تحدث مع OpenClaw: «ابحث عن X» → تمّ.
📄 ورقتنا البحثية متاحة الآن على arXiv — تعالوا واقرأوها! AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration
🇺🇸 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇫🇷 Français · 🇩🇪 Deutsch · 🇪🇸 Español · 🇧🇷 Português · 🇷🇺 Русский · 🇸🇦 العربية
🏆 معرض الأوراق · 🧑
|
🏆 معرض الأوراق المُولّدة 8 أوراق في 8 مجالات — الرياضيات، الإحصاء، الأحياء، الحوسبة، NLP، RL، الرؤية الحاسوبية، المتانة — مُولّدة بشكل مستقل تماماً أو بتوجيه مساعد الطيار Human-in-the-Loop. 
|
🧪 نبحث عن مختبرين! جرّب خط الأنابيب بفكرتك البحثية الخاصة — من أي مجال — وأخبرنا برأيك. ملاحظاتك تشكّل الإصدار القادم مباشرة. → Testing Guide | → 中文测试指南 | → 日本語テストガイド
- [05/19/2026] v0.5.0 — وكلاء تجارب متعددة المجالات + ARC-Bench — تحديثان رئيسيان. (1) وكلاء تنفيذ متخصصون حسب المجال: أصبحت مرحلة التجارب (المراحل 10–13) توجّه المهام إلى وكلاء متخصصين حسب التخصص بدلاً من بيئة ML الافتراضية فقط — فيزياء الطاقة العالية (ColliderAgent: FeynRules، MadGraph5، Delphes عبر سحابة Magnus)، والأحياء (نمذجة الأيض على مستوى الجينوم باستخدام COBRApy)، والإحصاء (وكيل دراسات المحاكاة)، مع منفّذ Docker عام للكيمياء/المواد. يختار المسار التنفيذي المنفّذ المناسب تلقائيًا حسب مجال البحث. (2) ARC-Bench: معيار مرجعي مفتوح للبحث الذاتي يضم 55 موضوعًا يغطي ML (25)، وفيزياء الطاقة العالية (10)، والكم (10)، والأحياء (7)، والإحصاء (3)، مع بيان (manifest) ومقياس تقييم (rubric) لكل موضوع (
experiments/arc_bench/، ومتاح أيضًا على 🤗 Hugging Face). → دليل تكامل المجالات - [04/01/2026] v0.4.0 — نظام مساعد الطيار Human-in-the-Loop — لم يعد AutoResearchClaw مستقلاً بالكامل فحسب. نظام HITL الجديد يضيف 6 أوضاع تدخل (
full-auto،gate-only،checkpoint،step-by-step،co-pilot،custom)، وسياسات لكل مرحلة، وتعاون عميق بين الإنسان والذكاء الاصطناعي. يتضمن: ورشة الأفكار لتطوير الفرضيات التعاوني، متصفح خطوط الأساس لمراجعة تصميم التجارب، الكاتب المشارك للورقة للصياغة التعاونية، SmartPause (تدخل ديناميكي مدفوع بالثقة)، تعلّم التدخل ALHF، التحقق من الادعاءات لمكافحة الهلوسة، حواجز ميزانية التكلفة، تفريع خط الأنابيب لاستكشاف فرضيات متوازية، وأوامر CLI (attach/status/approve/reject/guide). → دليل HITL الكامل - [03/30/2026] تحميل مرن للمهارات — يدعم AutoResearchClaw الآن تحميل مهارات مفتوحة المصدر ومخصصة من أي تخصص لتعزيز تجربتك البحثية. 20 مهارة مُحمّلة مسبقاً متضمنة كمراجع جاهزة للاستخدام، تغطي الكتابة العلمية وتصميم التجارب والكيمياء والأحياء والمزيد — بما في ذلك مهارة A-Evolve للتطور الذكي ساهم بها المجتمع. حمّل مهاراتك عبر
researchclaw skills installأو ضعSKILL.mdفي.claude/skills/. انظر مكتبة المهارات. - [03/22/2026] v0.3.2 — دعم متعدد المنصات + استقرار كبير — يعمل AutoResearchClaw الآن مع أي وكيل متوافق مع ACP (Claude Code، Codex CLI، Copilot CLI، Gemini CLI، Kimi CLI) ويدعم منصات المراسلة (Discord، Telegram، Lark، WeChat) عبر جسر OpenClaw. واجهة خلفية جديدة لتوليد الكود عبر CLI-agent تفوّض المرحلتين 10 و13 لوكلاء CLI خارجيين مع التحكم في الميزانية وإدارة المهلة الزمنية. يتضمن نظام مكافحة التلفيق (VerifiedRegistry + حلقة تشخيص وإصلاح التجارب)، 100+ إصلاح أخطاء، إعادة هيكلة modular executor، كشف تلقائي لـ
--resume، تعزيز إعادة محاولات LLM، وإصلاحات المجتمع.
الإصدارات السابقة
- [03/18/2026] v0.3.1 — OpenCode Beast Mode + Community Contributions — New "Beast Mode" routes complex code generation to OpenCode with automatic complexity scoring and graceful fallback. Added Novita AI provider support, thread-safety hardening, improved LLM output parsing robustness, and 20+ bug fixes from community PRs and internal audit.
- [03/17/2026] v0.3.0 — MetaClaw Integration — AutoResearchClaw now supports MetaClaw cross-run learning: pipeline failures → structured lessons → reusable skills, injected into all 23 stages. +18.3% robustness in controlled experiments. Opt-in (
metaclaw_bridge.enabled: true), fully backward-compatible. See Integration Guide. - [03/16/2026] v0.2.0 — Three multi-agent subsystems (CodeAgent, BenchmarkAgent, FigureAgent), hardened Docker sandbox with network-policy-aware execution, 4-round paper quality audit (AI-slop detection, 7-dim review scoring, NeurIPS checklist), and 15+ bug fixes from production runs.
- [03/15/2026] v0.1.0 — We release AutoResearchClaw: a fully autonomous 23-stage research pipeline that turns a single research idea into a conference-ready paper. No human intervention required.
# مستقل تماماً — بدون تدخل بشري
pip install -e . && researchclaw setup && researchclaw init && researchclaw run --topic "Your research idea here" --auto-approve
# وضع مساعد الطيار — تعاون مع الذكاء الاصطناعي في نقاط القرار الرئيسية
researchclaw run --topic "Your research idea here" --mode co-pilotأنت تفكر. AutoResearchClaw يكتب. أنت توجّه القرارات الرئيسية.
أعطِ موضوعاً بحثياً — احصل على ورقة أكاديمية كاملة مع أدبيات حقيقية من OpenAlex و Semantic Scholar و arXiv، وتجارب في بيئة معزولة واعية بالعتاد (كشف تلقائي لـ GPU/MPS/CPU)، وتحليل إحصائي، ومراجعة أقران متعددة الوكلاء، و LaTeX جاهز للمؤتمرات يستهدف NeurIPS/ICML/ICLR. شغّله بشكل مستقل تماماً، أو استخدم وضع مساعد الطيار لتوجيه الذكاء الاصطناعي في نقاط القرار الحاسمة — اختر اتجاهات البحث، راجع تصاميم التجارب، وشارك في كتابة الورقة. بدون مراجع مُلفّقة.
| 📄 | paper_draft.md | ورقة أكاديمية كاملة (مقدمة، أعمال سابقة، المنهجية، التجارب، النتائج، الخاتمة) |
| 📐 | paper.tex | LaTeX جاهز للمؤتمرات (قوالب NeurIPS / ICLR / ICML) |
| 📚 | references.bib | مراجع BibTeX حقيقية من OpenAlex و Semantic Scholar و arXiv — مُنقّحة تلقائياً لمطابقة الاستشهادات المضمّنة |
| 🔍 | verification_report.json | تحقق من سلامة الاستشهادات على 4 طبقات + التحقق من الصلة (arXiv، CrossRef، DataCite، LLM) |
| 🧪 | experiment runs/ | كود مُولّد + نتائج البيئة المعزولة + مقاييس JSON منظمة |
| 📊 | charts/ | رسوم بيانية مُولّدة تلقائياً لمقارنة الظروف مع أشرطة الخطأ وفترات الثقة |
| 📝 | reviews.md | مراجعة أقران متعددة الوكلاء مع فحص اتساق المنهجية والأدلة |
| 🧬 | evolution/ | دروس تعلّم ذاتي مستخلصة من كل تشغيل |
| 📦 | deliverables/ | جميع المخرجات النهائية في مجلد واحد — جاهزة للترجمة على Overleaf |
يعمل خط الأنابيب من البداية إلى النهاية — بشكل مستقل تماماً أو بتعاون human-in-the-loop. عندما تفشل التجارب، يصلح نفسه. عندما لا تصمد الفرضيات، يغيّر المسار. عندما تكون الاستشهادات مُلفّقة، يزيلها. عندما تريد التوجيه، يتوقف ويستمع.
🌍 شغّله من أي مكان. AutoResearchClaw ليس مقيّدًا بمنصة واحدة. استخدمه مستقلاً عبر CLI، أو وصّله بـ OpenClaw، أو ادمجه مع أي وكيل متوافق مع ACP — 🤖 Claude Code، 💻 Codex CLI، 🐙 Copilot CLI، ♊ Gemini CLI، 🌙 Kimi CLI، وغيرها. بفضل جسر الرسائل في OpenClaw، يمكنك إطلاق بحث كامل من 💬 Discord،
# 1. استنساخ وتثبيت
git clone https://github.com/aiming-lab/AutoResearchClaw.git
cd AutoResearchClaw
python3 -m venv .venv && source .venv/bin/activate
pip install -e .
# 2. الإعداد (تفاعلي — يثبّت OpenCode beast mode، يتحقق من Docker/LaTeX)
researchclaw setup
# 3. التهيئة
researchclaw init # تفاعلي: اختر مزوّد LLM، ينشئ config.arc.yaml
# أو يدوياً: cp config.researchclaw.example.yaml config.arc.yaml
# 4. التشغيل
export OPENAI_API_KEY="sk-..."
researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approveالمخرجات → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/ — LaTeX و BibTeX وكود التجارب والرسوم البيانية جاهزة للترجمة.
📝 الحد الأدنى من التهيئة المطلوبة
project:
name: "my-research"
research:
topic: "Your research topic here"
llm:
base_url: "https://api.openai.com/v1"
api_key_env: "OPENAI_API_KEY"
primary_model: "gpt-4o"
fallback_models: ["gpt-4o-mini"]
experiment:
mode: "sandbox"
sandbox:
python_path: ".venv/bin/python"| القدرة | كيف يعمل |
|---|---|
| 🧑 |
6 أوضاع تدخل — من مستقل تماماً إلى خطوة بخطوة. وجّه الذكاء الاصطناعي في القرارات الحاسمة (الفرضيات، خطوط الأساس، كتابة الورقة) أو دعه يعمل بحرية. SmartPause يكتشف تلقائياً متى يكون التدخل البشري مفيداً. |
| 🔄 حلقة PIVOT / REFINE | المرحلة 15 تقرر بشكل مستقل: PROCEED أو REFINE (تعديل المعاملات) أو PIVOT (اتجاه جديد). المخرجات تُحفظ بإصدارات تلقائياً. |
| 🤖 نقاش متعدد الوكلاء | توليد الفرضيات وتحليل النتائج ومراجعة الأقران تستخدم نقاشاً منظماً بوجهات نظر متعددة. |
| 🧬 التعلّم الذاتي | دروس مستخلصة من كل تشغيل (مبررات القرارات، تحذيرات وقت التشغيل، شذوذ المقاييس) مع تناقص زمني بنصف عمر 30 يوماً. التشغيلات المستقبلية تتعلم من الأخطاء السابقة. |
| 📚 قاعدة المعرفة | كل تشغيل يبني قاعدة معرفة منظمة عبر 6 فئات (قرارات، تجارب، اكتشافات، أدبيات، أسئلة، مراجعات). |
| 🛡️ الحارس المراقب Sentinel | مراقب جودة في الخلفية: كشف NaN/Inf، اتساق الورقة والأدلة، تقييم صلة الاستشهادات، حماية ضد التلفيق. |
| 🔍 التحقق من الادعاءات | فحص حقائق مضمّن: يستخلص الادعاءات من النص المُولّد بالذكاء الاصطناعي ويتحقق منها مقابل الأدبيات المجمّعة. يُبلّغ عن الاستشهادات غير المؤسسة والأرقام المُلفّقة. |
| 🌿 استكشاف الفروع | افرع خط الأنابيب لاستكشاف اتجاهات بحثية متعددة في وقت واحد، قارن النتائج جنباً إلى جنب، وادمج أفضل مسار. |
AutoResearchClaw هو خدمة متوافقة مع OpenClaw. قم بتثبيته في OpenClaw وابدأ بحثاً مستقلاً برسالة واحدة — أو استخدمه بشكل مستقل عبر سطر الأوامر أو Claude Code أو أي مساعد برمجة بالذكاء الاصطناعي.
إذا كنت تستخدم OpenClaw بالفعل كمساعد ذكاء اصطناعي:
1️⃣ شارك رابط مستودع GitHub مع OpenClaw
2️⃣ OpenClaw يقرأ تلقائياً RESEARCHCLAW_AGENTS.md → يفهم خط الأنابيب
3️⃣ قل: "ابحث عن [موضوعك]"
4️⃣ تم — OpenClaw يستنسخ، يثبّت، يهيّئ، يشغّل، ويعيد النتائج
هذا كل شيء. يتعامل OpenClaw مع git clone، pip install، إعداد التهيئة، وتنفيذ خط الأنابيب تلقائياً. أنت فقط تتحدث.
💡 ماذا يحدث خلف الكواليس
- يقرأ OpenClaw ملف
RESEARCHCLAW_AGENTS.md→ يتعلم دور منسّق البحث - يقرأ OpenClaw ملف
README.md→ يفهم التثبيت وبنية خط الأنابيب - يقرأ OpenClaw ملف
config.researchclaw.example.yaml→config.yaml - يسأل عن مفتاح API لنموذج اللغة (أو يستخدم متغير البيئة)
- يشغّل
pip install -e .+researchclaw run --topic "..." --auto-approve - يعيد الورقة و LaTeX والتجارب والاستشهادات
للتكامل الأعمق، يتضمن AutoResearchClaw نظام محوّلات جسر مع 6 إمكانيات اختيارية:
# config.arc.yaml
openclaw_bridge:
use_cron: true # ⏰ عمليات تشغيل بحث مجدولة
use_message: true # 💬 إشعارات التقدم (Discord/Slack/Telegram)
use_memory: true # 🧠 استمرارية المعرفة عبر الجلسات
use_sessions_spawn: true # 🔀 إطلاق جلسات فرعية متوازية للمراحل المتزامنة
use_web_fetch: true # 🌐 بحث ويب مباشر أثناء مراجعة الأدبيات
use_browser: false # 🖥️ جمع الأوراق عبر المتصفحكل علامة تفعّل بروتوكول محوّل مُحدد النوع. عندما يوفر OpenClaw هذه الإمكانيات، تستهلكها المحوّلات بدون تغييرات في الكود. راجع integration-guide.md للتفاصيل الكاملة.
يمكن لـ AutoResearchClaw استخدام أي وكيل برمجة متوافق مع ACP كواجهة خلفية لنموذج اللغة — بدون الحاجة لمفاتيح API. يتواصل الوكيل عبر acpx، ويحافظ على جلسة واحدة مستمرة عبر جميع مراحل خط الأنابيب الـ 23.
| الوكيل | الأمر | ملاحظات |
|---|---|---|
| Claude Code | claude |
Anthropic |
| Codex CLI | codex |
OpenAI |
| Copilot CLI | gh |
GitHub |
| Gemini CLI | gemini |
|
| OpenCode | opencode |
SST |
| Kimi CLI | kimi |
Moonshot |
# config.yaml — مثال ACP
llm:
provider: "acp"
acp:
agent: "claude" # أي أمر CLI لوكيل متوافق مع ACP
cwd: "." # دليل العمل للوكيل
# لا حاجة لـ base_url أو api_key — الوكيل يدير مصادقته بنفسه.# فقط شغّل — الوكيل يستخدم بيانات اعتماده الخاصة
researchclaw run --config config.yaml --topic "Your research idea" --auto-approve| الطريقة | الكيفية |
|---|---|
| سطر أوامر مستقل | researchclaw run --topic "..." --auto-approve (مستقل) أو --mode co-pilot (تعاوني) |
| واجهة Python البرمجية | from researchclaw.pipeline import Runner; Runner(config).run() |
| Claude Code | يقرأ RESEARCHCLAW_CLAUDE.md — فقط قل "شغّل بحثاً عن [موضوع]" |
| Copilot CLI | researchclaw run --topic "..." مع llm.acp.agent: "gh" |
| OpenCode | يقرأ .claude/skills/ — نفس واجهة اللغة الطبيعية |
| أي واجهة ذكاء اصطناعي | قدّم RESEARCHCLAW_AGENTS.md كسياق → الوكيل يبدأ تلقائياً |
Phase A: تحديد نطاق البحث Phase E: تنفيذ التجارب
1. TOPIC_INIT 12. EXPERIMENT_RUN
2. PROBLEM_DECOMPOSE 13. ITERATIVE_REFINE ← إصلاح ذاتي
Phase B: اكتشاف الأدبيات Phase F: التحليل والقرار
3. SEARCH_STRATEGY 14. RESULT_ANALYSIS ← متعدد الوكلاء
4. LITERATURE_COLLECT ← API حقيقي 15. RESEARCH_DECISION ← PIVOT/REFINE
5. LITERATURE_SCREEN [بوابة]
6. KNOWLEDGE_EXTRACT Phase G: كتابة الورقة
16. PAPER_OUTLINE
Phase C: توليف المعرفة 17. PAPER_DRAFT
7. SYNTHESIS 18. PEER_REVIEW ← فحص الأدلة
8. HYPOTHESIS_GEN ← نقاش 19. PAPER_REVISION
Phase D: تصميم التجارب Phase H: الإنهاء
9. EXPERIMENT_DESIGN [بوابة] 20. QUALITY_GATE [بوابة]
10. CODE_GENERATION 21. KNOWLEDGE_ARCHIVE
11. RESOURCE_PLANNING 22. EXPORT_PUBLISH ← LaTeX
23. CITATION_VERIFY ← فحص الصلة
مراحل البوابات (5، 9، 20) تتوقف للحصول على موافقة بشرية أو موافقة تلقائية مع
--auto-approve. عند الرفض، يعود خط الأنابيب للخلف.
وضع مساعد الطيار (
--mode co-pilot): تعاون عميق بين الإنسان والذكاء الاصطناعي في المراحل 7-8 (ورشة الأفكار)، المرحلة 9 (متصفح خطوط الأساس)، والمراحل 16-17 (الكاتب المشارك للورقة). المراحل الأخرى تُنفّذ تلقائياً مع مراقبة SmartPause.
حلقات القرار: يمكن للمرحلة 15 تفعيل REFINE (→ المرحلة 13) أو PIVOT (→ المرحلة 8)، مع إصدار تلقائي للمخرجات.
📋 ماذا يفعل كل طور
| الطور | ما يحدث |
|---|---|
| A: تحديد النطاق | يفكك نموذج اللغة الموضوع إلى شجرة مشاكل منظمة مع أسئلة بحثية |
| A+: العتاد | كشف تلقائي لـ GPU (NVIDIA CUDA / Apple MPS / CPU فقط)، تحذير إذا كان العتاد المحلي محدوداً، تكييف توليد الكود وفقاً لذلك |
| B: الأدبيات | بحث متعدد المصادر (OpenAlex → Semantic Scholar → arXiv) عن أوراق حقيقية، فرز حسب الصلة، استخلاص بطاقات معرفية |
| C: التوليف | تجميع النتائج، تحديد فجوات البحث، توليد فرضيات قابلة للاختبار عبر نقاش متعدد الوكلاء |
| D: التصميم | تصميم خطة التجارب، توليد كود Python قابل للتشغيل واعٍ بالعتاد (مستوى GPU → اختيار الحزم)، تقدير احتياجات الموارد |
| E: التنفيذ | تشغيل التجارب في بيئة معزولة، كشف NaN/Inf وأخطاء وقت التشغيل، إصلاح ذاتي للكود عبر إصلاح مُستهدف بنموذج اللغة |
| F: التحليل | تحليل متعدد الوكلاء للنتائج؛ قرار مستقل PROCEED / REFINE / PIVOT مع المبررات |
| G: الكتابة | مخطط → صياغة قسم بقسم (5,000-6,500 كلمة) → مراجعات أقران (مع اتساق المنهجية والأدلة) → مراجعة مع حماية الطول |
| H: الإنهاء | بوابة جودة، أرشفة المعرفة، تصدير LaTeX مع قالب المؤتمر، التحقق من سلامة الاستشهادات + الصلة |
| الميزة | الوصف |
|---|---|
| 📚 أدبيات متعددة المصادر | أوراق حقيقية من OpenAlex و Semantic Scholar و arXiv — توسيع الاستعلام، إزالة التكرار، قاطع دائرة مع تدهور أنيق |
| 🔍 تحقق من الاستشهادات على 4 طبقات | فحص arXiv ID → CrossRef/DataCite DOI → مطابقة عنوان Semantic Scholar → تقييم صلة LLM. المراجع المُلفّقة تُزال تلقائياً. |
| 🖥️ تنفيذ واعٍ بالعتاد | كشف تلقائي لـ GPU (NVIDIA CUDA / Apple MPS / CPU فقط) مع تكييف توليد الكود والاستيرادات ونطاق التجارب |
| 🦾 OpenCode Beast Mode | التجارب المعقدة تُوجّه تلقائياً إلى OpenCode — يولّد مشاريع متعددة الملفات مع بنى مخصصة وحلقات تدريب ودراسات استئصال. التثبيت عبر researchclaw setup. |
| 🧪 تجارب في بيئة معزولة | كود مُتحقق بـ AST، إطار غير قابل للتعديل، فشل سريع عند NaN/Inf، إصلاح ذاتي، تحسين تكراري (حتى 10 جولات)، التقاط نتائج جزئية |
| 📝 كتابة بمستوى المؤتمرات | قوالب NeurIPS/ICML/ICLR، صياغة قسم بقسم (5,000-6,500 كلمة)، حماية ضد التلفيق، حماية طول المراجعة، فرض مضاد لإخلاءات المسؤولية |
| 📐 تبديل القوالب | neurips_2025، iclr_2026، icml_2026 — Markdown → LaTeX مع رياضيات وجداول وأشكال ومراجع تبادلية و \cite{} |
| 🛡️ مكافحة التلفيق | VerifiedRegistry يفرض بيانات تجارب حقيقية في الأوراق. تشخيص تلقائي للتجارب الفاشلة وإصلاحها قبل الكتابة. الأرقام غير المُتحقق منها تُنقّى. |
| 🚦 بوابات الجودة | 3 بوابات بمشاركة بشرية (المراحل 5، 9، 20) مع إمكانية التراجع. تخطّ باستخدام --auto-approve. |
| 🧑 |
6 أوضاع تدخل مع سياسات لكل مرحلة. ورشة الأفكار، متصفح خطوط الأساس، الكاتب المشارك للورقة للتعاون العميق. SmartPause، حواجز التكلفة، سياسات التصعيد، وتعلّم التدخل لسلامة الإنتاج. محوّلات CLI/WebSocket/MCP. |
| 💰 حواجز التكلفة | مراقبة الميزانية مع تنبيهات عتبات قابلة للتهيئة (50%/80%/100%). خط الأنابيب يتوقف تلقائياً عند تجاوز الميزانية. |
| 🔐 قابلية إعادة الإنتاج | مجاميع اختبارية SHA256 لجميع مخرجات المراحل. بيانات غير قابلة للتعديل للتحقق. تراجع متعدد المستويات مع لقطات مُصدّرة. |
يقدّم AutoResearchClaw v0.4.0 نظام Human-in-the-Loop (HITL) متكاملاً يحوّل خط الأنابيب من مستقل بالكامل إلى محرك بحث تعاوني بين الإنسان والذكاء الاصطناعي. اختر مستوى مشاركتك:
| الوضع | الأمر | ماذا يفعل |
|---|---|---|
| مستقل تماماً | --auto-approve |
السلوك الأصلي — بدون تدخل بشري |
| بوابات فقط | --mode gate-only |
توقف عند 3 مراحل بوابات (5، 9، 20) للموافقة |
| نقاط تفتيش | --mode checkpoint |
توقف عند كل حدود طور (8 نقاط تفتيش) |
| مساعد الطيار | --mode co-pilot |
تعاون عميق في المراحل الحاسمة، تلقائي في البقية |
| خطوة بخطوة | --mode step-by-step |
توقف بعد كل مرحلة — تعلّم خط الأنابيب |
| سريع | --mode express |
مراجعة سريعة — فقط 3 بوابات أكثر أهمية |
You: researchclaw run --topic "Quantum noise as neural network regularization" --mode co-pilot
خط الأنابيب يشغّل المراحل 1-7 تلقائياً...
┌─────────────────────────────────────────────────────────────┐
│ HITL | المرحلة 08: HYPOTHESIS_GEN │
│ مراجعة ما بعد المرحلة │
│ │
│ الفرضيات المذكورة: 3 │
│ درجة الجدّة: 0.72 (متوسطة) │
│ │
│ [a] موافقة [r] رفض [e] تعديل [c] تعاون │
│ [i] حقن توجيه [v] عرض المخرجات [q] إلغاء │
└─────────────────────────────────────────────────────────────┘
You: c (بدء محادثة تعاونية)
You: الفرضية 3 مثيرة لكنها تحتاج Dropout/Label Smoothing كخطوط أساس
AI: تم التحديث — أُضيف Dropout، Label Smoothing، MixUp، CutMix كخطوط أساس...
You: approve
خط الأنابيب يستمر بفرضيتك المُحسّنة...
# البدء بوضع HITL
researchclaw run --topic "..." --mode co-pilot
# الاتصال بخط أنابيب متوقف (من طرفية أخرى)
researchclaw attach artifacts/rc-2026-xxx
# التحقق من حالة خط الأنابيب و HITL
researchclaw status artifacts/rc-2026-xxx
# الموافقة/الرفض من طرفية أخرى أو سكريبت
researchclaw approve artifacts/rc-2026-xxx --message "LGTM"
researchclaw reject artifacts/rc-2026-xxx --reason "Missing key baseline"
# حقن توجيه لمرحلة (حتى قبل تشغيلها)
researchclaw guide artifacts/rc-2026-xxx --stage 9 --message "Use ResNet-50 as primary baseline"| الميزة | الوصف |
|---|---|
| ورشة الأفكار | عصف ذهني وتقييم وتحسين الفرضيات تعاونياً (المرحلة 7-8) |
| متصفح خطوط الأساس | الذكاء الاصطناعي يقترح خطوط أساس + الإنسان يضيف/يزيل + قائمة تحقق قابلية إعادة الإنتاج (المرحلة 9) |
| الكاتب المشارك للورقة | صياغة قسم بقسم مع تحرير بشري وتنقيح بالذكاء الاصطناعي (المرحلة 16-19) |
| SmartPause | توقف ديناميكي مدفوع بالثقة — يكتشف تلقائياً متى يكون التدخل البشري مفيداً |
| التحقق من الادعاءات | فحص حقائق مضمّن مقابل الأدبيات المجمّعة — يُبلّغ عن الادعاءات غير المؤسسة |
| حواجز التكلفة | مراقبة الميزانية مع تنبيهات عتبات 50%/80%/100% |
| تعلّم التدخل | ALHF — يتعلم من أنماط مراجعتك لتحسين قرارات التوقف المستقبلية |
| استكشاف الفروع | افرع خط الأنابيب لاستكشاف فرضيات متعددة، قارن، وادمج الأفضل |
| سياسة التصعيد | إشعارات متدرجة (طرفية → Slack → بريد → توقف تلقائي) عند عدم المتابعة |
| 3 محوّلات | CLI (طرفية)، WebSocket (لوحة ويب)، MCP (وكلاء خارجيون) |
# config.arc.yaml
hitl:
enabled: true
mode: co-pilot # full-auto | gate-only | checkpoint | co-pilot | custom
cost_budget_usd: 50.0 # توقف عند تجاوز التكلفة للميزانية (0 = بلا حد)
notifications:
on_pause: true
on_quality_drop: true
channels: ["terminal"] # terminal | slack | webhook
timeouts:
default_human_timeout_sec: 86400 # 24 ساعة انتظار افتراضي
auto_proceed_on_timeout: false
collaboration:
max_chat_turns: 50
save_chat_history: true
# سياسات مخصصة لكل مرحلة (اختياري، لوضع 'custom')
stage_policies:
8: { require_approval: true, enable_collaboration: true }
9: { require_approval: true, allow_edit_output: true }- الافتراضي: مُعطّل. بدون
hitl.enabled: trueأو--mode، يعمل خط الأنابيب تماماً كما كان. --auto-approveلا يزال يعمل. يتجاوز وضع HITL.- جميع الاختبارات الـ 2,699 الحالية تنجح مع وجود كود HITL.
AutoResearchClaw + MetaClaw = خط أنابيب يتعلم من كل تشغيل.
يضيف MetaClaw نقل المعرفة عبر التشغيلات إلى AutoResearchClaw. عند التفعيل، يلتقط خط الأنابيب تلقائياً الدروس من الإخفاقات والتحذيرات، ويحوّلها إلى مهارات قابلة لإعادة الاستخدام، ويحقنها في جميع مراحل خط الأنابيب الـ 23 في التشغيلات اللاحقة — بحيث لا تتكرر نفس الأخطاء أبداً.
Run N ينفّذ → الإخفاقات/التحذيرات تُلتقط كـ Lessons
↓
MetaClaw Lesson → تحويل إلى Skill
↓
ملفات arc-* Skill تُخزّن في ~/.metaclaw/skills/
↓
Run N+1 → build_overlay() يحقن المهارات في كل أمر LLM
↓
LLM يتجنب المزالق المعروفة → جودة أعلى، محاولات أقل
# 1. تثبيت MetaClaw (إذا لم يكن مُثبّتاً)
pip install metaclaw
# 2. التفعيل في التهيئة# config.arc.yaml
metaclaw_bridge:
enabled: true
proxy_url: "http://localhost:30000" # وكيل MetaClaw (اختياري)
skills_dir: "~/.metaclaw/skills" # أين تُخزّن المهارات
fallback_url: "https://api.openai.com/v1" # بديل LLM مباشر
fallback_api_key: "" # مفتاح API لعنوان البديل
lesson_to_skill:
enabled: true
min_severity: "warning" # تحويل التحذيرات + الأخطاء
max_skills_per_run: 3# 3. شغّل كالمعتاد — MetaClaw يعمل بشفافية
researchclaw run --config config.arc.yaml --topic "Your idea" --auto-approveبعد كل تشغيل، تحقق من ~/.metaclaw/skills/arc-*/SKILL.md لمشاهدة المهارات التي تعلّمها خط أنابيبك.
في تجارب A/B مُحكمة (نفس الموضوع، نفس LLM، نفس التهيئة):
| المقياس | خط الأساس | مع MetaClaw | التحسين |
|---|---|---|---|
| معدل إعادة المحاولة لكل مرحلة | 10.5% | 7.9% | -24.8% |
| عدد دورات REFINE | 2.0 | 1.2 | -40.0% |
| إكمال مراحل خط الأنابيب | 18/19 | 19/19 | +5.3% |
| درجة المتانة الإجمالية (مركّبة) | 0.714 | 0.845 | +18.3% |
درجة المتانة المركّبة هي متوسط مرجّح لمعدل إكمال المراحل (40%) وتقليل المحاولات (30%) وكفاءة دورات REFINE (30%).
- الافتراضي: مُعطّل. إذا كان
metaclaw_bridgeغائباً أوenabled: false، يعمل خط الأنابيب تماماً كما كان. - بدون تبعيات جديدة. MetaClaw اختياري — خط الأنابيب الأساسي يعمل بدونه.
- جميع الاختبارات الـ 2,699 الحالية تنجح مع وجود كود التكامل.
يدعم AutoResearchClaw الآن تحميل مهارات مفتوحة المصدر ومخصصة لتعزيز تجربتك البحثية. نوفر أيضاً 20 مهارة مُدمجة مُحمّلة مسبقاً (الكتابة العلمية، البحث في الأدبيات، الكيمياء، الأحياء، والمزيد) كمراجع جاهزة للاستخدام، توفر درجة عالية من المرونة فوراً. عطّل أي مهارة بإضافة enabled: false إلى بيانات YAML الوصفية.
نماذج من المهارات المُدمجة:
| الفئة | المهارة | الوصف |
|---|---|---|
| الكتابة | scientific-writing |
بنية IMRAD، تنسيق الاستشهادات، إرشادات الإبلاغ |
| التخصص | chemistry-rdkit |
تحليل جزيئي، SMILES، بصمات جزيئية، اكتشاف الأدوية |
| التجارب | literature-search |
مراجعة منهجية، منهجية PRISMA |
شاهد جميع المهارات الـ 20 باستخدام
researchclaw skills list.
# الخيار 1: تثبيت مهارة (تبقى عبر المشاريع)
researchclaw skills install /path/to/my-skill/
# الخيار 2: ضع SKILL.md في المشروع
mkdir -p .claude/skills/my-custom-skill
# ثم أنشئ SKILL.md مع بيانات YAML وصفية (name، description، trigger-keywords، applicable-stages)
# الخيار 3: هيّئ مجلدات مهارات مشتركة في config.arc.yaml
# skills:
# custom_dirs:
# - /path/to/team-shared-skillsتُحمّل المهارات وتُحقن في أوامر LLM تلقائياً — لا حاجة لتفعيل يدوي. استخدم CLI للفحص:
researchclaw skills list # عرض جميع المهارات المُحمّلة مع المصادر
researchclaw skills validate ./my-skill # التحقق من تنسيق SKILL.mdتصفح مهارات المجتمع: K-Dense-AI/claude-scientific-skills (150+ مهارة علمية عبر تخصصات متعددة).
انقر لتوسيع مرجع التهيئة الكامل
# === المشروع ===
project:
name: "my-research" # معرّف المشروع
mode: "docs-first" # docs-first | semi-auto | full-auto
# === البحث ===
research:
topic: "..." # موضوع البحث (مطلوب)
domains: ["ml", "nlp"] # مجالات البحث للبحث في الأدبيات
daily_paper_count: 8 # عدد الأوراق المستهدف لكل استعلام بحث
quality_threshold: 4.0 # الحد الأدنى لدرجة جودة الأوراق
# === وقت التشغيل ===
runtime:
timezone: "America/New_York" # للطوابع الزمنية
max_parallel_tasks: 3 # حد التجارب المتزامنة
approval_timeout_hours: 12 # مهلة مرحلة البوابة
retry_limit: 2 # عدد إعادة المحاولة عند فشل المرحلة
# === نموذج اللغة ===
llm:
provider: "openai-compatible" # openai | openrouter | deepseek | minimax | acp | openai-compatible
base_url: "https://..." # نقطة نهاية API (مطلوب لـ openai-compatible)
api_key_env: "OPENAI_API_KEY" # متغير بيئة لمفتاح API (مطلوب لـ openai-compatible)
api_key: "" # أو ضع المفتاح هنا مباشرة
primary_model: "gpt-4o" # النموذج الأساسي
fallback_models: ["gpt-4o-mini"] # سلسلة النماذج الاحتياطية
s2_api_key: "" # مفتاح Semantic Scholar API (اختياري، حدود معدل أعلى)
acp: # يُستخدم فقط عند provider: "acp"
agent: "claude" # أمر CLI لوكيل ACP (claude، codex، gemini، إلخ)
cwd: "." # دليل العمل للوكيل
# === التجارب ===
experiment:
mode: "sandbox" # simulated | sandbox | docker | ssh_remote
time_budget_sec: 300 # أقصى وقت تنفيذ لكل تشغيل (الافتراضي: 300 ثانية)
max_iterations: 10 # أقصى عدد تكرارات التحسين
metric_key: "val_loss" # اسم المقياس الأساسي
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: 4096
docker:
image: "researchclaw/experiment:latest"
network_policy: "setup_only" # none | setup_only | pip_only | full
gpu_enabled: true
memory_limit_mb: 8192
auto_install_deps: true # كشف تلقائي للاستيراد → requirements.txt
ssh_remote:
host: "" # اسم مضيف خادم GPU
gpu_ids: [] # معرّفات GPU المتاحة
remote_workdir: "/tmp/researchclaw_experiments"
opencode: # OpenCode Beast Mode (يُثبّت تلقائياً عبر `researchclaw setup`)
enabled: true # المفتاح الرئيسي (الافتراضي: true)
auto: true # تشغيل تلقائي بدون تأكيد (الافتراضي: true)
complexity_threshold: 0.2 # 0.0-1.0 — أعلى = فقط للتجارب المعقدة
model: "" # تجاوز النموذج (فارغ = يستخدم llm.primary_model)
timeout_sec: 600 # أقصى ثوانٍ لتوليد OpenCode
max_retries: 1 # عدد المحاولات عند الفشل
workspace_cleanup: true # حذف مساحة العمل المؤقتة بعد الجمع
code_agent: # CodeAgent v2 — توليد كود متعدد المراحل
enabled: true # استخدام CodeAgent بدلاً من التوليد القديم بأمر واحد
architecture_planning: true # توليد مخطط تنفيذ تفصيلي قبل البرمجة
sequential_generation: true # توليد الملفات واحداً تلو الآخر حسب رسم التبعيات DAG
hard_validation: true # بوابات تحقق مبنية على AST (تمنع الاستئصالات المتطابقة والمقاييس المشفرة)
hard_validation_max_repairs: 2 # أقصى محاولات إصلاح عند فشل التحقق
exec_fix_max_iterations: 3 # محاولات إصلاح أثناء التنفيذ
exec_fix_timeout_sec: 60 # مهلة لكل محاولة إصلاح
benchmark_agent: # BenchmarkAgent — اختيار تلقائي لمجموعات البيانات وخطوط الأساس
enabled: true # تفعيل خط أنابيب من 4 وكلاء (Surveyor→Selector→Acquirer→Validator)
enable_hf_search: true # البحث في HuggingFace Datasets
enable_web_search: true # البحث عن المعايير في Google Scholar
tier_limit: 2 # تصفية مستوى مجموعات البيانات (1=صغيرة/مخزنة، 2=متوسطة، 3=كبيرة)
min_benchmarks: 1 # الحد الأدنى لمجموعات البيانات المطلوبة
min_baselines: 2 # الحد الأدنى لطرق خط الأساس المطلوبة
figure_agent: # FigureAgent — توليد أشكال أكاديمية
enabled: true # تفعيل خط أنابيب من 5 وكلاء (Planner→CodeGen→Renderer→Critic→Integrator)
min_figures: 3 # الحد الأدنى للأشكال المُولّدة
max_figures: 8 # الحد الأقصى للأشكال
max_iterations: 3 # تكرارات التحسين عبر Critic
dpi: 300 # دقة المخرجات
strict_mode: false # فشل خط الأنابيب إذا فشل توليد الأشكال
repair: # مكافحة التلفيق — إصلاح التجارب
enabled: true # تشخيص وإصلاح التجارب الفاشلة تلقائياً
max_cycles: 3 # دورات الإصلاح
min_completion_rate: 0.5 # >=50% من الشروط يجب أن تكتمل للمتابعة
min_conditions: 2 # شرطان على الأقل لتجربة صالحة
use_opencode: true # توجيه الإصلاحات عبر OpenCode Beast Mode
# === البحث على الويب (اختياري) ===
web_search:
enabled: true # تفعيل البحث في الأدبيات مع الويب
tavily_api_key_env: "TAVILY_API_KEY" # متغير بيئة لمفتاح Tavily API (اختياري)
enable_scholar: true # البحث في Google Scholar
enable_pdf_extraction: true # استخلاص نص من ملفات PDF
max_web_results: 10 # أقصى نتائج ويب لكل استعلام
# === التصدير ===
export:
target_conference: "neurips_2025" # neurips_2025 | iclr_2026 | icml_2026
authors: "Anonymous"
bib_file: "references"
# === الأوامر النصية ===
prompts:
custom_file: "" # مسار ملف YAML للأوامر المخصصة (فارغ = الافتراضي)
# === مساعد الطيار HITL (جديد في v0.4.0) ===
hitl:
enabled: false # اضبط على true لتفعيل HITL
mode: co-pilot # full-auto | gate-only | checkpoint | step-by-step | co-pilot | custom
cost_budget_usd: 0.0 # حد التكلفة بالدولار (0 = بلا حد)
notifications:
on_pause: true # إشعار عند توقف خط الأنابيب
on_quality_drop: true # إشعار عند مشاكل الجودة
channels: ["terminal"] # terminal | slack | webhook
timeouts:
default_human_timeout_sec: 86400 # انتظار حتى 24 ساعة للمدخلات البشرية
auto_proceed_on_timeout: false # إذا true، موافقة تلقائية عند انتهاء المهلة
collaboration:
max_chat_turns: 50 # أقصى عدد جولات لكل جلسة تعاون
save_chat_history: true # حفظ سجلات المحادثة
stage_policies: {} # تجاوزات لكل مرحلة (لوضع 'custom')
# === الأمان ===
security:
hitl_required_stages: [5, 9, 20] # المراحل التي تتطلب موافقة بشرية
allow_publish_without_approval: false
redact_sensitive_logs: true
# === قاعدة المعرفة ===
knowledge_base:
backend: "markdown" # markdown | obsidian
root: "docs/kb"
# === الإشعارات ===
notifications:
channel: "console" # console | discord | slack
target: ""
# === جسر MetaClaw (اختياري) ===
metaclaw_bridge:
enabled: false # اضبط على true لتفعيل التعلم عبر التشغيلات
proxy_url: "http://localhost:30000" # عنوان وكيل MetaClaw
skills_dir: "~/.metaclaw/skills" # أين تُخزّن مهارات arc-*
fallback_url: "" # بديل LLM مباشر عند عدم توفر الوكيل
fallback_api_key: "" # مفتاح API لنقطة نهاية البديل
lesson_to_skill:
enabled: true # تحويل الدروس إلى مهارات تلقائياً
min_severity: "warning" # أدنى شدة للتحويل
max_skills_per_run: 3 # أقصى مهارات جديدة لكل تشغيل
prm: # بوابة جودة نموذج مكافأة العملية (اختياري)
enabled: false # استخدام LLM-as-judge لتقييم مخرجات المراحل
model: "gpt-5.4" # نموذج حكم PRM
votes: 3 # عدد التصويت بالأغلبية
gate_stages: [5, 9, 15, 20] # المراحل لتطبيق بوابات PRM
# === جسر OpenClaw ===
openclaw_bridge:
use_cron: false # عمليات تشغيل بحث مجدولة
use_message: false # إشعارات التقدم
use_memory: false # استمرارية المعرفة عبر الجلسات
use_sessions_spawn: false # إطلاق جلسات فرعية متوازية
use_web_fetch: false # بحث ويب مباشر
use_browser: false # جمع الأوراق عبر المتصفحمستوحى من:
- 🔬 AI Scientist (Sakana AI) — رائد البحث الآلي
- 🧠 AutoResearch (Andrej Karpathy) — أتمتة البحث من البداية إلى النهاية
- 🌐 FARS (Analemma) — نظام بحث مؤتمت بالكامل
MIT — راجع LICENSE للتفاصيل.
إذا وجدت AutoResearchClaw مفيداً، يرجى الاستشهاد:
@misc{liu2026autoresearchclawselfreinforcingautonomousresearch,
title={AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration},
author={Jiaqi Liu and Shi Qiu and Mairui Li and Bingzhou Li and Haonian Ji and Siwei Han and Xinyu Ye and Peng Xia and Zihan Dong and Congyu Zhang and Letian Zhang and Guiming Chen and Haoqin Tu and Xinyu Yang and Lu Feng and Xujiang Zhao and Haifeng Chen and Jiawei Zhou and Xiao Wang and Weitong Zhang and Hongtu Zhu and Yun Li and Jieru Mei and Hongliang Fei and Jiaheng Zhang and Linjie Li and Linjun Zhang and Yuyin Zhou and Sheng Wang and Caiming Xiong and James Zou and Zeyu Zheng and Cihang Xie and Mingyu Ding and Huaxiu Yao},
year={2026},
eprint={2605.20025},
archivePrefix={arXiv},
primaryClass={cs.AI},
url={https://arxiv.org/abs/2605.20025},
}بُني بـ 🦞 بواسطة فريق AutoResearchClaw