OpenNSWM-Lab/FAROS · 上手攻略

  • 仓库：OpenNSWM-Lab/FAROS
  • 链接：https://github.com/OpenNSWM-Lab/FAROS
  • 分类：ai
  • 作者：Tom
  • 更新：2026-07-10

是什么

FAROS（Foundation AutoResearch Operating System）是一个蓝图驱动的自动化科研工作流运行时。它的核心理念是：科研自动化不是"一个固定prompt的AI agent"，而是一个可配置的运行时——你定义工作流蓝图（Blueprint），绑定执行策略（Profile），然后让系统自动执行从"想法→实验→论文→审稿"的全链路。

当前发布的是 FAROS-LLM：第一个可运行的基线实现，覆盖 LLM 领域的完整科研自动化流程。

解决什么问题

  • AI 科研 agent 太死板：大多数"AI Scientist"是一个固定 prompt 的单 agent，遇到新场景就要改代码
  • 工作流无法复用：每个新任务重写一套提示词，没有标准化的执行框架
  • 端到端自动化缺失：想法→代码实验→论文写作→审稿模拟，这四个环节各自孤立，没有统一编排

FAROS 的解法是把每个环节做成可插拔的 Capability（能力），由运行时统一编排，支持多 provider（不只 LLM）。

核心概念（先读再上手）

概念 职责
Blueprint 定义工作流图、约束、输出契约和验证要求
Capability 实现一个可执行的科研步骤（如 idea 生成、实验、论文起草、审稿模拟）
Profile 将 Blueprint 绑定到具体执行策略
Provider 给 Capability 提供实际引擎（LLM / 工具 / API / 人工审稿）
Orchestrator 运行时核心：加载 Blueprint、绑定 Profile、协调 Capability 执行

快速安装

环境要求

  • Python：3.11+ 或 3.12
  • Node.js：18+
  • LaTeX 环境：latexmk + pdflatex（用于论文 PDF 编译）
  • LLM Provider：一个配置好的 LLM API（OpenAI / Anthropic / 本地模型等）

💡 开发环境使用 conda，Python 3.11+ 通道。

安装步骤

# 克隆仓库
git clone https://github.com/OpenNSWM-Lab/FAROS.git
cd FAROS

# 后端依赖
cd backend
pip install -r requirements.txt

# 验证 Python 版本
python --version  # 应为 3.11 或 3.12

# 前端（如需 UI）
cd ../frontend
npm install

启动后端服务

cd backend
uvicorn app.main:app --reload --port 8000

核心用法

ml_paper Blueprint 工作流（当前唯一可用蓝图）

当前发布的基线是 ml_paper Blueprint，完整执行以下 4 个阶段：

idea_refinement → experiment → paper_drafting → reviewer_simulation

阶段 1：想法生成（idea_refinement） - 输入：研究主题或初步想法 - 输出：多个 ranked idea candidate → 精选后进入实验阶段

阶段 2：实验（experiment） - 输出：代码项目脚手架 + experiment record - 在 LLM domain 下生成可复现的实验代码

阶段 3：论文起草（paper_drafting） - 输出：LaTeX 项目 + 论文 PDF - 支持venue-aware（按目标会议/期刊格式生成）

阶段 4：审稿模拟（reviewer_simulation） - 输出：结构化审稿报告 + 可操作的 follow-up items - 模拟真实同行评审流程

Python API 调用

from faros import FAROSRuntime
from faros.blueprints import MLPaperBlueprint
from faros.profiles import FAROSLLMProfile

# 初始化运行时
runtime = FAROSRuntime()

# 加载蓝图
blueprint = runtime.load_blueprint("ml_paper")

# 绑定 Profile（FAROS-LLM = 当前默认）
profile = FAROSLLMProfile(
    llm_provider="openai",       # 或 "anthropic" / "local"
    llm_model="gpt-4o",
    llm_api_key="sk-...",
)

# 绑定并运行
orchestrator = runtime.bind(blueprint, profile)

result = orchestrator.run(
    initial_idea="探索 Transformer 在时间序列预测中的高效变体",
    target_venue="NeurIPS 2026",  # 可选，影响论文格式
)

# 查看产出
print(result.artifacts)  # idea_session, code_project, latex_project, paper_pdf, review_report

配置 LLM Provider

from faros.providers import OpenAIProvider, AnthropicProvider, LocalProvider

# OpenAI
provider = OpenAIProvider(api_key="sk-...", model="gpt-4o")

# Anthropic Claude
provider = AnthropicProvider(api_key="sk-...", model="claude-sonnet-4-20250514")

# 本地模型（如 vLLM 服务）
provider = LocalProvider(base_url="http://localhost:8000/v1", model="meta-llama/Llama-3-8B")

前端控制台（可选）

cd frontend
npm run dev
# 访问 http://localhost:3000 查看可视化工作流

典型适用场景

  1. 批量科研 idea 验证：给定研究方向，自动生成多个 idea，快速跑实验筛选
  2. 论文初稿自动化：把实验结果扔进去，自动生成符合会议格式的 LaTeX 论文
  3. 同行评审预演：在投稿前用 AI 模拟审稿人反馈，提前修复问题
  4. 科研流程标准化：团队定义自己的 Blueprint，Profile 绑定具体模型，统一科研工作流
  5. 多 domain 扩展：FAROS 设计上不只支持 LLM domain，未来可以扩展到生物、化学等领域的科研自动化

坑与注意

  1. 当前只有 ml_paper Blueprint：其他领域（生物、化学、物理）的 Blueprint 尚未发布，不要期待开箱即用
  2. LLM Provider 费用自理：完整跑完一个 idea→paper 流程会消耗大量 API 调用，提前估算成本
  3. LaTeX 环境必须：paper_drafting 阶段需要 pdflatex，没有 LaTeX 环境会报错
  4. Python 3.11/3.12 专用：Python 3.10 及以下版本不兼容，conda 用户注意创建正确环境
  5. v1.1.0-rc1 是最新 RC：stable 版本尚未发布，生产环境使用前建议检查 GitHub Releases
  6. AutoResearch 效果有上限：当前 AI 生成的研究想法和论文质量距顶会发表水平仍有差距，适合做快速探索和初稿生成

与同类对比

系统 定位 工作流灵活性 成熟度
FAROS Blueprint 驱动的运行时 高（Blueprint + Profile 可自由组合） RC 阶段
GPT Researcher 单 agent 网络科研搜索 低（固定搜索→报告流程） 成熟
AutoGPT / AgentGPT 通用 autonomous agent 低（通用，无科研概念） 成熟
Science Agent (DECKARD) 科研专用 agent 中（固定研究流程） 早期
ChatGPT + Advanced Data Analysis 即时论文分析 低（对话式，无流程） 成熟

FAROS 的差异化在于把科研自动化做成可配置平台，而非单一固定 agent。适合有明确工作流规范、想规模化科研产出的团队。

一句话推荐结论

FAROS 尚处于 RC 阶段，但它提出的 Blueprint × Profile × Capability × Provider 四层架构，是目前最具扩展性的 AI 科研自动化设计——如果你想搭建可复用的端到端科研流水线，值得现在入坑积累经验。