Scientify - AI-powered research workflow automation for OpenClaw. Includes idea generation, literature review, research pipeline skills, and arxiv tool.
Install
openclaw plugins install clawhub:scientifyScientify
持续新陈代谢的 AI 科研系统
它能做什么
[!IMPORTANT] Scientify 不是一个"问一次答一次"的 AI 工具。它像一个真正的研究伙伴——持续思考、持续积累、持续交付。
1. 新陈代谢：持续思考，而非一次性回答
现有 AI 科研工具的工作方式是批处理——给个问题，跑一遍 pipeline，输出报告，结束。下次再问同一个方向，从零开始。跑 10 次和跑 1 次没有本质区别。
但人类研究者不是这样工作的。你每天在读、在跑、在想。昨天的失败改变了今天的阅读，上周的对话改变了这周的实验设计。
Scientify 采用新陈代谢模式——持续地摄入、消化、沉淀、再摄入：
- 持续摄入：每天自动跟进前沿论文，不需要你手动触发
- 消化沉淀：将新知识与已有积累关联，写入持久化知识库
- 假设进化：淘汰无效假设，进化有效路径，每一轮失败都是下一轮的养料
- 主动交付：发现值得关注的进展后自动验证，验证通过主动推送给你
用得越久，它研究越深入。
Scientify 通过飞书主动向研究者推送最新发现，并结合知识库产生思考
它有多大优势？我们做了一项受控研究
新陈代谢模式不只是一个工程选择——它带来的是质的不同。我们在 50 个研究主题、892 条生成假设 上对照测试了新陈代谢与传统批处理范式，论文：arXiv:2604.12243。
| 指标 | 批处理基线 | 新陈代谢 | 差异 |
|---|---|---|---|
| 命中率 — 假设方向被后续论文验证的比例 | 3.0% | 5.8% | 1.9×（接近翻倍） |
| 单主题有效假设数 | 13.7 | 17.3 | +26% |
| LLM 评判的新颖性（1–10 分制） | 6.39 | 6.82 | +0.43 |
| 单条假设的 Token 成本 | 434K | 30K | −92% |
📄 详见 Continuous Knowledge Metabolism: Generating Scientific Hypotheses from Evolving Literature
2. 端到端自主研究：做到 SOTA 级成果
给它一个课题，它自己把研究做完，跑出性能超越外部文献水平的新算法。
多 Agent 迭代驱动：编排器持有假设和全部积累，只调度不写代码；每轮 spawn 独立子 agent 执行实现、审查、实验；每一轮失败都沉淀为下一轮的经验，假设越修正越精确，直到发现更优的方法。
Showcase：自主发现 KV2 算法并达到领域领先性能
目标：针对长上下文 LLM 推理，设计一种策略，同时降低首 token 时延和单请求通信量。
Scientify 自主完成文献调研、假设生成、代码实现与消融实验验证，提出 KV2 算法，相较于现有研究，TTFT p95和bytes/request均有不同程度降低，性能达到 SOTA 水平。
Scientify 独立产出的学术论文，报道KV2的设计思路与结果
KV2 与现有方法的 SOTA 对比
架构
┌─────────────────────────────────────────────────────────────┐
│ 研究者 │
│ 对话 · 投喂材料 · 判断假设 │
└──────────────┬──────────────────────────────┬───────────────┘
↓ ↓
┌──────────────────────────┐ ┌──────────────────────────────┐
│ Agent 层 │ │ 知识库（持久化） │
│ │ │ │
│ Heartbeat 每天定时唤醒 │←→│ _index.md │
│ Reflection 自主跨领域探索│ │ topic-*.md │
│ Pipeline 假设验证执行 │ │ hypotheses/ │
│ │ │ experiments/ │
└──────────┬───────────────┘ │ conversations/ │
↓ │ │
┌──────────────────────────┐ │ Markdown 文件 · Git 管理 │
│ 工具层 │ │ 完全可审计 · 你也能编辑 │
│ │──→│ │
│ arxiv_search │ └──────────────────────────────┘
│ openalex_search │
│ github_search │
│ paper_browser │
│ code_executor │
└──────────────────────────┘
四个部分，各司其职：
研究者
你是系统的一部分。通过对话注入判断、投喂材料、确认或否决假设。你的参与让新陈代谢的方向更准确，让研究假设更精确。
Agent 层
三个循环驱动新陈代谢：
| Agent | 做什么 | 触发方式 |
|---|---|---|
| Heartbeat | 每天跟进前沿论文，发现关联后自主验证，验证通过主动推送给你 | 定时自动唤醒 |
| Reflection | 跨领域探索，将不同主题的知识关联起来，发现意想不到的联系 | Heartbeat 触发 / 研究者触发 |
| Pipeline | 端到端研究执行——文献调研 → 深度分析 → 实现 → 审查 → 实验 | 研究者触发 / Reflection 触发 |
Pipeline 内部是多 Agent 迭代：编排器持有假设，spawn 子 agent 执行实现（implement）、审查（review）、实验（experiment）。每轮失败沉淀为经验，假设越修正越精确。
工具层
Agent 的手和眼：
| 工具 | 能力 |
|---|---|
arxiv_search / openalex_search | 搜索学术论文（arXiv + 跨学科） |
github_search | 搜索开源代码实现 |
paper_browser | 分页精读论文，避免上下文溢出 |
code_executor | 在 uv 隔离环境中执行实验代码 |
Scientify 运行在 OpenClaw 之上，天然可调用平台的 MCP 服务器（Slack / 飞书推送）、浏览器自动化（付费文献下载）、多会话并发（多方向并行研究）等能力。
知识库
所有积累持久化为 Markdown 文件，Git 管理，每一行变化都可追溯。你和 Agent 读写的是同一组文件：
knowledge_state/
├── _index.md # 研究全局索引
├── topic-*.md # 按主题组织的知识沉淀
├── hypotheses/ # 假设演化记录
├── experiments/ # 实验结果与分析
├── paper_notes/ # 逐篇论文深读记录
└── logs/ # 每轮新陈代谢的运行日志
环境要求
- Node.js >= 18
- Python 3 + uv（用于 ML 代码执行）
- git
安装 OpenClaw
# 全局安装 OpenClaw
pnpm add -g openclaw # 或: npm install -g openclaw
# 运行引导向导（配置模型提供商、API Key、工作空间）
openclaw onboard
# 启动 Gateway（WebUI 服务器）
openclaw gateway
启动后，WebUI 地址为 **http://127.0.0.1:18789/**（默认端口）。
代理用户注意： 如果你设置了
http_proxy，访问 WebUI 时需加--noproxy 127.0.0.1，或在浏览器中配置代理例外。
安装 Scientify
openclaw plugins install "$(npm pack scientify)"
插件安装到 ~/.openclaw/extensions/，自动启用。
从源码安装（开发用）
git clone https://github.com/tsingyuai/scientify.git
cd scientify && pnpm install && pnpm build
# 链接为开发插件
openclaw plugins install -l ./
验证安装
openclaw plugins list
# 应显示: Scientify (loaded)
安装后需 重启 Gateway 以加载插件：
# 停止运行中的 Gateway（Ctrl+C），然后：
openclaw gateway
通过 WebUI 使用
1. 打开 WebUI
浏览器访问 **http://127.0.0.1:18789/**。
2. 开始研究任务
在聊天框中输入研究提示，Scientify 的 skill 会被 LLM 自动匹配：
研究 "transformer efficiency"，分析论文并生成创新想法
或者用斜杠命令直接调用特定 skill：
/research-pipeline
/research-collect
/idea-generation
/algorithm-selection
/dataset-validate
机器学习中段任务的新增技能
/algorithm-selection- 用在
/research-survey之后、/research-plan之前 - 作用：把 2-3 条候选路线写清楚，明确
Chosen Route / Rejected Routes / Fallback Route
- 用在
/dataset-validate- 用在
plan_res.md已经存在、准备实现或审查模型之前 - 作用：单独审数据真实性、split、label、leakage 和 mock 风险，把数据质量和模型质量分开
- 用在
/baseline-runner- 用在
plan_res.md已经存在、需要真实 baseline 对比时 - 作用：统一 baseline、协议、指标和结果记录，产出
baseline_res.md
- 用在
3. 监控子 agent 进度
编排器 spawn 子 agent 后，你会看到：
- 启动通知 — "Phase 1: Literature Survey 已启动"
- 完成通知 — 子 agent 完成后自动发送消息
- 进度推进 — 编排器验证产出后自动进入下一阶段
随时查看状态：
/research-status
4. 管理项目
/projects # 列出所有项目
/project-switch <id> # 切换项目
/papers # 列出已下载论文
/ideas # 列出已生成想法
中后段项目的快捷技能
如果项目已经有一部分产物，不必总是从 /metabolism 或 /research-survey 重新开始。可以直接进入这些 skill：
/write-paper- 适合：已经有
experiment_res.md、结果图或结果表，准备整理成 paper draft
- 适合：已经有
/artifact-review- 适合：已有 draft、README 更新或准备对外分享的 figures，想先做发布前审查
/figure-standardize- 适合：图已经有了，但文件名、caption、单位、标签风格不统一
/release-layout- 适合：项目已有成果，想把 README 或 release 入口改得更清楚、更适合外部阅读
已知限制
- 子 agent 超时：每个子 agent 超时 30 分钟（
runTimeoutSeconds: 1800）。复杂文献调研可能需要更长时间。 - GPU/Sandbox：代码默认在宿主机直接执行。OpenClaw sandbox 暂不支持 GPU 透传。
- 模型依赖：研究质量与使用的 LLM 模型强相关。推荐 Claude Opus 4.5+ 或 GPT-5+。
开发
git clone https://github.com/user/scientify.git
cd scientify
pnpm install
pnpm build # 构建 TypeScript
pnpm dev # 监听模式
# 链接到 OpenClaw 测试
openclaw plugins install -l ./
参见 CLAUDE.md 了解版本更新流程和贡献指南。
内测报名
Scientify 目前处于内测阶段，面向有真实研究需求的个人和团队开放。
报名后，我们会为你提供：
- 详细的使用指导，帮助你快速上手
- 评估你的研究领域，分析 Scientify 执行端到端研究的可行性
- 根据你的研究特点推荐最适合的使用方法
- 根据你的需求快速开发新功能
License
MIT
Author
tsingyuai