大脑(LLM决策引擎) + 手脚(Skill插件执行层) + 记忆(Memory知识管理) 三层协同架构
PaperClaw 现已提供现代化的 Web 用户界面，让您无需命令行即可轻松使用！
- 🎨 专业深色主题 — 现代化UI设计，护眼配色
- 🚀 一键启动研究 — 输入主题即可开始23阶段自动化流程
- 📊 实时进度追踪 — 可视化显示每个阶段的执行状态
- 💾 智能配置保存 — API Key自动保存，无需重复输入
- 📄 结果在线查看 — 直接预览和下载生成的论文、代码等产物
# 1. 启动后端API服务
cd paperclaw-web/backend
pip install -r requirements.txt
python app.py
# 2. 启动前端界面（新终端）
cd paperclaw-web/frontend
npm install
npm run dev
# 3. 访问浏览器
# 打开 http://localhost:5173详细使用说明请查看 paperclaw-web/USAGE.md
PaperClaw 是一套面向学术科研工作者的高能动性 AI 自动化辅助系统。针对传统科研流程中的系统性痛点：
- 📚 文献检索耗时 — 多源文献自动检索与筛选
- 🔄 数据处理重复 — 智能实验设计与自动化执行
- ✍️ 论文写作周期冗长 — AI辅助写作与多轮审稿
- 📝 基金申请繁琐 — 结构化知识管理与复用
本系统以大语言模型（LLM）为决策核心，构建了大脑 + 手脚 + 记忆三层协同架构，实现科研全流程端到端的智能自动化闭环。
核心能力: 智能决策与任务编排
- 支持多种LLM提供商（OpenAI、DeepSeek、Anthropic、OpenRouter等）
- 动态多模型路由（复杂任务自动切换最优模型）
- ACP协议支持（Agent Client Protocol）
- MetaClaw跨运行学习集成
技术特性:
- 自然语言驱动，无需编程基础
- 上下文感知的智能提示词管理
- 多Agent协同决策机制
核心能力: 科研任务自动化执行
依托 ClawHub 开放技能市场（5700+ 科研 Skill），覆盖9大科研领域：
- 文献综述 — 多源检索、智能筛选、知识提取
- 论文写作 — 大纲生成、分段撰写、格式转换
- 实验设计 — 假设生成、方案设计、代码生成
- 数据分析 — 统计分析、结果可视化、报告生成
- 代码生成 — 硬件感知、沙盒执行、自我修复
- 可视化 — 图表生成、架构图绘制、TikZ/Matplotlib
- 同行评审 — 多Agent辩论、方法论一致性检查
- 引用验证 — 4层验证机制、反幻觉防护
- 知识管理 — 结构化存储、跨会话复用
执行模式:
- 🏖️ Sandbox模式 — 本地沙盒安全执行
- 🐳 Docker模式 — 容器化隔离执行
- 🌐 SSH远程 — GPU服务器远程执行
- ☁️ Colab Drive — Google Colab协同执行
核心能力: 持续学习与知识沉淀
三层记忆机制:
-
短期记忆 — 当前运行的上下文状态
- 实验结果缓存
- 中间产物版本控制
- 实时决策日志
-
中期记忆 — 知识库(KB)系统
- 6大类别结构化存储
- Markdown/Obsidian双后端
- 跨会话知识复用
-
长期记忆 — 自我进化系统
- 从失败中提取Lessons
- 30天时间衰减机制
- 自动生成可复用Skills
知识库分类:
docs/kb/
├── questions/ # 研究问题
├── literature/ # 文献知识卡片
├── experiments/ # 实验设计与结果
├── findings/ # 研究发现
├── decisions/ # 决策记录与理由
└── reviews/ # 同行评审意见
Phase A: 研究范围界定 Phase E: 实验执行
1. TOPIC_INIT 12. EXPERIMENT_RUN
2. PROBLEM_DECOMPOSE 13. ITERATIVE_REFINE ← 自我修复
Phase B: 文献发现 Phase F: 分析决策
3. SEARCH_STRATEGY 14. RESULT_ANALYSIS ← 多Agent
4. LITERATURE_COLLECT ← 真实API 15. RESEARCH_DECISION ← PIVOT/REFINE
5. LITERATURE_SCREEN [门控]
6. KNOWLEDGE_EXTRACT Phase G: 论文写作
16. PAPER_OUTLINE
Phase C: 知识综合 17. PAPER_DRAFT
7. SYNTHESIS 18. PEER_REVIEW ← 证据检查
8. HYPOTHESIS_GEN ← 辩论 19. PAPER_REVISION
Phase D: 实验设计 Phase H: 最终化
9. EXPERIMENT_DESIGN [门控] 20. QUALITY_GATE [门控]
10. CODE_GENERATION 21. KNOWLEDGE_ARCHIVE
11. RESOURCE_PLANNING 22. EXPORT_PUBLISH ← LaTeX
23. CITATION_VERIFY ← 相关性检查
门控阶段 (5, 9, 20) 可暂停等待人工审批，或使用
--auto-approve自动通过。
决策循环: 阶段15可触发 REFINE (→ 阶段13) 或 PIVOT (→ 阶段8)，自动版本控制。
输出 → `artifacts/pc-YYYYMMDD-HHMMSS-<hash>/deliverables/` — 可编译的LaTeX、BibTeX、实验代码、图表。
---
## ✨ 核心创新
| 创新点 | 描述 |
|--------|------|
| **🔄 三层记忆架构** | 短期(上下文) + 中期(知识库) + 长期(自我进化)，AI从工具演进为具备持续学习能力的数字科研伙伴 |
| **🎯 动态多模型路由** | 根据任务复杂度自动选择最优LLM，复杂实验自动路由到OpenCode Beast Mode |
| **🌐 开放Skill生态** | ClawHub技能市场5700+科研技能，用户可自定义扩展 |
| **🛡️ 本地私有化部署** | 支持完全离线运行，确保未发表数据与敏感成果的合规安全 |
| **🧬 自我进化系统** | 从每次运行中提取Lessons，30天时间衰减，未来运行自动避免已知陷阱 |
| **🤖 多Agent协同** | 假设生成、结果分析、同行评审均采用结构化多视角辩论 |
---
## 🚀 使用场景
### 场景1: 文献综述自动化
```bash
paperclaw run --topic "Transformer模型在时间序列预测中的应用" \
--mode literature-review \
--auto-approve
输出:
- 50+篇相关文献（OpenAlex + Semantic Scholar + arXiv）
- 知识卡片提取（方法、数据集、结果）
- 研究空白分析
- 综述大纲
paperclaw run --topic "基于注意力机制的异常检测算法" \
--mode experiment \
--gpu-required \
--auto-approve输出:
- 可运行的Python代码（硬件感知）
- 沙盒/Docker执行结果
- 统计分析与可视化
- 实验报告
paperclaw run --topic "多模态学习在医学影像诊断中的应用" \
--mode full-auto \
--conference neurips_2025 \
--auto-approve输出:
- 完整学术论文（5000-6500词）
- NeurIPS/ICML/ICLR LaTeX模板
- 真实引用（4层验证）
- 实验代码与结果
- 同行评审报告
- ✅ 支持完全本地部署（无需联网）
- ✅ 敏感数据不上传云端
- ✅ Docker沙盒隔离执行
- ✅ 网络策略精细控制（none/setup_only/pip_only/full）
- ✅ 4层引用验证（arXiv ID → CrossRef DOI → Semantic Scholar → LLM相关性）
- ✅ 反AI生成痕迹检测
- ✅ 方法论-证据一致性检查
- ✅ NeurIPS审稿清单自动检查
- ✅ 完整实验代码与环境配置
- ✅ 随机种子固定
- ✅ 版本控制与回滚
- ✅ 执行日志完整记录
| 维度 | 传统工具 | PaperClaw |
|---|---|---|
| 自动化程度 | 单点工具，需人工串联 | 端到端全流程自动化 |
| 学习成本 | 需学习多个工具 | 自然语言驱动，零编程基础 |
| 知识沉淀 | 分散存储，难以复用 | 结构化知识库，跨会话复用 |
| 持续优化 | 静态工具 | 自我进化，从失败中学习 |
| 私有化部署 | 多数依赖云服务 | 支持完全离线运行 |
| 维度 | AI Scientist | PaperClaw |
|---|---|---|
| 技能生态 | 封闭系统 | 开放Skill市场(5700+) |
| 记忆机制 | 单次运行 | 三层记忆，持续学习 |
| 多模型支持 | 单一模型 | 动态多模型路由 |
| 本地化 | 依赖云API | 支持完全私有化部署 |
| 知识管理 | 无结构化存储 | 6类知识库 + Obsidian集成 |
- Python 3.11+
- 8GB RAM
- 20GB 磁盘空间
- Python 3.11+
- 16GB RAM
- NVIDIA GPU (CUDA 11.8+) 或 Apple Silicon (MPS)
- 50GB 磁盘空间
- Docker (可选，用于沙盒执行)
- LLM API（OpenAI/DeepSeek/Anthropic等，或本地部署）
- 文献API（可选，提高检索质量）:
- Semantic Scholar API Key
- arXiv API（免费）
- OpenAlex API（免费）
# config.paperclaw.yaml
project:
name: "my-research"
mode: "full-auto"
research:
topic: "你的研究主题"
domains: ["machine-learning", "nlp"]
daily_paper_count: 10
llm:
provider: "openai-compatible"
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
time_budget_sec: 300
sandbox:
python_path: ".venv/bin/python3"
gpu_required: false
# MetaClaw集成（可选 — 跨运行学习）
metaclaw_bridge:
enabled: true
skills_dir: "~/.metaclaw/skills"
lesson_to_skill:
enabled: true
min_severity: "warning"- ClawHub技能市场Web界面
- 可视化流程编排器
- 多语言支持（英文、中文、日文）
- 移动端监控App
- 基金申请书自动生成
- 专利撰写辅助
- 科研团队协作模式
- 知识图谱可视化
- 多模态输入（语音、图像、视频）
- 实时科研助手（类ChatGPT界面）
- 云端SaaS版本
- 企业级权限管理
我们欢迎所有形式的贡献！
- 🐛 Bug报告: 提交Issue并附上复现步骤
- 💡 功能建议: 在Discussions中讨论新想法
- 🔧 代码贡献: Fork → 开发 → Pull Request
- 📚 文档改进: 修正错误、补充示例
- 🎨 Skill开发: 贡献新的科研技能到ClawHub
MIT License — 详见 LICENSE
如果PaperClaw对你的研究有帮助，请引用：
@software{paperclaw2026,
title = {PaperClaw: 面向学术科研工作者的高能动性AI自动化辅助系统},
author = {PaperClaw Team},
year = {2026},
url = {https://github.com/1692775560/PaperClaw},
note = {大脑(LLM决策引擎) + 手脚(Skill插件执行层) + 记忆(Memory知识管理) 三层协同架构}
}PaperClaw基于以下开源项目改进而来：
- 🔬 AutoResearchClaw — 自动化研究流水线
- 🧠 MetaClaw — 跨运行学习系统
- 🌐 OpenClaw — Agent协议标准
特别感谢开源社区的贡献者们！
用 🦞 和 ❤️ 构建 | PaperClaw Team © 2026