DeepScientist：本地优先的 AI 科研自动化工作室完全指南

项目地址：ResearAI/DeepScientist

今日Star：1.1k（+0）| Forks：87 | License：Apache-2.0

核心定位：本地优先的 AI 科研工作室，15 分钟把 AI 科学家搬到你自己的机器上

学习目标

读完本文后，你应该能够：

1. 理解 DeepScientist 的核心理念和设计哲学
2. 掌握本地安装和快速上手流程
3. 熟练使用 DeepScientist 启动和管理研究项目
4. 理解多端协作机制（Web/TUI/微信/QQ/飞书/Telegram/WhatsApp）
5. 掌握 Codex 模型配置方法
6. 理解 DeepScientist 与传统 AI 工具的区别
7. 能够将 DeepScientist 整合到你自己的研究工作流

一、科研工作的核心痛点

做研究的人最累的往往不是缺少想法，而是被各种低杠杆工作消耗：

1. 论文爆炸：新论文不断涌现，但只有一小部分能转化为可执行的下一步研究计划
2. 环境地狱：baseline 代码跑不通——依赖问题、数据问题、脚本问题，在真正的工作开始前就卡住了
3. 结果散落：实验结果分散在终端、脚本、笔记、聊天记录里，回头复盘时痛苦不堪
4. 写作割裂：论文、图表、分析在不同的工具里，把它们整合成一篇连贯的论文要花太多时间

DeepScientist 的核心理念：把这些碎片化的、重复的、容易丢失的研究工作，转化为一个本地 AI 工作空间——能持续运转、持续积累、持续变强。

二、DeepScientist 是什么？

DeepScientist 不是一个论文摘要机器人，而是一个真正的长期运行的 AI 研究伙伴。

对比传统 AI 工具

五大核心能力

1. 从论文或研究问题启动真实项目：输入核心论文、GitHub 仓库或自然语言研究目标 → 转化为可执行的 Quest
2. 复现 baseline 并保持可复用性：恢复仓库、准备环境、处理依赖、追踪关键失败；保存什么坏了、什么修复了、哪些步骤可信
3. 持续运行实验而不是单次通过：从现有结果提出下一个假设、分支/消融/对比/记录结论；保留失败路径作为资产而不是删除
4. 将结果转化为可交付的材料：整理发现、结论、分析；产出图表、报告、论文草稿；支持本地 PDF 和 LaTeX 编译工作流
5. 从多个界面跟踪同一研究工作：浏览器中的 Web 工作空间、远程服务器的 TUI、外部连接器支持协作和进度更新

三、核心设计哲学

DeepScientist 认为，一个真正适合科研的系统至少要满足以下原则：

1. 一个 Quest，一个仓库：而不是让一切在短对话后就消散
2. 分支和工作树应该自然表达研究路径：而不是被迫塞进聊天历史
3. 失败的路径应该被保存、总结、复用：而不是被覆盖
4. 人类研究者应该始终保留接管权：而不是被锁在循环外面
5. 研究过程应该是可审查、可检查、可审计的：而不是只靠"模型说它做了"

四、为什么 DeepScientist 更容易坚持使用？

留住用户的不是花哨的演示，而是系统随着你使用时间变长会变得越来越有用。

四大原因

1. 默认本地优先

• 代码、实验、草稿、项目状态默认保留在你自己的机器或服务器上
• 对于未发表的ideas、敏感的实验历史、更长期的研究循环尤其有价值

2. 一个 Quest 一个仓库

• 每个 Quest 都是一个真实的 Git 仓库
• 分支、工作树、文件、工件自然表达研究结构

3. 过程不是黑箱

• 不只是给你一个输出
• 你可以检查它读了什么、改了什么、保留了什么、计划下一步做什么

4. 内置人类协作

• DeepScientist 可以自主移动
• 你也可以随时介入、编辑、重定向、在任何时候交回控制权

五、快速上手（30 秒）

安装

npm install -g @researai/deepscientist codex --login ds --here

如果 codex --login 不可用，先运行：

codex

启动

安装后，默认本地地址是：

http://127.0.0.1:20999

三步开始研究

1. 点击 Start Research
2. 填写研究目标、baseline 链接、论文链接或本地路径
3. 让 DeepScientist 启动一个能在本地持续演化的真实研究项目

六、界面选择

1. Web 工作空间（适合日常研究）

浏览器访问 http://127.0.0.1:20999，可视化查看项目进度、任务状态、实验结果。

2. TUI 终端界面（适合服务器使用）

适合在远程服务器上工作，通过终端界面管理研究项目。

3. 多端协作连接器

支持以下协作渠道：

七、使用场景

场景 1：启动真实研究项目

你：帮我基于这篇论文复现它的实验
DeepScientist：
  → 分析论文核心贡献和实验设置
  → 克隆相关 baseline 仓库
  → 自动处理环境依赖
  → 运行初步实验验证
  → 保存成功和失败的路径
  → 生成实验报告

场景 2：持续实验迭代

你：基于上一轮实验结果，继续调参
DeepScientist：
  → 分析上一轮的实验结论
  → 提出新的假设
  → 创建新的分支进行消融实验
  → 对比不同配置的效果
  → 记录所有实验路径（成功和失败）

场景 3：论文写作辅助

你：把这些实验结果整理成论文草稿
DeepScientist：
  → 整理所有实验发现和结论
  → 生成符合期刊格式的图表
  → 撰写方法论和结果部分
  → 支持 LaTeX 编译工作流
  → 输出可直接提交的论文草稿

八、模型配置

DeepScientist 支持多种 LLM 提供商，默认使用 Codex：

Codex 配置

codex --login ds --here

自定义模型

参考官方文档配置你自己的模型：

• 打开 docs/en/15_CODEX_PROVIDER_SETUP.md
• 配置你自己的 API 密钥和端点
• 支持 OpenAI、Anthropic、Google 等多种模型

九、ResearAI 生态

DeepScientist 是 ResearAI 生态的一部分，完整生态包括：

十、最佳实践

1. 首次运行使用隔离环境

• 推荐使用 Python 虚拟环境或 Docker
• 使用非 root 用户运行
• 在本地机器上先测试

2. 利用分支表达实验路径

# 创建新实验分支
git checkout -b experiment/v2-学习率调整

# 完成后合并到主分支
git checkout main
git merge experiment/v2-学习率调整

3. 保留失败路径

DeepScientist 会保存失败的研究路径，这些路径包含了重要的经验教训，不要删除它们。

4. 善用多端协作

在服务器上用 TUI 运行研究，在本地用 Web 界面监控进度，通过飞书/微信接收关键节点通知。

十一、常见问题

Q：DeepScientist 和普通 AI 助手有什么区别？ A：普通 AI 助手善于聊天但上下文很快消失。DeepScientist 将任务、文件、分支、记忆转化为持久状态，每次运行结束后保存失败的路径、成功的路径和复现经验。

Q：需要什么配置才能运行？ A：Python 3.11+，npm/node.js，Codex API 访问权限（或其他支持的模型）。

Q：数据安全吗？ A：DeepScientist 默认本地运行，代码、实验、草稿都保存在你自己的机器上。敏感的研究ideas不需要发送到云端。

Q：支持中文吗？ A：支持！有完整的中英文档，界面也支持中文。

Q：可以和其他工具集成吗？ A：支持飞书、微信、QQ、Telegram、WhatsApp 等多种协作渠道的集成。

十二、总结

DeepScientist 代表了 AI 辅助科研的新范式——不是一次性工具，而是一个能持续运转、持续积累、持续变强的本地 AI 研究伙伴。

核心优势：

1. 本地优先：数据和模型都在你自己的机器上，隐私安全
2. 持久状态：一个 Quest 一个仓库，Git 分支自然表达研究路径
3. 可审查：过程透明，你可以检查它读了什么、改了什么、计划做什么
4. 人类协作：随时可接管，不是黑箱
5. 持续进化：保存失败路径和成功路径，为下一轮研究积累经验
6. 多端协作：Web/TUI/飞书/微信/Telegram 总有一个适合你

如果你正在被论文复现、实验管理、结果整理这些重复性工作消耗，DeepScientist 值得一试。

相关链接：

• GitHub：https://github.com/ResearAI/DeepScientist
• 官网：https://deepscientist.cc/
• 论文（ICLR 2026）：https://openreview.net/forum?id=cZFgsLq8Gs
• npm：https://www.npmjs.com/package/@researai/deepscientist
• 中文文档：https://github.com/ResearAI/DeepScientist/blob/main/README_ZH.md