描述
data-to-paper 是一个复杂的自动化框架，旨在利用 AI 代理彻底改变科学研究。它系统地导航完整的端到端研究生命周期，从原始数据开始，最终生成透明、可追溯且可由人类验证的科学论文。该项目旨在为 AI 驱动的研究树立新标准，强调透明度、可追溯性和可验证性，同时赋能科学家进行监督和指导。
阅读更多
该框架引导交互式大型语言模型（LLM）和基于规则的代理完成常规的科学路径。这包括数据探索、文献检索、假设生成、数据分析、结果解释以及完整研究论文的逐步撰写。一项关键创新是其“数据链式”手稿生成，论文中的任何数值都可以追溯到生成它的特定代码行，从而确保高度的可验证性。
用户可以在完全自主运行或“Copilot”模式之间进行选择，“Copilot”模式允许人工干预。在 Copilot 模式下，用户可以监督和检查研究过程，设定研究目标，或允许 AI 自主提出和测试假设。它还支持 AI 驱动的审查、将过程回溯到先前的步骤、记录和回放运行以及跟踪 API 成本。该系统包含编码护栏，以最大限度地减少常见的 LLM 编码错误，提高生成代码的可靠性。
data-to-paper 的动机是探索 LLM 驱动的科学研究的能力和局限性，并开发在坚持核心科学价值观的同时加速研究的方法。该框架在 NEJM AI 论文“自主 LLM 驱动的研究——从数据到人类可验证的研究论文”和 arXiv 上的预印本中进行了描述。它适用于相对简单的研究目标和数据集，其中正在提出和测试统计假设，并欢迎为进一步开发和扩展做出贡献。
- 类别AI 研究助手
- 定价模式开源
- 部署云端
- 平台网页版
data-to-paper的核心功能
端到端领域无关的研究自动化
可追溯的“数据链式”手稿
自主运行模式
人工指导的“Copilot”模式，用于监督和指导
AI 驱动的假设生成和测试
自动文献检索和数据分析
逐步撰写科学论文
编码护栏，以最大限度地减少 LLM 错误
数值到源代码的可追溯性
审查、回溯和回放研究步骤的能力
为 AI 创建的透明度而添加水印的手稿
data-to-paper入门
克隆：从 GitHub 克隆 data-to-paper 存储库。
安装：使用 pip 安装必要的依赖项。
配置：设置 API 密钥和任何必需的配置。
执行：使用您的数据运行 data-to-paper 命令行界面。
指导（可选）：使用 Copilot App 进行人工监督和指导。
审查：仔细审查生成的手稿的准确性和质量。
data-to-paper的使用案例
- 自动化数据分析
- 假设生成
- 文献综述辅助
- 科学论文起草
- 研究过程监督
- 可复现研究
- 加速科学发现
