Muuuun/luxas · 上手攻略

  • 仓库：Muuuun/luxas
  • 链接：https://github.com/Muuuun/luxas
  • 分类：AI Agent · 科研自动化 · 多Agent系统
  • 作者：Jay
  • 更新：2026-08-30

这是什么

Luxas 是一个开源的多 Agent 自主科研系统，输入一个研究主题（Research.md），它能自动完成：文献爬取（OpenAlex、arXiv、CrossRef，含反检测浏览器绕过付费墙）→ 阅读论文 → 设计并运行实验（多个 Agent 盲写代码和测试）→ 产出可发表级别的图表 → 撰写 LaTeX 报告 → 对抗性内容+图表+排版审查 → 最终输出带真实引用的编译 PDF。

本质上是一个「研究 Harness」，让大模型（Claude Opus/Sonnet/Haiku + OpenAI o3）在结构化的可恢复工作空间中完成端到端科研任务，人在睡觉时它自己在跑。

核心概念

Luxas 是 Harness，不是模型。 真正的智能来自 Claude（Anthropic）和 OpenAI o3（数学专用），而 Luxas 提供的是：文件支持的记忆（无 Embedding、无向量库）、外化脑状态、独立子 Agent 进程、独立作者模式（防止自我评审病理）、确定性完成闸门。

基于 pi-mono（Mario Zechner 的 Agent Loop / 工具生命周期 / Hook 原语）构建。

快速安装

系统依赖（macOS）

# 先安装 LaTeX（必须，否则无法编译 PDF）
brew install --cask mactex        # 完整版（约 4GB）；或 basictex ~150MB
brew install poppler tmux python@3.11
pip3 install matplotlib numpy

系统依赖（Linux / Debian/Ubuntu）

sudo apt install texlive-latex-extra texlive-fonts-recommended \
  poppler-utils tmux python3-matplotlib python3-numpy

安装 Luxas 本身

git clone https://github.com/Muuuun/luxas.git && cd luxas
npm install && npm link        # `luxas` 命令加入 PATH
# 如果不想全局 link，可以用 npx tsx src/index.ts 运行

配置 API Key

export ANTHROPIC_API_KEY="sk-ant-..."   # 默认使用 Anthropic
# 可选：使用 DeepSeek（便宜 10 倍）替代所有 Claude
export DEEPSEEK_API_KEY="..."
# 可选：Kimi（用于 vision 任务）
export KIMI_API_KEY="..."

核心命令

# 初始化一个新研究项目（只需一次）
luxas init ~/research/x --prompt "Survey LLM chain-of-thought reasoning"

# 运行（默认：每个 Agent 用自己声明的模型）
luxas run ~/research/x --model opus

# 检查进度
luxas status ~/research/x

# 仅重新运行图表/排版循环（节省 token）
luxas figures ~/research/x

# 列出 Luxas 处理过的所有项目
luxas list

模型配置技巧

# 默认全 Claude（质量最高，支持 Anthropic prompt caching）
luxas run ~/research/x

# 推荐省钱配置：DeepSeek 文本 + Kimi vision（$2–10/次 vs $20–80/次）
luxas run ~/research/x --profile dual

# 仅 Brain 用 Opus，子 Agent 各自用自己声明的模型
luxas run ~/research/x --model opus

⚠️ --profile dual 会把所有 haiku/sonnet/opus 重定向到 DeepSeek，但 vision 任务（illustrator / typesetter）需要单独配置 Kimi，因为 DeepSeek 纯文本不支持图片生成。

工作原理

Agent 架构（4 层）

层次 关键文件 职责
系统提示 src/agents/definitions/brain.md 3 个 cache-controlled 块：方法论主体 + RESEARCH.md + 活跃 Agent 状态
工具集 src/tools/ read/write/edit/bash, compile_latex, spawn_agent, figure-gen, wolfram, finish 等
上下文变换 src/context.ts 每个 Agent 的动态上下文，两阶段压缩（60K 警告 → 80K 压缩+摘要继承）
PI 回退监控 src/pi-agent.ts 每 50 轮调度评审子 Agent（Opus persona），向 reviews/pi_feedback.md 写入 continue/steer/stop

实验设计模式（独立作者）

实验 Agent 不自己写代码：三个阶段（设计→实现→验证）由不同 Agent 盲写，防止自我评审偏差。实验由三个独立 Agent 执行，通过制品传递协作，而非同一 Agent 的连续对话。

可恢复性

  • Brain 成本/Token/PI 计数器从 log.jsonl 反向扫描恢复
  • 子 Agent 是独立 Node 进程，有各自的对话文件；Brain 通过 active-agents.json 与之通信，通过心跳+孤儿恢复实现断点续跑
  • 每次重大操作自动快照状态，崩溃后可从上次快照恢复

典型使用场景

  • 文献综述自动化：输入研究主题，自动爬取 OpenAlex/arXiv/CrossRef，写出带图表的 LaTeX 综述报告
  • 计算科学实验：物理/化学/量子模拟，输入假设，自动设计实验、跑代码、生成图表、写报告
  • 跨学科调研：需要综合多个付费数据库内容，Luxas 用反检测浏览器绕过付费墙
  • 深夜批量研究：配置好 Research.md 后，luxas run 然后睡觉，早上拿到编译好的 PDF

坑与注意

  1. LaTeX 是必须依赖：npm install 本身不够，缺少 LaTeX 会导致最终 PDF 编译失败。macOS 推荐 basictex（~150MB）而非完整 mactex（~4GB）。
  2. DeepSeek 省钱有代价：--profile dual 配置会丢失 Anthropic 的 ephemeral cache_control，内容质量略有下降，图表改用 Kimi（需另外申请 API Key）。
  3. 成本需监控：每个完整运行约 $2–80（取决于 profile），Luxas 会在超预算时 process.exit，但建议在 .agent/usage.log 中自行追踪真实消耗。
  4. 研究主题需要精心撰写：Research.md 的质量直接影响后续所有 Agent 的工作方向，模糊主题会导致 Agent 多次 PI review 循环修正，消耗更多 token。
  5. Windows 支持未明确：文档以 macOS/Linux 为主，Windows 环境建议用 WSL2 配合使用。
  6. 独立作者模式限制：某些需要连续迭代的实验设计（如超参数搜索）可能不适合盲写模式，需要在 Research.md 中提前说明。

与同类对比

产品 与 Luxas 的主要区别
Sakana AI Scientist Scientist 主要面向机器学习自动化实验；Luxas 更通用，支持文献综述+实验+图表+LaTeX 全链路
LangGraph / CrewAI 两者是 Agent 编排框架，不含端到端科研流程；Luxas 是面向科研终点的 Harness
AutoGPT AutoGPT 面向通用任务；Luxas 专注文献+实验+PDF 编译的完整科研闭环
Claude Code Claude Code 是单 Agent 开发工具；Luxas 是多 Agent 科研系统，两者定位完全不同

一句话总结：Luxas 把「一个研究想法」变成「一篇带真实引用和图表的已编译 PDF」的全链路科研 Agent，适合有大量文献调研和计算实验需求的研究者。

⚠️ 声明：以上信息基于 2026-08-30 GitHub README 页面 web_fetch 获取。安装命令和版本号以官方最新文档为准。Luxas 依赖 LaTeX、Python、tmux 等系统工具，Windows 用户建议使用 WSL2。