AutoR核心功能揭秘：9大阶段工作流如何实现可复现研究？

【免费下载链接】AutoRAI handles execution, humans own the direction, and every run becomes an inspectable research artifact on disk.项目地址: https://gitcode.com/gh_mirrors/auto/AutoR

AutoR（GitHub 加速计划）是一款以可复现研究为核心的AI辅助科研工具，通过标准化的9大阶段工作流，让每一次研究运行都成为可检查的磁盘 artifact。本文将深入解析AutoR如何通过结构化流程实现科研全生命周期的可追溯性与可重复性，帮助新手科研人员快速掌握这一强大工具。

什么是AutoR？核心价值解析

AutoR的核心理念是**“AI处理执行，人类掌控方向”**。它将科研流程拆解为9个有序衔接的阶段，从研究目标 intake 到最终成果 dissemination，每个环节都生成标准化的文件记录，确保研究过程可追溯、结果可复现。

AutoR终端界面展示了Stage 01: Literature Survey的执行状态，包含运行ID、模型配置和阶段摘要等关键信息

9大阶段工作流详解：从想法到成果的全流程管理

00. Intake：精准定义研究目标

核心任务：将用户模糊的研究想法转化为明确的研究方向。
AutoR首先通过苏格拉底式提问澄清目标，识别隐含假设，并评估现有资源（如文献、代码、数据集）是否足以支撑后续研究。例如，若用户提供了相关论文，Intake阶段会自动生成资源清单，判断哪些阶段可加速或跳过。

关键输出：

• 精炼的研究方向陈述
• 用户提供资源的详细 inventory
• 针对模糊点的3个关键澄清问题

相关实现：src/prompts/00_intake.md

01. Literature Survey：系统性文献调研

核心任务：构建高质量的研究 landscape，避免“拍脑袋”式 gap 断言。
AutoR要求所有“前人未做X”的结论必须附带搜索记录，并将文献摘要、引用关系存储在workspace/literature/目录下。同时生成sources.json和claims.json，建立“主张-证据”追溯链。

质量保障：

• 区分奠基性工作、近期方法和开放问题
• 记录证据强度（强/弱/不一致/缺失）
• 生成可指导后续研究的具体建议

相关实现：src/prompts/01_literature_survey.md

02. Hypothesis Generation：可证伪假设设计

核心任务：将文献发现转化为可测试的假设，避免“工程目标伪装成假设”。
每个经验假设（H1, H2...）必须包含明确的决策规则，例如：“当模型在5个随机种子上的准确率超过基线3个百分点时支持H1，否则拒绝”。

关键输出：

• 理论命题（T1, T2...）
• 经验假设（H1, H2...）
• 暂定论文主张（C1, C2...，需明确标记为“暂定”）

相关实现：src/prompts/02_hypothesis_generation.md

03. Study Design：严谨实验设计

核心任务：将假设转化为可执行的实验方案，避免“空想式设计”。
AutoR要求明确主要指标（如准确率）、种子数量（默认5次独立运行）和基线对比，并在experimental_protocol.json中记录这些关键参数。同时需评估可行性，例如计算资源是否足够、时间是否可控。

设计规范：

• 必须说明“若资源不足，优先削减哪些条件”
• 确保简化后的设计仍能验证核心假设H1
• 识别潜在的有效性威胁（如数据泄露、混淆变量）

相关实现：src/prompts/03_study_design.md

04. Implementation：可执行代码实现

核心任务：将设计转化为可运行的代码，杜绝“伪代码戏剧”。
AutoR要求代码必须通过冒烟测试（smoke test），即执行最小化的真实数据切片，并将命令、 exit code 和输出记录在smoke_run.txt中。代码组织需清晰，便于他人复现。

关键产出：

• 可运行的实验脚本（存放于workspace/code/）
• 数据集加载器和元数据（存放于workspace/data/）
• 明确记录未实现的组件和已知限制

相关实现：src/prompts/04_implementation.md

05. Experimentation：严格实验执行

核心任务：按预注册方案执行实验，避免“结果导向的调整”。
AutoR严格遵循Stage 03定义的experimental_protocol.json，确保种子数量、基线调优预算和主要指标与设计一致。所有原始结果以机器可读格式（如JSON）存储，而非仅文字描述。

纪律要求：

• 记录每次实验的配置搜索次数（如尝试了20种超参数组合）
• 保存每轮运行的原始输出，不篡改或选择性报告
• 明确标记异常值和失败案例

相关实现：src/prompts/05_experimentation.md

06. Analysis：客观结果分析

核心任务：根据预注册决策规则判断假设是否成立，避免“趋势解读为结论”。
AutoR生成hypothesis_outcomes.json，对每个假设（H1, H2...）给出明确 verdict（支持/拒绝/不确定/未测试），并附上统计依据（如种子数、标准差）。例如：

{ "id": "H1", "verdict": "supported", "rationale": "准确率超过基线3.2±0.5个百分点（n=5）", "statistics": {"n_seeds": 5, "dispersion": 0.5, "dispersion_type": "std"} }

关键决策：

• 定义研究轮次是否收敛（converged）、需优化设计（refine_design）或放弃（abandon）
• 若所有假设均被拒绝，需明确标记为“negative_result: true”

相关实现：src/prompts/06_analysis.md

AutoR生成的分类准确率对比图，展示了不同模型在Chameleon、Squirrel和Actor三个数据集上的性能（包含均值和标准差）

07. Writing：规范论文撰写

核心任务：将研究成果转化为 submission-ready 的论文，避免“论点凌驾于证据”。
AutoR生成完整的LaTeX论文包，包括main.tex、各章节、参考文献和图表。关键要求：

• 区分“验证性发现”（需对应预注册假设且 verdict 为 supported）和“探索性发现”
• 生成claim_provenance.json，记录每个论点的证据来源
• 自动编译PDF并检查布局问题（如引用错误、图表缺失）

相关实现：src/prompts/07_writing.md

08. Dissemination：成果发布准备

核心任务：打包可复现的研究资产，避免“未经验证的就绪声明”。
AutoR生成 submission bundle，包含论文PDF、代码、数据和检查清单。通过reproducibility-check技能验证关键步骤，例如：

• 代码是否可在新环境中运行
• 结果是否与论文一致
• 所有依赖是否明确声明

相关实现：src/prompts/08_dissemination.md

AutoR工作流全景：可视化研究进程

AutoR提供直观的工作区概览界面，实时展示各阶段状态（已完成/待审核/失败），帮助用户掌控研究进度。例如，下图显示某项目已完成8个阶段中的7个，最终状态为“Failed”，并记录了各阶段的执行时间和结果。

AutoR研究控制工作区界面，展示项目“SPARSE MOE STUDY”的阶段完成情况和运行状态

如何开始使用AutoR？

1. 克隆仓库：

   git clone https://gitcode.com/gh_mirrors/auto/AutoR

2. 运行主程序：

   python main.py --goal "你的研究目标"

3. 跟随阶段引导：
   AutoR会按顺序执行各阶段，在每个节点提示用户输入或确认，确保研究过程规范可控。

总结：AutoR如何变革科研工作流？

AutoR通过结构化阶段设计、强制证据记录和机器可读 artifact，解决了传统科研中“流程模糊”“结果难复现”的痛点。无论是新手还是资深研究者，都能通过AutoR将精力集中在创造性思考上，而非繁琐的流程管理。

如果你希望提升研究的透明度和可信度，AutoR将是你的理想选择！🚀

注：本文档基于AutoR项目结构编写，详细实现可参考 src/ 目录下的核心模块。

【免费下载链接】AutoRAI handles execution, humans own the direction, and every run becomes an inspectable research artifact on disk.项目地址: https://gitcode.com/gh_mirrors/auto/AutoR