示例——纯综述（无实验）：

研究主题：强化学习在 OpenClaw 框架中的应用综述

任务目标：
- 收集并整理相关论文与资料
- 分析强化学习在智能代理 / 自动化研究系统中的应用方式
- 总结主要方法、范式与发展趋势

约束：
- 不进行任何实验或代码实现
- 仅进行文献调研与综述写作

输出要求：
- 一篇完整的综述论文（包含引用与结构化分析）

示例——带实验的研究论文：

研究主题：基于 Prompt Engineering 的小样本文本分类方法对比

任务目标：
- 在 SST-2 和 AG News 数据集上对比 zero-shot、few-shot、chain-of-thought 三种策略
- 记录准确率、F1 分数、推理时间
- 生成对比图表

实验环境：
- 使用 sandbox 模式执行 Python 代码
- 模型调用通过 API（无需本地 GPU）

输出要求：
- 一篇包含实验结果的完整论文（NeurIPS 格式）

4.3 等待管线运行

发送后，AutoResearchClaw 会在后台启动 23 阶段研究管线。你会在 Telegram 中看到进度更新：

收到！更新课题 + 跑管线：Preflight 通过了（3/10，只是建议，
课题是综述不追求顶会 novelty）。管线在跑，继续等：
新 run 已启动！查进度：Stage 4 在跑！
新 run：rc-20260329-011929-48c212
arXiv 在限速，circuit breaker 进入冷却。等它恢复...

耐心等待：完整的研究管线通常需要 2-4 小时（纯综述可能更快，带实验的可能更长），取决于课题复杂度、实验规模和 arXiv API 限速。管线运行期间你可以正常使用 Telegram 做其他事情。

4.4 接收论文成果

论文生成完毕后，让龙虾把 PDF 发送到 Telegram。建议在发起课题时就提前说明"完成后请提醒我并发送 PDF"：

龙虾会告诉你 PDF 的存储路径和文件大小，并直接发送到聊天窗口供你预览和下载。

完整的产出物目录结构：

artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/
├── paper_draft.md          # Markdown 格式论文
├── paper.tex               # LaTeX 格式论文（可直接上传 Overleaf）
├── references.bib          # BibTeX 引用文件
├── verification_report.json # 引用验证报告
├── experiment_runs/        # 实验代码与执行结果
├── charts/                 # 自动生成的对比图表
├── reviews.md              # 多智能体同行评审意见
└── evolution/              # 自学习经验记录

---

5. 高级场景：从"能用"到"好用"

场景 1：深度学习实验（需要 GPU）

如果你的课题涉及模型训练或大规模推理，需要配置 GPU 执行环境：

研究主题：对比 LoRA、QLoRA 和 Full Fine-tuning 在 LLaMA-7B 上的效果差异

实验环境：
- 使用 ssh_remote 模式，连接 GPU 服务器
- 需要至少 1 张 NVIDIA A100（40GB）
- 训练时间预算：每个实验不超过 2 小时

输出要求：
- 包含训练曲线、评估指标对比表的完整论文

硬件要求：深度学习实验依赖 GPU 硬件。AutoResearchClaw 会自动检测 NVIDIA CUDA 和 Apple MPS，无 GPU 时回退到 CPU。对于需要训练的课题，建议使用 ssh_remote 模式连接带 GPU 的服务器，或使用 docker 模式并启用 GPU 直通。

场景 2：指定论文检索范围

通过在课题描述中明确时间范围和来源，提升文献质量：

研究主题：大语言模型在代码生成中的最新进展

约束：
- 仅检索 2025-2026 年的论文
- 优先 arXiv cs.CL 和 cs.SE 分类
- 包含 ACL、EMNLP、ICSE 顶会论文

场景 3：竞品/方案对比（带实验验证）

研究主题：对比分析 ReAct、Reflexion 和 LATS 三种 Agent 推理框架

任务目标：
- 梳理每种框架的核心思想和适用场景
- 在 HotpotQA 和 ALFWorld 数据集上复现对比实验
- 用表格和图表呈现性能差异

输出要求：包含实验结果的对比研究论文（ICML 格式）

场景 4：课题迭代优化

如果第一版论文不够理想，可以通过后续对话调整：

第一版论文已收到，请补充以下内容：
1) 增加 2026 年最新的几篇关键论文
2) 强化"方法对比"部分，增加定量实验结果的汇总表
3) 在结论部分加入对未来研究方向的展望

场景 5：利用自学习进化

AutoResearchClaw 每次运行都会提取经验教训（决策原因、异常警告等），后续运行自动复用这些经验。这意味着：

• 第一次运行某领域可能需要更多迭代
• 后续同领域课题会更快更稳定（官方数据：鲁棒性提升 18.3%，阶段重试减少 24.8%）
• 建议在同一个 OpenClaw 实例上持续运行相关课题，积累领域知识

---

6. 常见问题与排障

问题 1：管线运行时间过长

常见原因：

• arXiv API 限速——最常见原因，内置 circuit breaker 会自动等待恢复
• 课题范围太广——尝试缩小研究范围或添加更具体的约束条件
• 实验执行时间长——深度学习训练可能需要数小时，可通过 time_budget_sec 限制单次实验时长
• LLM API 响应慢——检查 API Key 是否有效、网络是否通畅

诊断步骤：

openclaw logs --limit 50    # 检查 OpenClaw 日志

问题 2：Telegram Bot 无响应

诊断步骤：

1. 确认 Bot Token 正确：重新在 BotFather 中查看 Token
2. 确认 allowFrom 包含你的 User ID
3. 确认 OpenClaw 已重启：openclaw restart
4. 检查 OpenClaw 健康状态：openclaw doctor

问题 3：实验代码执行失败

常见原因：

• Python 环境缺少依赖——AutoResearchClaw 的自愈机制会尝试自动修复（最多 10 轮迭代），如果仍然失败，检查 Python 版本和基础包
• GPU 不可用——确认 CUDA 已正确安装（nvidia-smi），或切换到 simulated 模式跳过实验
• 内存不足——通过 max_memory_mb 配置限制内存用量，或使用更小的数据集
• Docker 网络策略过严——如果实验需要下载数据集，将 network_policy 设为 pip_only 或 full

问题 4：论文质量不理想

常见原因：

• 课题描述太模糊——提供更具体的研究问题、范围限制和输出格式要求
• 模型能力不足——推荐使用 GPT-4o 或 Claude 等较强模型作为 primary_model
• 跳过了人工审批关卡——Gate Stage（阶段 5、9、20）的人工审核能显著提升质量，建议不要全程使用 --auto-approve

问题 5：配置 AutoResearchClaw 失败

常见原因：

• 工具配置档不对——确认已执行 openclaw config set tools.profile coding
• API Key 无效——检查 Key 是否过期或额度用尽
• 网络问题——确保服务器能访问 arXiv（curl -I https://arxiv.org）和 LLM API 端点

---

7. 安全与合规提醒

提醒 1：Telegram Bot Token 安全

• 不要泄露 Bot Token：任何拥有 Token 的人都可以控制你的机器人，读取所有消息记录
• 不要将 Token 提交到 Git 仓库：使用环境变量或 .env 文件管理，并确保 .gitignore 中包含敏感配置文件
• 定期轮换 Token：如果怀疑 Token 泄露，立即在 BotFather 中使用 /revoke 命令重新生成
• 限制 allowFrom：只允许你自己的 Telegram User ID 与机器人交互，防止陌生人向你的 OpenClaw 发送指令

提醒 2：API Key 与计算资源安全

• LLM API Key 存储在服务器的 config.yaml 中，确保服务器访问权限受控
• 不要在 Telegram 聊天中以明文方式反复发送 API Key
• 定期检查 API 用量——带实验的完整管线可能消耗较多 Token
• 如果使用 ssh_remote 模式，确保 SSH 密钥安全存放

提醒 3：实验执行安全

• sandbox 模式在 venv 中隔离执行，但仍然是本地进程——不要在生产服务器上运行不受信任的课题
• docker 模式提供更好的隔离，推荐用于安全敏感的环境
• 配置 network_policy 限制容器网络访问（none 最安全，setup_only 仅允许安装阶段联网）

提醒 4：论文合规性

• AutoResearchClaw 生成的论文是 AI 辅助产出，在正式发表前务必人工审核
• 检查引用的准确性——尽管有 4 层验证，AI 仍可能产生错误
• 验证实验结果的可复现性——沙箱执行结果应作为参考而非最终结论
• 遵守所在机构/期刊对 AI 辅助写作的相关政策
• 生成的论文适合用作调研参考和初稿框架，不建议直接作为最终投稿

---

8. 总结：从"想法"到"论文"

AutoResearchClaw 的核心价值是将完整的科研流程自动化——你只需要描述课题，23 个阶段的管线帮你跑完剩下的一切：

• 全流程覆盖：选题分解 → 文献检索 → 假设生成 → 实验设计 → 代码执行 → 结果分析 → 论文撰写 → 同行评审
• 真实实验能力：自动生成代码、沙箱执行、支持 GPU 加速，带自愈修复
• 学术级产出：LaTeX 论文 + BibTeX 引用 + 对比图表 + 评审意见
• 手机端操作：通过 Telegram 随时随地发起课题、接收论文
• 持续进化：每次运行积累经验，后续课题更快更准

记住：AutoResearchClaw 生成的论文是一个强大的起点，而不是终点。它帮你跨过从零到一的最大障碍——快速完成文献调研、实验验证和初稿撰写。在此基础上，加入你自己的洞察、分析和创见，才是真正有价值的研究。

参考资料

AutoResearchClaw

• AutoResearchClaw（自动化学术研究管线）
• aiming-lab（项目开发团队）

Telegram

• Telegram BotFather（创建 Telegram Bot）
• Telegram Bot API 官方文档

相关教程

• 论文推送助手（每日论文筛选与推送）
• 第七章 工具与定时任务
• 第四章 聊天平台接入