GitHub | English README | 中文文档 | 论文 | 官网
15 分钟本地部署 · 一题一仓库 · 研究过程可回看 · 人类可随时接管
内建 runner：Codex（主路径）、Claude Code（supported experimental）、OpenCode（supported experimental）
快速开始 • 启动第一个课题 • 产品导览 • Codex 配置 • Claude 配置 • OpenCode 配置
维护者入口：BenchStore YAML 编写指南
与一次性 The AI Scientist 或 autoresearch 风格系统不同，DeepScientist 是一个本地优先的自治 AI 科研工作室，10 分钟即可启动，并能在你的机器上持续推进从 Baseline、多轮实验 到 论文级产出 的完整科研闭环。依靠 Findings Memory、贝叶斯优化 和 Research Map，它会把每个新结果继续变成下一轮优化的起点，并在需要时通过更深入、更广泛的探索推进 成百上千次实验验证。
如果你想了解 DeepScientist 的技术细节，欢迎观看视频。
deepscientist-cn.mp4
很多研究者真正被消耗掉的，不是“想不到 idea”，而是这些每天重复出现的低杠杆工作：
- 新论文一直在来，但真正能沉淀成下一步研究计划的很少
- Baseline 拉下来之后，环境、依赖、数据、脚本问题能卡掉大半天
- 实验跑了很多轮，结果散在终端、脚本、笔记和聊天记录里，后面几乎无法复盘
- 写作、图表、分析分散在不同工具里，最后拼成论文时非常痛苦
DeepScientist 想解决的，就是这件事：
把原本碎片化、反复劳动、容易丢状态的科研过程，变成一个可以持续推进、持续积累、持续复用的本地 AI 工作区。
它不是只会总结论文、给你灵感、然后把真正的脏活累活继续留给你的工具。
它更像一个真正能长期一起干活的 AI 科研搭档：
| 普通 AI 工具常见状态 | DeepScientist 的做法 |
|---|---|
| 会聊天，但上下文容易丢 | 把任务、文件、分支、产物、记忆都沉淀成可持续状态 |
| 能给建议，但很难持续落地 | 从论文、Baseline、实验到写作在同一工作区推进 |
| 自动化强，但过程像黑盒 | 你可以在 Web 工作区、Canvas、文件和终端里随时检查过程 |
| 一旦跑偏，人类很难接手 | 任何时候都可以中断、接管、改计划、改代码、继续跑 |
| 本轮结束就结束了 | 失败路线、有效路线、复现经验都能变成下一轮的输入 |
DeepScientist 不是一次性跑完的 Agent demo，而是一个真正面向长期科研工作的系统。
- 输入一篇核心论文、一个 GitHub 仓库，或一段自然语言研究目标
- 系统会把这些输入整理成一个真正可执行的 quest，而不是一段很快消失的聊天
- 拉取仓库、准备环境、处理依赖、跟踪关键问题
- 把“哪里踩坑了、怎么修好的、哪些步骤可靠”留下来，供后续轮次继续使用
- 基于已有结果提出下一轮假设
- 开分支、做消融、比对结果、记录结论
- 让失败路线也成为资产，而不是被覆盖掉
- 整理实验现象、结论和分析
- 产出图表、报告和论文草稿
- 支持本地 PDF / LaTeX 编译路径
- 浏览器中的 Web 工作区
- 服务器上的 TUI 工作流
- 外部 Connector 协作入口
目前文档已经覆盖这些协作面：
真正能留下用户的，不是一个炫技 demo，而是一个越用越顺手、越用越有积累的系统。
DeepScientist 最容易让人持续使用的原因有四个：
- 代码、实验、论文草稿和项目状态默认留在你自己的机器或服务器
- 对未发表 idea、更敏感的实验过程、更长周期的课题更友好
- 每个 quest 都是一个真实 Git 仓库
- 分支、worktree、文件和产物天然就能表达研究结构
- 不是只给你一个结果
- 你可以看到它读了什么、改了什么、保留了什么、下一步准备做什么
- DeepScientist 可以自主推进
- 你也可以随时停下来接手、修改、纠偏，再把控制权交还回去
因为这不是一个只停留在概念层的想法，而是一个已经具备公开资料、公开文档、公开安装路径的真实系统。
2026/03/24：DeepScientist 正式发布v1.52026/02/01：论文已上线 OpenReview，对应ICLR 2026- 已提供 npm 安装路径：
@researai/deepscientist - 已提供中文、英文文档，以及 Web / TUI / Connector 使用入口
|
|
|
论文输出示例 1 论文级交付物可以直接保存在 quest 内部，而不是散落在外部工具里。 |
论文输出示例 2 DeepScientist 可以把工作一路带到写作、审稿、图表打磨和导出。 |
|
|
|
|
Start Research 从论文、仓库或自然语言目标快速启动一个 quest。 |
Canvas 以可视化方式查看分支、Baseline 和累积起来的研究结构。 |
Studio + Details 在同一工作区里查看指标、trace 和项目状态。 |
- 想复现论文并继续往上推结果的研究生和工程师
- 需要长期跑实验、消融和结构化结果分析的实验室或研究团队
- 想把代码、实验、笔记、写作统一放在一个工作区的人
- 不想把未发表的 idea 和中间产物直接丢到纯云端流程里的用户
- 想在服务器跑任务，但通过 Web、TUI 或消息入口跟进进展的人
我们认为，一个真正适合科研工作的系统，至少应该满足这些原则：
- 一题一仓库，而不是让所有状态在短对话里蒸发
- 分支和 worktree 应该自然表达研究路线，而不是被硬塞进聊天历史
- 失败路线应该被保留、总结和复用，而不是被覆盖
- 人类研究者始终保有接管权，而不是被锁在流程外
- 研究过程应该可审阅、可检查、可追责，而不是只剩“模型说它做了”
如果这正是你想要的工作方式，那 DeepScientist 值得现在就试。
如果你现在就想试一下，这里就是最短路径：
平台说明：DeepScientist 完整支持 Linux 和 macOS。Windows 原生支持目前仍然是实验性的，强烈建议优先使用 WSL2。
DeepScientist 现在内建三条 runner 路径：
codex：主路径，也是目前最稳妥的路径claude：supported experimental，适合你本机里的claude已经能直接工作时使用opencode：supported experimental，适合你本机里的opencode已经能直接工作时使用
如果你已经把其中一个 CLI 跑通了，DeepScientist 通常就可以直接接上它，不需要你把整套环境重新折腾一遍。
你也可以把启动思路理解成一句话：先带来一个已经可用的 runner，DeepScientist 再把它包成一个能长期推进的本地科研工作区。
如果你只是想先走最稳的一条，优先从 Codex 开始。
🎯 推荐第一次先走 codex
npm install -g @researai/deepscientist
codex login
ds --here如果 Claude Code 已经在你的 shell 里直接可用，可以走这条：
npm install -g @researai/deepscientist
claude --version
ds doctor --runner claude
ds --here --runner claude如果 OpenCode 已经在你的 shell 里直接可用，可以走这条：
npm install -g @researai/deepscientist
opencode --version
ds doctor --runner opencode
ds --here --runner opencode如需停止当前本地托管 daemon 和所有运行中的 agent：
ds --stop🛠 如果你更喜欢从 git clone 的源码仓库安装，而不是直接走 npm，也可以这样：
git clone https://github.com/ResearAI/DeepScientist.git
cd DeepScientist
bash install.sh
ds如果你还准备直接改 Web / TUI 源码，再额外安装前端依赖：
npm --prefix src/ui install
npm --prefix src/tui install如果你更喜欢交互式首次配置，也可以先单独运行一次：
codex如果安装 DeepScientist 后系统里仍然提示找不到 codex，不要假设 bundled 依赖已经正确链接，直接走显式修复路径：
npm install -g @openai/codex
which codex
codex login如果 which codex 仍然没有输出，就先修好 npm global bin 路径，再重试 codex login 和 ds doctor。
关于 runner，还有一个重要说明：
codex缺失时，DeepScientist 可以回退到 npm 安装里 bundled 的 helper copyclaude和opencode不会由 DeepScientist 自动替你完成安装或登录；这两条路径都应先让 CLI 本身跑通，再执行ds doctor --runner <name>
启动后，默认本地地址是：
http://127.0.0.1:20999
本地浏览器访问密码现在默认关闭。如果你希望本次启动启用本地访问密码，请这样启动：
ds --auth true然后你只需要做三件事：
- 点击
Start Research - 填入研究目标、Baseline 链接、论文链接或本地路径
- 让 DeepScientist 在本地启动一个真正可持续推进的研究项目
如果你是第一次运行，建议优先在隔离环境、非 root 用户和本地机器上开始。完整说明见：
- 15 Codex Provider 配置
- 24 Claude Code 配置指南
- 25 OpenCode 配置指南
- 21 本地模型后端指南
- 微信连接器指南
- QQ 连接器指南
- Telegram Connector 指南
- WhatsApp Connector 指南
- Feishu Connector 指南
| 系统 | 类型 | E2E | Research Map | Workshop | 持续生长 | 渠道协作 | 图表 / Rebuttal / Review |
|---|---|---|---|---|---|---|---|
| autoresearch | 开源 | ✓ | |||||
| RD-Agent | 开源 | ✓ | |||||
| Agent Laboratory | 开源 | ✓ | ✓ | ✓ | |||
| AI-Scientist | 开源 | ✓ | |||||
| AI-Scientist-v2 | 开源 | ✓ | |||||
| AutoResearchClaw | 开源 | ✓ | ✓ | ✓ | |||
| ClawPhD | 开源 | ✓ | ✓ | ||||
| Dr. Claw | 开源 | ✓ | ✓ | ✓ | |||
| FARS | 闭源 | ✓ | |||||
| EvoScientist | 开源 | ✓ | ✓ | ✓ | ✓ | ||
| ScienceClaw | 开源 | ✓ | ✓ | ||||
| claude-scholar | 开源 | ✓ | ✓ | ✓ | |||
| Research-Claw | 开源 | ✓ | ✓ | ✓ | ✓ | ||
| DeepScientist | 开源 | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
如果你喜欢 DeepScientist，也可以一起看看 ResearAI 的其他项目：
| 项目 | 说明 | Stars |
|---|---|---|
| MeOS | 把你自己 Fork 成一个 Skill，让 agent 更懂你 | |
| AutoFigure | 生成论文级图表 | |
| AutoFigure-Edit | 生成可编辑矢量论文图 | |
| DeepReviewer-v2 | 论文审稿与修改建议 | |
| Awesome-AI-Scientist | AI Scientist 项目导航 |
如果你想在真实场景里 benchmark 或继续扩展 AI scientist 系统，NLPCC 2026 AISB shared task 是一个自然的下一站：
如果你正在开发或维护 DeepScientist，可以继续看：
如果 DeepScientist 对你的论文、报告或研究工作流产生了实质性帮助，我们强烈建议你引用 DeepScientist 论文，并诚实披露有意义的 AI assistance。
这里强调一下：这是一项温和但明确的学术归因请求，不是额外的软件许可证条件。
相关入口：
- 论文链接：
https://openreview.net/forum?id=cZFgsLq8Gs - 仓库引用元数据：CITATION.cff
- 引用与致谢说明：docs/zh/26_CITATION_AND_ATTRIBUTION.md
- 名称与 Logo 使用说明：TRADEMARK.md
可直接参考的致谢模板：
We used DeepScientist to assist parts of the research workflow, including selected planning, implementation, experiment orchestration, analysis, and/or writing support. Final judgments, claims, and reported real experimental results remain the responsibility of the human authors.
DeepScientist 由 Yixuan Weng、Weixu Zhao、Shichen Li、Zhen Lin、Minjun Zhu 共同开发。
@inproceedings{
weng2026deepscientist,
title={DeepScientist: Advancing Frontier-Pushing Scientific Findings Progressively},
author={Yixuan Weng and Minjun Zhu and Qiujie Xie and QiYao Sun and Zhen Lin and Sifan Liu and Yue Zhang},
booktitle={The Fourteenth International Conference on Learning Representations},
year={2026},
url={https://openreview.net/forum?id=cZFgsLq8Gs}
}如果这正是你一直想要的科研工作流，欢迎给项目点一颗 Star。每一个 Star，都会帮 DeepScientist 更快地被更多真正需要它的研究者看到。
欢迎加入微信讨论群。
我们正在把 DeepScientist 持续建设成一个长期维护的、本地优先的科研操作系统。
下一阶段会重点围绕四条主线推进：
- AI Scientist Benchmark，支持更真实、更系统的评测与比较
- 更顺滑的 baseline 自动上传、下载与复用
- 更强的实验回放、对比与论文输出能力
- 更强的 Memory 与 Findings Memory 机制
- 更好的跨运行、跨 quest 复用
- 在长时间项目里进一步减少重复试错和重复探索成本
- VideoAnything 一类多模态科研能力
- 更好的本地模型、connector，以及协作模式 / 全自动模式协同体验
- 在本地运行、多人协作、长时间自主推进等场景下，持续打磨一个更高效、更可靠的 DeepScientist 系统
- 更安全的本地优先与服务器部署默认配置
- 更强的认证、权限控制与 connector 协作面保护
- 更少伪造、更低幻觉，以及更强的可验证输出能力
- 为长时间自主科研工作流提供更好的可审计性
如果你对这个方向感兴趣，欢迎点一个 Watch 和 Star：
本项目由 WestlakeNLP 负责维护。如有问题，建议优先在 DeepWiki 询问；如果仍无法解决，再通过 issue 汇报。
WestlakeNLP 由 ACL Fellow 张岳教授领导。有意申请长期实习、博士生、研究助理者，可联系张岳教授邮箱：zhangyue@westlake.edu.cn。