你睡8小时，它跑完3轮实验；你出去度假，它探索了50+组超参；你在写论文，它已经把results table准备好了。
一个能24/7自主运行深度学习实验的AI代理框架，每天LLM成本不到6毛钱。
痛点：为什么我们还需要一个“自动炼丹”工具？
做深度学习研究的你，一定经历过这些：
- 白天盯着loss曲线，晚上守着GPU日志，生怕训练崩了
- 一个实验跑8小时，你要守着8小时才能决定下一组参数
- 超参搜索？手动改config，手动重启，手动记录，来回几十次
- 好不容易想出个好idea，却被“跑实验”这个体力活拖得精疲力尽
现有的AI工具，有的帮你写论文，有的帮你查文献，有的帮你整理笔记。但替你跑实验这件事，没人做。
Deep Researcher Agent（简称DAWN）就是为了填这个坑而生的。它不是一个聊天助手，而是一个能持续24/7自主运行的实验Agent——你睡觉，它炼丹。
实战验证：500+轮实验，52%提升，0.55元/天
这不是一个纸上谈兵的demo。项目作者已经在真实研究环境中验证了它的能力：
| 指标 |
数据 |
| 自主完成的实验循环 |
500+轮 |
| 单项目最佳指标提升 |
比基线提升52%（200+次自动实验后） |
| 同时管理的项目数 |
4个项目，4台GPU服务器 |
| 最长连续运行时间 |
30+天无需人工干预 |
| 24小时平均LLM成本 |
~¥0.55（你没看错，五毛五） |
核心创新：零成本监控，告别按token烧钱
很多人会问：让AI 24/7跑实验，那API费用不得爆炸？
DAWN的设计者早就想到了这个问题。它的秘密在于 THINK → EXECUTE → REFLECT 循环：
- THINK（5-10分钟）：LLM分析现状、制定计划、写代码 → 花钱（约¥0.35）
- EXECUTE（数小时/天）：训练真正在GPU上跑，Agent只做进程存活检查 + 读日志尾部 → 零LLM调用，不花钱
- REFLECT（5-10分钟）：LLM解析日志、对比基线、更新记忆 → 花钱（约¥0.20）
训练8小时的一个完整周期，LLM成本合计约¥0.55，而不是¥350+。
这意味着你可以放心让它24/7跑下去，不用心疼账单。
架构设计：Leader‑Worker + 恒定大小记忆
Leader‑Worker架构
Leader负责任务调度和决策，Worker各司其职（想idea、写代码、写文档）。同一时刻只有一个Worker活跃，避免token浪费。
恒定大小记忆系统
Agent跑得再久，记忆也不会无限膨胀：
PROJECT_BRIEF.md：项目目标、约束、决策树（冻结，Agent不可改）MEMORY_LOG.md：关键成果 + 最近15条决策，自动压缩到~2000字符
无论运行多久，记忆大小恒定在~5000字符（约1500 tokens）。既不会遗忘重要信息，也不会被历史对话撑爆上下文。
快速上手：10分钟从零跑起来
0. 环境要求
- Python 3.10+
- Claude Code（或其他兼容CLI）
- NVIDIA GPU（至少一块）
- Anthropic API Key
1. 安装
# 克隆仓库
git clone https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7.git
cd auto-deep-researcher-24x7
# 安装依赖
pip install -r requirements.txt
# 安装 7 个 Claude Code 斜杠命令
python install.py
# 验证
python -m core.loop --check
2. 创建你的第一个项目
建一个文件夹，写一个PROJECT_BRIEF.md，告诉Agent你想做什么：
cat > PROJECT_BRIEF.md << 'EOF'
# 目标
在 CIFAR-100 上训练 ResNet-50，测试准确率 >80%。
# 代码
Agent 从零开始写 PyTorch 训练代码。
- 用 torchvision 加载数据集（自动下载）
- 模型存到 ./checkpoints/
- 日志写到 ./logs/
# 尝试方向
- 先试基础 ResNet-50，lr=0.1，SGD，100 epochs
- 如果准确率 <75%，加 cosine annealing + warmup
- 如果 75-80%，加 mixup 或 cutout 数据增强
- 如果 >80%，目标达成
# 约束
- 只用 GPU 0
- 每次最多 100 epochs
- Batch size 128
# 当前状态
还没跑过任何实验，从零开始。
EOF
写好Brief就像在指导一个聪明的实习生：目标要具体，决策树要清晰。
3. 启动
在Claude Code中输入：
/auto-experiment --project ~/my-first-experiment --gpu 0
Agent就会开始它的THINK → EXECUTE → REFLECT循环。你可以随时查看进度：
=== 第 1 轮 ===
[THINK] 读取 PROJECT_BRIEF.md...
目标：ResNet-50 CIFAR-100，>80%
没有历史实验，从 baseline 开始
计划：ResNet-50, lr=0.1, SGD + momentum, 100 epochs
[EXECUTE] 创建 train.py...
创建 config.yaml...
Dry-run (跑2步验证)... ✓ 没报错
启动训练：nohup python train.py --config config.yaml
PID: 12345，日志: logs/exp001.log
[MONITOR] 训练中...（零 LLM 成本）
15:00 — 进程活着，GPU 98%，Epoch 12/100，loss=2.34
15:15 — 进程活着，GPU 97%，Epoch 25/100，loss=1.87
...
18:00 — 进程结束，训练完成
[REFLECT] 解析日志... 测试准确率 = 76.3%
76.3% < 80% 目标
Brief 说 75-80% 应该加数据增强
决策：下一轮加 mixup (alpha=0.2) + cosine annealing
记录里程碑："Exp001: ResNet-50 baseline, 76.3%"
=== 第 2 轮 ===
[THINK] 当前最佳：76.3%（Exp001）
计划：加 mixup + cosine annealing
...
4. 随时介入
想临时改变方向？写一个文件即可：
# 方式 1：放一个文件（Agent 下一轮自动读取）
echo "别试 ResNet 了，换 ViT-B/16，lr=1e-3" \
> ~/my-first-experiment/workspace/HUMAN_DIRECTIVE.md
# 方式 2：命令行
python -m core.loop --project ~/my-first-experiment \
--directive "加 label smoothing 0.1"
# 方式 3：直接改记忆文件
vim ~/my-first-experiment/workspace/MEMORY_LOG.md
Agent下一轮会以最高优先级读取你的指令。
哲学：学术应当保持纯粹，人始终在循环里
项目README里有一段很诚恳的话，值得每个使用者读一读：
我们的愿望很朴素：让学术保持纯粹，让人始终留在循环里。
Agent可以替你跑实验，但idea、结果的解读、科学判断请留给自己。
不要用这个项目去伪造结果，不要用它去“生成”完全没有人类参与的研究。
那不是我们想帮忙建造的未来，我们也相信，那同样不是大多数你们想要的未来。
这个框架不是为了替代研究者，而是为了把机械、重复的环节从你身上拿掉，让你把省下来的时间，留给真正重要的事：思考。
开源地址
GitHub：https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7
项目提供完整的中文文档、英文文档、日文、韩文文档，还有一份AI_GUIDE.md，可以直接丢给Claude / ChatGPT，AI会一步步带你装好、配好、跑起第一个实验。如果您对这类开源实战项目感兴趣，欢迎到云栈社区交流讨论。
最后
“实验通宵运行，结果黎明到来。”
如果你也曾因为盯训练、调参数、等结果而疲惫不堪，不妨试试把这个“体力活”交给Deep Researcher Agent。
你负责idea和思考，它负责跑腿和重复劳动。这才是AI该有的样子。
欢迎Star、Fork、试用。也欢迎在Issues里分享你的使用故事和需求。让我们一起，让学术回归纯粹。
发表于 1 小时前
|
查看: 4|
回复: 0
