让 Claude Code 帮你读论文OpenResearch 科研工作流极速入门【免费下载链接】OpenResearchTurn your coding agents into research agents项目地址: https://gitcode.com/GitHub_Trending/op/OpenResearch当 AI 编程助手逐渐成为日常开发标配时一个更值得关注的问题浮出水面同一套 Agent 能力能不能迁移到科研流程里OpenResearchorx正是这个方向的代表性开源项目——一个由 alphaXiv 发起的本地优先研究智能体执行框架它的 Slogan 只有一句话Turn your coding agents into research agents把编程智能体变成研究智能体。项目上线后一度冲上 GitHub 热榜社区讨论中出现531 星/天3.5k star让 Agent 不丢实验结论这类关键词围绕它的实战文章密集涌现。本文不打算重复这些热度而是直接从仓库源码出发为你拆解一条从接入 Claude Code、批量读摘要到低成本跑通检索—笔记—实验—归档完整闭环的极速路径。从聊天式科研到代理式科研传统上用大模型读文献是聊天式的你把论文丢进对话框问几句得到一段回答然后这段对话就消失在聊天记录里。社区情报中最常被诟病的三个痛点——上下文切换频繁、代码与记录脱节、实验复现困难——恰恰都源于此对话没有落盘、结论没有出处、分析脚本没有版本。OpenResearch 给出的解法是代理式科研以本地项目目录为共享记忆。orx up启动本地仪表盘默认http://127.0.0.1:4791导入一个 Git 仓库作为研究项目此后每一次对话、每一篇论文、每一个实验分支都以文件形式沉淀在这个项目里。README.md中对核心机制的描述非常直白把每次实验记录在本地 SQL 数据库把日志、代码和产物保存在你的机器上让智能体从过去的结果中学习并决定下一步尝试什么。用 Claude Code 接入 OpenResearch文件系统即共享记忆一次注册Agent 就认识你的项目接入过程极短。以 macOS/Linux CLI 为例curl -LsSf https://openresearch.sh/install.sh | sh orx up仪表盘打开后导入一个已有的 Git 仓库或新建项目。对一篇论文社区推荐的做法是先通过orx paper id找到作者或社区实现git clone后再用orx up导入——尽量站在已有实现上开始而不是从空仓库起步见 orx-create 技能。导入完成后一个关键动作是把项目的运行命令固定下来orx project edit localProjectId --run-command command这里固定不是措辞而是硬约束在 OpenResearch 的实验树模型里run command 与环境的组合是固定契约所有节点必须逐字相同唯一允许变化的只有节点 Git 分支上提交的代码与配置。这一条在 orx-experiment-tree 技能 中被列为金律级规则。Playbook 注入Claude Code 如何开箱即用接入的神奇之处在于OpenResearch 不是让你把 Claude Code 塞进某个 UI而是反过来的为每个会话生成一份专属的系统提示playbook并通过各智能体原生的注入通道下发。源码注释里写得很清楚src/local/harness/claude.rsClaude Code 通过--append-system-prompt-file注入Codex 通过developerInstructionsOpenCode 通过配置的instructions列表。playbook 模板本体在 SYSTEM_PROMPT.md渲染时替换进项目 id、Git 发布状态、论文 arXiv id、默认计算后端、产物目录、实验树状态0 experiments and 0 runs以及可用技能清单。也就是说Claude Code 每次启动时都会重新认识你的项目当前有几个实验、几次运行、计算默认值是什么一清二楚。更有意思的是会话技能机制orx会把模块化技能写入每个 harness 原生的技能目录——.claude/skills、.opencode/skills、.cursor/skillssrc/local/harness/mod.rs并且每次会话都新鲜写入、零漂移。这解释了为什么社区文章反复强调文件系统即共享记忆记忆不是存在模型上下文里而是存在仓库的文件与 Git 分支里。从批量读摘要到结构化文献笔记的一日工作流第一步多源批量检索文献检索是 OpenResearch 的第一块拼图。orx discover提供四个独立检索原语对应四个语料库枚举定义在 src/main.rs 的LitSource中命令语料特点orx discover keyword queryalphaXivarXiv 全库标题摘要全文的 BM25 检索返回命中片段orx discover embedding queryalphaXiv语义检索按相似度与热度重排orx discover openalex queryOpenAlex 学术图谱跨学科含期刊/会议/引用信息orx discover biorxiv querybioRxiv 预印本经 OpenAlex 索引orx discover pubmed queryPubMed 生物医学经 NCBI E-utilities支持[ti]等字段语法关键是这些命令无需登录输出统一的 JSON 结构source、id、title、abstract、published。批量筛选摘要时orx-lit-review 技能 给出了完整的主 Agent 检索循环方法论先评估检索难度1–10难度 4–7 给 1 轮跟进、8–10 给 2 轮然后对候选做去重按 id、DOI、规范化标题最终收敛到 5–15 篇并排序——覆盖够了就立刻停不把预算当目标。对时间敏感的调研检索原语还支持窗口与排序控制比如只看近一年、按时效优先orx discover keyword query --published-after 2024-01-01 --prioritize recency第二步深入单篇论文批量摘要只能定位深入内容要靠orx paper。它会根据传入的 id 自动识别来源arXiv id/URL、bioRxiv DOI、OpenAlexW…id、PubMed PMID对 alphaXiv 论文默认返回一份紧凑的结构化报告约 10 KB报告缺失时自动回退到抽取的全文--full则强制返回原文以获取精确措辞与上下文src/commands/paper.rs。技能还特别强调发现列表只负责定位任何声明级论据都必须先真正读过原文——这正是可溯源的工程实现而不是口号。第三步把阅读沉淀为结构化笔记读完一批论文后笔记直接落到实验树的节点描述上orx exp desc expId # 打印节点描述 orx exp desc expId --set 核心方法xxx局限yyy cat notes.md | orx exp desc expId --stdin # 长笔记用 stdin 覆写每个实验节点本身就是一个可追溯的知识单元--description记录这个节点欠着什么样的具体改变与测量。随着阅读推进你可以用orx create-experiment把不同的研究假设变成树上的节点——首个无父节点是基线baseline后续节点从父节点的 Git 分支继承代码与运行命令只改该假设相关的部分orx create-experiment projectId --title Larger batch \ --parent localExperimentId \ --description Increase batch size and compare throughput and loss.工具协同与模型分层低成本跑通完整闭环实验树别做成一把扇子读论文只是输入侧OpenResearch 真正区别于论文阅读器的地方在于把文献假设送进实验闭环。这依赖一个清晰的树模型orx-experiment-tree 技能 用一张 ASCII 图划出了三种树形——FLAT FAN所有备选都挂在根节点上赢了不累积、NOODLE单链深挖没有真正的递进和正确的 STACKED BUSHES一轮内小扇面展开备选然后收敛到本轮赢家下一轮从赢家向下生长。规则只有一句话给 X 找父节点 Y 之前先说出Y 确立了什么东西X 是建立在它之上的。配套的自动研究循环是四个动作Repair运行没有回答任何问题→修复同一节点重跑、Refill结果平庸→补充同轮兄弟节点、Promote明确获胜→成为下一轮的父节点、Stop目标达成或分支耗尽。驱动这个循环时orx exp wait --project projectId是专门为谁先跑完就先处理谁设计的它只在第一次完成时返回每次醒来都要用orx runs重新核对全部状态直到输出drained: no runs in flight才算一轮结束。计算分层能本地绝不云端社区情报里反复出现的分层模型使用成本可控在 orx-compute 技能 里有非常具体的执行建议API 驱动的评估与数据准备优先跑 CPU比 GPU 便宜得多选能装下模型和最小 batch 的最小算力真 OOM 或慢到不可接受再升级每一次orx exp run跑的都是一次不可变提交快照——未提交的文件不会进入运行任何后端都不需要推送 GitHub。计算后端从本地、SSH、Slurm、Kubernetes、Modal、Tinker、Ray 到 Hugging Face Jobs 都有适配器默认目标在 playbook 中声明。对于个人研究者最省钱的闭环是本地模型 OpenCode harnessdocs/local-models.md 详细说明了如何用 LM Studio、oMLX、Ollama 或任意 OpenAI 兼容端点vLLM 等驱动 OpenCode 的 Agent 循环模型服务只监听 loopback 地址不依赖云端账号——注意本地推理不等于离线论文检索与 Git 操作仍走网络。证据与归档让不丢实验结论成为默认行为仓库自带的 demo/nanochat 证据包 是理解证据链的最佳范例一份run-manifest.json记录运行命令bash runs/runcpu.sh python -m scripts.chat_cli -p What is the capital of France?、设备mps与每个产物的字节数和 SHA-256evaluation-metrics.json保存了 base 与 SFT 的 validation BPB1.152 → 0.739和最终对话答案 Paristraining-metrics.csv让整条训练曲线可回放。多 GB 的模型权重与数据有意不打包只留清单与哈希——这正体现 orx-reports 技能 的原则可复现性由证据 路径 哈希保证而非堆砌二进制。在 orx-evidence 技能 中还有一条容易被忽略的工程规范让 run 自己打印证据——结束时输出最终指标、紧凑摘要和实际使用的配置长运行周期性打印单行指标。因为如果结果不在日志里它就永远无法被事后检视。最后是数据主权。OpenResearch 完全本地运行不收集代码或智能体执行轨迹官方发布版的遥测事件与随机安装 ID 关联可通过orx telemetry off关闭。对把研究数据视作核心资产的人来说这一条和Git 记录每一次实验同样重要。最小闭环复盘orx up注册项目 →orx discover批量筛摘要 →orx paper精读关键论文 →orx create-experimentorx exp desc沉淀假设与笔记 →orx exp run在最小算力上跑固定契约 →orx logs读证据 →orx-reports归档。把编程智能体变成研究智能体的关键从来不是某个模型有多强而是让每一步都有文件、有分支、有出处——这才是极速入门真正的底层逻辑。【免费下载链接】OpenResearchTurn your coding agents into research agents项目地址: https://gitcode.com/GitHub_Trending/op/OpenResearch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
