人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载AutoSci 是一个 wiki 中心的 AI 科研全生命周期平台而/ideate正是它内置的创新想法生成器idea generator一条五阶段管道Landscape Scan → Dual-Model Brainstorm → Filter Validation → Write to Wiki → Pilot让 AI 像真正的研究员一样提出可验证、不重复、有知识依据的高质量 idea。本文带你完整走完这条管道看看它是如何把凭空脑暴变成一套工程化流程的。为什么让AI提idea需要一条管道直接问大模型给我几个研究方向你通常会得到一批听起来都对、但难以落地的空泛点子有的撞上了已发表的成果有的计算量根本撑不起还有的和你上次失败的尝试一模一样。AutoSci 的做法是让 idea 从知识库中来再回到知识库中去。/ideate读取整个 wiki论文、方法、概念、已知知识缺口、历史失败记录结合外部搜索实时校准最后把幸存的 idea 和被淘汰的 idea 一起写回 wiki形成防重复记忆。在这个循环里/ideate处于Idea 阶段——上承文献摄入Ingest下接实验设计Experiment完整流程定义见 i18n/en/skills/ideate/SKILL.md中文版i18n/zh/skills/ideate/SKILL.md。五阶段管道总览先看全景图/ideate的内部流程可以概括为一张表阶段名称干什么产出Phase 1研究格局扫描Landscape Scan扫 wiki WebSearch Semantic Scholar DeepXiv格局报告SOTA、缺口、趋势、禁区Phase 2双模型头脑风暴Dual-Model BrainstormClaude 与 Review LLM 独立生成互不可见8–12 个候选 ideaPhase 3过滤与验证Filter Validation可行性 快速查重 深度/novelty/review4–6 个存活 idea带综合评分Phase 4写入 WikiWrite to Wiki存活与淘汰的 idea 都写成 idea 页面wiki/ideas/{slug}.md 图谱边Phase 5试点实验Pilot Experiments轻量预实验提前暴露明显失败更新pilot_result/failure_reason一条命令即可启动在 Claude Code 中/ideate 研究方向或问题 [--max-ideas N] [--skip-validation] [--skip-pilot] [--auto]不填方向也没关系——它会自动从wiki/graph/open_questions.md里挑最有价值的知识缺口来生成。第一阶段研究格局扫描——先搞清楚已经做了什么Phase 1 的目标是建一张目标领域的完整地图分两路并行wiki 内部读取全局上下文wiki/graph/context_brief.md、知识缺口清单open_questions.md、既有 idea 列表并把statusfailed 的 idea 连同失败原因组成banlist禁区清单——这一步是防止 AI 反复踩同一个坑的关键。外部搜索并行执行WebSearch 搜最近 6 个月进展、tools/fetch_s2.py 查 Semantic Scholar 高被引论文、tools/fetch_deepxiv.py 做语义检索 趋势论文--mode hybrid、trending --days 14。最后汇总成一份内部格局报告当前 SOTA 及性能、已知未解决问题、近期趋势、wiki 缺口、禁入方向。 贴心细节/ideate会先用tools/research_wiki.py maturity wiki/判断 wiki 成熟度——冷启动时自动扩大外部搜索量WebSearch 5→8 条查询成熟时反而收缩搜索、提高补缺口 idea 的加分权重。第二阶段双模型头脑风暴——两个大脑独立出招Phase 2 最有意思的地方在于双模型独立生成Claude 生成 6–10 个 ideaReview LLM由 mcp-servers/llm-review/ 提供的 MCP 服务并行生成 4–6 个双方互不可见对方输出规则见 shared-references/cross-model-review.md。不同模型视角带来的多样性正是 idea 质量的来源之一。更重要的是每个 idea 必须走五条结构化生成路径A–E之一杜绝拍脑袋路径名称输入来源产出形式A格局驱动方向 Phase 1 格局报告从研究描述直接设计B增量改进wiki/methods/中方法的 limitations修复方法 M 的局限 LC组合同一主题两个方法的 tradeoff结合 M1 M2 的长处D创新N 个方法的共同假设交集打破共享假设 PE跨域迁移跨主题方法的机制相似性把领域 X 的机制 M 迁移到 Y每个候选 idea 都自带四件套标题、假设1–2 句、方案草图3–5 句、生成路径 可行性评级。两路 idea 合并去重后得到 8–12 个候选进入下一关。第三阶段过滤与验证——像审稿人一样较真这是AI 像研究员一样的核心环节分两层第一层初筛快速、全量可行性检查GPU/算力、数据可得性、3–6 个月内能否实现快速查重每个 idea 跑 2–3 次 WebSearch命中高度相似已发表工作直接淘汰wiki 对齐加分idea 直击gap_map缺口、补概念页 Open problems、或构建于已有 wiki 知识之上。第二层深度验证可--skip-validation跳过调用 /novelty 给每个存活 idea 打新颖性分1–5调用 /review 做跨模型评审打**评审分1–10**并列出弱点综合排名公式novelty_score × 2 review_score gap_alignment_bonus2。新颖性 ≤2 或评审分 ≤4 的 idea 会被降级甚至淘汰。整个 Phase 3 通常把 8–12 个候选压缩到4–6 个存活 idea。第四阶段写入 Wiki——被否决的 idea 也有户口Phase 4 把所有结果写成标准 idea 页面wiki/ideas/{slug}.md结构由 runtime/templates/ideas.md.tmpl 定义动机、假设、方案草图、新颖性论证、目标会议、风险、试点结果、经验教训并建立addresses_gap/inspired_by图谱边。关键设计被淘汰的 idea 也会被写入 wiki状态为failed并记录failure_reason如[filter] 存在高度相似的已发表工作。这些负样本就是 banlist 的来源——也就是说你每一次失败的尝试都不会白费而是沉淀为防重复记忆让下一次/ideate自动绕开已知的死胡同。这正是 wiki 中心架构的价值知识只编译一次永不过期。第五阶段试点实验——小成本先验生死好 idea 不等于能跑通的 idea。Phase 5 按用户勾选的存活 idea依据其生成路径定制试点策略比如路径 B 的增量改进就从原论文代码出发、应用修复后做最小评估并生成结构化的Pilot Specexperiments/pilot/{slug}.yaml假设、实现、数据、指标、基线、量化的通过/失败判据。试点的纪律很严格缩小批量论文的 1/4–1/8、缩短训练10–30% 步数目标不是刷 SOTA而是抓明显失败通过 /exp-pilot-run 执行、/exp-pilot-eval 判定结果回写 idea 页面的pilot_result失败的补上[pilot]失败原因。管道结束时输出一份IDEA_REPORT排名表新颖性/评审/缺口对齐/试点状态、淘汰原因清单、以及 wiki 增长对比papers / methods / ideas / edges / 成熟度。参数速查按需提速或全自动参数作用--max-ideas N最多写入 wiki 的 idea 数默认 3--skip-validation跳过深度验证只做初筛快速模式--skip-pilot跳过试点实验Phase 4 结束--auto全自动、不暂停确认被/research调用时使用典型进阶链路/ideate→/exp-design idea-slug→/exp-run→/exp-eval一个 idea 从诞生到验证全程跑在同一个知识库里。相关资源管道完整定义i18n/en/skills/ideate/SKILL.mdidea 页面模板runtime/templates/ideas.md.tmpl跨模型评审原则i18n/en/skills/shared-references/cross-model-review.md外部检索工具tools/fetch_s2.py、tools/fetch_deepxiv.py下游验证技能i18n/en/skills/novelty/SKILL.md、i18n/en/skills/review/SKILL.mdReview LLM 服务mcp-servers/llm-review/一句话总结/ideate把提想法拆成了扫描、脑暴、评审、落库、试跑五个可审计的阶段——有依据地生成有标准地淘汰有记忆地积累。这就是 AI 像研究员一样工作的样子。赞分享人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载相关推荐两阶段生成革命SDXL-Base与Refiner如何重塑AI图像质量两阶段生成革命SDXL Base与Refiner如何重塑AI图像质量 你还在为AI生成图像的细节模糊、光影不自然而烦恼吗 Stability AI的SDXL人工智能深度学习媒体生成计算机视觉预训练大模型从数据孤岛到智能基石如何重构大规模语料库的架构演进从数据孤岛到智能基石如何重构大规模语料库的架构演进 引言语料库架构的演进挑战 在自然语言处理领域语料库的质量和规模直接决定了模型的性能上限。然而随着数据数据集DeTikZify终极指南如何用AI一键生成高质量科研图表DeTikZify是一个革命性的多模态语言模型能够基于草图和现有图表自动合成语义保持的TikZ图形程序让科研绘图变得像聊天一样简单。这个开源项目彻底改变了科人工智能大模型计算机视觉微调预训练AI 应用模型评测创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/15 21:31:03 · 阅读 1.2k AutoSci创新想法生成器：/ideate五阶段管道如何让AI像研究员一样提出高质量idea
人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载AutoSci 是一个 wiki 中心的 AI 科研全生命周期平台而/ideate正是它内置的创新想法生成器idea generator一条五阶段管道Landscape Scan → Dual-Model Brainstorm → Filter Validation → Write to Wiki → Pilot让 AI 像真正的研究员一样提出可验证、不重复、有知识依据的高质量 idea。本文带你完整走完这条管道看看它是如何把凭空脑暴变成一套工程化流程的。为什么让AI提idea需要一条管道直接问大模型给我几个研究方向你通常会得到一批听起来都对、但难以落地的空泛点子有的撞上了已发表的成果有的计算量根本撑不起还有的和你上次失败的尝试一模一样。AutoSci 的做法是让 idea 从知识库中来再回到知识库中去。/ideate读取整个 wiki论文、方法、概念、已知知识缺口、历史失败记录结合外部搜索实时校准最后把幸存的 idea 和被淘汰的 idea 一起写回 wiki形成防重复记忆。在这个循环里/ideate处于Idea 阶段——上承文献摄入Ingest下接实验设计Experiment完整流程定义见 i18n/en/skills/ideate/SKILL.md中文版i18n/zh/skills/ideate/SKILL.md。五阶段管道总览先看全景图/ideate的内部流程可以概括为一张表阶段名称干什么产出Phase 1研究格局扫描Landscape Scan扫 wiki WebSearch Semantic Scholar DeepXiv格局报告SOTA、缺口、趋势、禁区Phase 2双模型头脑风暴Dual-Model BrainstormClaude 与 Review LLM 独立生成互不可见8–12 个候选 ideaPhase 3过滤与验证Filter Validation可行性 快速查重 深度/novelty/review4–6 个存活 idea带综合评分Phase 4写入 WikiWrite to Wiki存活与淘汰的 idea 都写成 idea 页面wiki/ideas/{slug}.md 图谱边Phase 5试点实验Pilot Experiments轻量预实验提前暴露明显失败更新pilot_result/failure_reason一条命令即可启动在 Claude Code 中/ideate 研究方向或问题 [--max-ideas N] [--skip-validation] [--skip-pilot] [--auto]不填方向也没关系——它会自动从wiki/graph/open_questions.md里挑最有价值的知识缺口来生成。第一阶段研究格局扫描——先搞清楚已经做了什么Phase 1 的目标是建一张目标领域的完整地图分两路并行wiki 内部读取全局上下文wiki/graph/context_brief.md、知识缺口清单open_questions.md、既有 idea 列表并把statusfailed 的 idea 连同失败原因组成banlist禁区清单——这一步是防止 AI 反复踩同一个坑的关键。外部搜索并行执行WebSearch 搜最近 6 个月进展、tools/fetch_s2.py 查 Semantic Scholar 高被引论文、tools/fetch_deepxiv.py 做语义检索 趋势论文--mode hybrid、trending --days 14。最后汇总成一份内部格局报告当前 SOTA 及性能、已知未解决问题、近期趋势、wiki 缺口、禁入方向。 贴心细节/ideate会先用tools/research_wiki.py maturity wiki/判断 wiki 成熟度——冷启动时自动扩大外部搜索量WebSearch 5→8 条查询成熟时反而收缩搜索、提高补缺口 idea 的加分权重。第二阶段双模型头脑风暴——两个大脑独立出招Phase 2 最有意思的地方在于双模型独立生成Claude 生成 6–10 个 ideaReview LLM由 mcp-servers/llm-review/ 提供的 MCP 服务并行生成 4–6 个双方互不可见对方输出规则见 shared-references/cross-model-review.md。不同模型视角带来的多样性正是 idea 质量的来源之一。更重要的是每个 idea 必须走五条结构化生成路径A–E之一杜绝拍脑袋路径名称输入来源产出形式A格局驱动方向 Phase 1 格局报告从研究描述直接设计B增量改进wiki/methods/中方法的 limitations修复方法 M 的局限 LC组合同一主题两个方法的 tradeoff结合 M1 M2 的长处D创新N 个方法的共同假设交集打破共享假设 PE跨域迁移跨主题方法的机制相似性把领域 X 的机制 M 迁移到 Y每个候选 idea 都自带四件套标题、假设1–2 句、方案草图3–5 句、生成路径 可行性评级。两路 idea 合并去重后得到 8–12 个候选进入下一关。第三阶段过滤与验证——像审稿人一样较真这是AI 像研究员一样的核心环节分两层第一层初筛快速、全量可行性检查GPU/算力、数据可得性、3–6 个月内能否实现快速查重每个 idea 跑 2–3 次 WebSearch命中高度相似已发表工作直接淘汰wiki 对齐加分idea 直击gap_map缺口、补概念页 Open problems、或构建于已有 wiki 知识之上。第二层深度验证可--skip-validation跳过调用 /novelty 给每个存活 idea 打新颖性分1–5调用 /review 做跨模型评审打**评审分1–10**并列出弱点综合排名公式novelty_score × 2 review_score gap_alignment_bonus2。新颖性 ≤2 或评审分 ≤4 的 idea 会被降级甚至淘汰。整个 Phase 3 通常把 8–12 个候选压缩到4–6 个存活 idea。第四阶段写入 Wiki——被否决的 idea 也有户口Phase 4 把所有结果写成标准 idea 页面wiki/ideas/{slug}.md结构由 runtime/templates/ideas.md.tmpl 定义动机、假设、方案草图、新颖性论证、目标会议、风险、试点结果、经验教训并建立addresses_gap/inspired_by图谱边。关键设计被淘汰的 idea 也会被写入 wiki状态为failed并记录failure_reason如[filter] 存在高度相似的已发表工作。这些负样本就是 banlist 的来源——也就是说你每一次失败的尝试都不会白费而是沉淀为防重复记忆让下一次/ideate自动绕开已知的死胡同。这正是 wiki 中心架构的价值知识只编译一次永不过期。第五阶段试点实验——小成本先验生死好 idea 不等于能跑通的 idea。Phase 5 按用户勾选的存活 idea依据其生成路径定制试点策略比如路径 B 的增量改进就从原论文代码出发、应用修复后做最小评估并生成结构化的Pilot Specexperiments/pilot/{slug}.yaml假设、实现、数据、指标、基线、量化的通过/失败判据。试点的纪律很严格缩小批量论文的 1/4–1/8、缩短训练10–30% 步数目标不是刷 SOTA而是抓明显失败通过 /exp-pilot-run 执行、/exp-pilot-eval 判定结果回写 idea 页面的pilot_result失败的补上[pilot]失败原因。管道结束时输出一份IDEA_REPORT排名表新颖性/评审/缺口对齐/试点状态、淘汰原因清单、以及 wiki 增长对比papers / methods / ideas / edges / 成熟度。参数速查按需提速或全自动参数作用--max-ideas N最多写入 wiki 的 idea 数默认 3--skip-validation跳过深度验证只做初筛快速模式--skip-pilot跳过试点实验Phase 4 结束--auto全自动、不暂停确认被/research调用时使用典型进阶链路/ideate→/exp-design idea-slug→/exp-run→/exp-eval一个 idea 从诞生到验证全程跑在同一个知识库里。相关资源管道完整定义i18n/en/skills/ideate/SKILL.mdidea 页面模板runtime/templates/ideas.md.tmpl跨模型评审原则i18n/en/skills/shared-references/cross-model-review.md外部检索工具tools/fetch_s2.py、tools/fetch_deepxiv.py下游验证技能i18n/en/skills/novelty/SKILL.md、i18n/en/skills/review/SKILL.mdReview LLM 服务mcp-servers/llm-review/一句话总结/ideate把提想法拆成了扫描、脑暴、评审、落库、试跑五个可审计的阶段——有依据地生成有标准地淘汰有记忆地积累。这就是 AI 像研究员一样工作的样子。赞分享人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载相关推荐两阶段生成革命SDXL-Base与Refiner如何重塑AI图像质量两阶段生成革命SDXL Base与Refiner如何重塑AI图像质量 你还在为AI生成图像的细节模糊、光影不自然而烦恼吗 Stability AI的SDXL人工智能深度学习媒体生成计算机视觉预训练大模型从数据孤岛到智能基石如何重构大规模语料库的架构演进从数据孤岛到智能基石如何重构大规模语料库的架构演进 引言语料库架构的演进挑战 在自然语言处理领域语料库的质量和规模直接决定了模型的性能上限。然而随着数据数据集DeTikZify终极指南如何用AI一键生成高质量科研图表DeTikZify是一个革命性的多模态语言模型能够基于草图和现有图表自动合成语义保持的TikZ图形程序让科研绘图变得像聊天一样简单。这个开源项目彻底改变了科人工智能大模型计算机视觉微调预训练AI 应用模型评测创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考