AutoResearch科研自动化工具对比分析报告

对比分析对象：AI-Scientist-v2、AutoResearchClaw、PaperForge

均来自GitHub

目录

1. 概述对比

2. 功能特性对比

3. 技术架构对比

4. 依赖与环境要求

5. API 与模型支持

6. 资源消耗与成本

7. 限制与约束

8. 适用场景建议

9. 总结

1. 概述对比

核心能力概览

2. 功能特性对比

2.1 流水线阶段对比

2.2 特色功能详解

AI-Scientist-v2 核心特色

AutoResearchClaw 核心特色

PaperForge 核心特色

2.3 实验执行环境对比

2.4 人机交互模式

3. 技术架构对比

3.1 代码结构

AI-Scientist-v2/├── launch_scientist_bfts.py      # 主入口├── ai_scientist/│   ├── treesearch/               # 核心树搜索引擎│   ├── tools/                    # 工具集成│   └── fewshot_examples/         # 少样本示例AutoResearchClaw/├── researchclaw/                 # 主包│   ├── pipeline/                 # 23阶段流水线引擎│   ├── llm/                      # LLM客户端抽象│   ├── experiment/               # 实验执行引擎│   ├── literature/               # 文献搜索验证│   ├── templates/                # LaTeX模板│   ├── domains/                  # 多领域适配器│   ├── memory/                   # 进化记忆系统│   └── web/                      # Web搜索爬虫PaperForge/├── launch_user_entry.py          # 统一入口├── engine/                       # 核心引擎模块│   ├── llm.py                    # LLM客户端工厂│   ├── generate_ideas.py         # 想法生成│   ├── perform_experiments.py    # 实验执行│   ├── perform_writeup.py        # 论文撰写│   ├── perform_review.py         # 自动评审│   ├── remote_runner.py          # SSH远程执行│   └── gate.py                   # 质量门控└── templates/paper_writer/       # 实验模板

3.2 架构模式

4. 依赖与环境要求

4.1 系统要求

4.2 核心依赖对比

4.3 外部工具依赖

5. API 与模型支持

5.1 LLM提供商支持

5.2 推荐模型配置

AI-Scientist-v2 默认配置

AutoResearchClaw 推荐配置

PaperForge 多模型路由建议

5.3 视觉语言模型(VLM)支持

6. 资源消耗与成本

6.1 API成本估算（每篇论文）

6.2 运行时间估算

6.3 硬件资源

7. 限制与约束

7.1 平台限制

7.2 实验限制

7.3 输出限制

7.4 法律约束

8. 适用场景建议

8.1 推荐使用场景

8.2 选择决策树

需要跨运行学习经验?├── 是 → AutoResearchClaw└── 否 → 需要最低成本?         ├── 是 → PaperForge         └── 否 → 研究领域?                  ├── 机器学习 → AI-Scientist-v2                  └── 多领域 → AutoResearchClaw

8.3 各工具最佳实践

AI-Scientist-v2

• 使用Docker运行以确保安全

• 选择Claude 3.5 Sonnet进行实验代码生成

• 合理设置阶段迭代次数

• 配置Semantic Scholar API密钥提高文献搜索效率

AutoResearchClaw

• 首次运行使用researchclaw doctor检查环境

• 启用MetaClaw跨运行学习

• 复杂实验使用OpenCode野兽模式

• 配置HITL门控阶段进行关键审批

PaperForge

• 使用多模型路由优化各阶段效果

• 启用SSH远程执行利用远程GPU

• 配置质量门控自动决策

• 使用深度配置文件获得最佳论文质量

9. 总结

综合评分

核心优势总结

核心劣势总结

报告时间: 2026年3月25日

数据来源: 项目源代码、README文档、配置文件分析