Напишите идею. Получите статью. Полностью автономно и с самообучением.

Просто напишите OpenClaw: «Исследуй X» → готово.

AutoResearchClaw Framework

🇺🇸 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇫🇷 Français · 🇩🇪 Deutsch · 🇪🇸 Español · 🇧🇷 Português · 🇷🇺 Русский · 🇸🇦 العربية

🏆 Галерея статей · 📖 Руководство по интеграции · 💬 Сообщество в Discord

---

🏆 Галерея сгенерированных статей

8 статей в 8 областях — математика, статистика, биология, информатика, NLP, RL, компьютерное зрение, робастность — сгенерированы полностью автономно без участия человека.

--- > **🧪 Мы ищем тестировщиков!** Попробуйте запустить пайплайн со своей исследовательской идеей из любой области и [расскажите нам о результатах](TESTER_GUIDE.md). Ваш фидбек напрямую влияет на развитие проекта. **[→ Руководство по тестированию](TESTER_GUIDE.md)** | **[→ 中文测试指南](TESTER_GUIDE_CN.md)** | **[→ 日本語テストガイド](TESTER_GUIDE_JA.md)** --- ## 🔥 Новости - **[22.03.2026]** [v0.3.2](https://github.com/aiming-lab/AutoResearchClaw/releases/tag/v0.3.2) — **Кроссплатформенная поддержка + крупное обновление стабильности** — AutoResearchClaw теперь работает с любым ACP-совместимым агентом (Claude Code, Codex CLI, Copilot CLI, Gemini CLI, Kimi CLI) и поддерживает мессенджеры (Discord, Telegram, Lark, WeChat) через мост OpenClaw. Новый CLI-agent бэкенд генерации кода делегирует Stage 10 и 13 внешним CLI-агентам с контролем бюджета и управлением таймаутами. Включает систему защиты от фабрикации (VerifiedRegistry + цикл диагностики и ремонта экспериментов), 100+ исправлений багов, модульный рефакторинг executor, автоопределение `--resume`, усиление повторов LLM и исправления от сообщества. - **[18.03.2026]** [v0.3.1](https://github.com/aiming-lab/AutoResearchClaw/releases/tag/v0.3.1) — **OpenCode Beast Mode + Контрибьюты сообщества** — Новый режим "Beast Mode" перенаправляет сложную генерацию кода в [OpenCode](https://github.com/anomalyco/opencode) с автоматической оценкой сложности и безопасным фоллбэком. Добавлена поддержка провайдера Novita AI, улучшена потокобезопасность, повышена надежность парсинга ответов LLM, а также исправлено более 20 багов благодаря PR от сообщества и внутреннему аудиту. - **[17.03.2026]** [v0.3.0](https://github.com/aiming-lab/AutoResearchClaw/releases/tag/v0.3.0) — **Интеграция с MetaClaw** — AutoResearchClaw теперь поддерживает кросс-сессионное обучение через [MetaClaw](https://github.com/aiming-lab/MetaClaw): ошибки пайплайна → структурированные уроки → переиспользуемые навыки, которые внедряются во все 23 этапа. Робастность в контролируемых экспериментах выросла на **+18.3%**. Фича опциональна (`metaclaw_bridge.enabled: true`) и полностью обратно совместима. См. [Руководство по интеграции](#-интеграция-с-metaclaw). - **[16.03.2026]** [v0.2.0](https://github.com/aiming-lab/AutoResearchClaw/releases/tag/v0.2.0) — Три мультиагентные подсистемы (CodeAgent, BenchmarkAgent, FigureAgent), защищенная Docker-песочница с поддержкой сетевых политик, 4-этапный аудит качества статьи (поиск ИИ-галлюцинаций, оценка по 7 критериям, чек-лист NeurIPS) и более 15 исправлений багов с продакшена. - **[15.03.2026]** [v0.1.0](https://github.com/aiming-lab/AutoResearchClaw/releases/tag/v0.1.0) — Релиз AutoResearchClaw: полностью автономный исследовательский пайплайн из 23 этапов, который превращает одну идею в готовую для конференции статью. Без вмешательства человека. --- ## ⚡ Одна команда. Одна статья. ```bash pip install -e . && researchclaw setup && researchclaw init && researchclaw run --topic "Ваша исследовательская идея" --auto-approve ``` --- ## 🤔 Что это такое? **Вы придумываете. AutoResearchClaw пишет.** Задайте тему исследования — и получите полноценную академическую статью с реальным обзором литературы из OpenAlex, Semantic Scholar и arXiv, экспериментами в песочнице с учетом вашего железа (автоопределение GPU/MPS/CPU), статистическим анализом, мультиагентным рецензированием и готовым LaTeX-кодом для конференций NeurIPS/ICML/ICLR. Никакого ручного контроля. Никакого копипаста. Никаких выдуманных ссылок.

📄	`paper_draft.md`	Полная академическая статья (Введение, Обзор литературы, Метод, Эксперименты, Результаты, Заключение)
📐	`paper.tex`	Готовый LaTeX-код (шаблоны NeurIPS / ICLR / ICML)
📚	`references.bib`	Реальные BibTeX-ссылки из OpenAlex, Semantic Scholar и arXiv — автоматически отфильтрованные под цитаты в тексте
🔍	`verification_report.json`	4-уровневая проверка целостности и релевантности цитирования (arXiv, CrossRef, DataCite, LLM)
🧪	`experiment runs/`	Сгенерированный код + результаты из песочницы + структурированные JSON-метрики
📊	`charts/`	Автоматически сгенерированные графики сравнения с планками погрешностей и доверительными интервалами
📝	`reviews.md`	Мультиагентное рецензирование с проверкой согласованности методологии и результатов
🧬	`evolution/`	Уроки для самообучения, извлеченные из каждого запуска
📦	`deliverables/`	Все итоговые материалы в одной папке — готовы к загрузке в Overleaf

Пайплайн работает **от начала до конца без вмешательства человека**. Если эксперименты падают — он чинит код. Если гипотезы не подтверждаются — он меняет направление. Если цитаты оказываются фейковыми — он их удаляет. --- ## 🚀 Быстрый старт ```bash # 1. Клонируйте и установите git clone https://github.com/aiming-lab/AutoResearchClaw.git cd AutoResearchClaw python3 -m venv .venv && source .venv/bin/activate pip install -e . # 2. Настройка (интерактивная — устанавливает OpenCode beast mode, проверяет Docker/LaTeX) researchclaw setup # 3. Конфигурация researchclaw init # Интерактивный режим: выбор провайдера LLM, создание config.arc.yaml # Или вручную: cp config.researchclaw.example.yaml config.arc.yaml # 4. Запуск export OPENAI_API_KEY="sk-..." researchclaw run --config config.arc.yaml --topic "Ваша исследовательская идея" --auto-approve ``` Результаты → `artifacts/rc-YYYYMMDD-HHMMSS-/deliverables/` — готовые к компиляции LaTeX, BibTeX, код экспериментов, графики.

📝 Минимальная конфигурация

```yaml project: name: "my-research" research: topic: "Ваша тема исследования" 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" ```

--- ## 🧠 В чем отличие от других | Фича | Как это работает | |-----------|-------------| | **🔄 Цикл PIVOT / REFINE** | На 15-м этапе система автономно решает: ПРОДОЛЖИТЬ, УЛУЧШИТЬ (подобрать параметры) или СМЕНИТЬ КУРС (PIVOT). Артефакты версионируются автоматически. | | **🤖 Мультиагентные дебаты** | Генерация гипотез, анализ результатов и рецензирование проходят в формате структурированных дебатов с разных точек зрения. | | **🧬 Самообучение** | Из каждого запуска извлекаются уроки (обоснование решений, ошибки в коде, аномалии в метриках) с периодом полураспада в 30 дней. Будущие запуски учатся на прошлых ошибках. | | **📚 База знаний** | Каждый запуск пополняет структурированную базу знаний по 6 категориями (решения, эксперименты, находки, литература, вопросы, рецензии). | | **🛡️ Сторожевой модуль Sentinel** | Фоновый мониторинг качества: обнаружение NaN/Inf, проверка соответствия текста статьи реальным данным, оценка релевантности цитат, защита от фабрикации фактов. | --- ## 🦞 Интеграция с OpenClaw **AutoResearchClaw полностью совместим с [OpenClaw](https://github.com/openclaw/openclaw).** Установите его в OpenClaw и запускайте автономные исследования одним сообщением — или используйте отдельно через CLI, Claude Code или любой другой ИИ-ассистент.

### 🚀 Использование с OpenClaw (Рекомендуется) Если вы уже используете [OpenClaw](https://github.com/openclaw/openclaw) как своего ИИ-ассистента: ``` 1️⃣ Отправьте URL репозитория в OpenClaw 2️⃣ OpenClaw автоматически прочитает RESEARCHCLAW_AGENTS.md → поймет структуру пайплайна 3️⃣ Напишите: "Проведи исследование на тему [ваша тема]" 4️⃣ Готово — OpenClaw сам склонирует, установит, настроит, запустит и вернет результаты ``` **Вот и всё.** OpenClaw берет на себя `git clone`, `pip install`, настройку конфигов и запуск пайплайна. Вы просто общаетесь в чате.

💡 Что происходит под капотом

1. OpenClaw читает `RESEARCHCLAW_AGENTS.md` → принимает на себя роль исследовательского оркестратора 2. OpenClaw читает `README.md` → понимает процесс установки и структуру пайплайна 3. OpenClaw копирует `config.researchclaw.example.yaml` → `config.yaml` 4. Запрашивает ваш API-ключ (или использует переменную окружения) 5. Выполняет `pip install -e .` + `researchclaw run --topic "..." --auto-approve` 6. Возвращает готовую статью, LaTeX, код экспериментов и список литературы

### 🔌 Мост OpenClaw (Продвинутый уровень) Для более глубокой интеграции в AutoResearchClaw встроена **система адаптеров** с 6 опциональными возможностями: ```yaml # config.arc.yaml openclaw_bridge: use_cron: true # ⏰ Запуск исследований по расписанию use_message: true # 💬 Уведомления о прогрессе (Discord/Slack/Telegram) use_memory: true # 🧠 Сохранение знаний между сессиями use_sessions_spawn: true # 🔀 Запуск параллельных подсессий для независимых этапов use_web_fetch: true # 🌐 Поиск в интернете в реальном времени при обзоре литературы use_browser: false # 🖥️ Сбор статей через браузер ``` Каждый флаг активирует типизированный протокол адаптера. Если OpenClaw поддерживает эти функции, адаптеры используют их без изменения кода. Подробности см. в [`docs/integration-guide.md`](docs/integration-guide.md). ### ACP (Agent Client Protocol) AutoResearchClaw может использовать **любого ACP-совместимого агента** в качестве LLM-бэкенда — API-ключи не требуются. Агент общается через [acpx](https://github.com/openclaw/acpx), поддерживая единую сессию на протяжении всех 23 этапов. | Агент | Команда | Примечания | |-------|---------|-------| | Claude Code | `claude` | Anthropic | | Codex CLI | `codex` | OpenAI | | Copilot CLI | `gh` | GitHub | | Gemini CLI | `gemini` | Google | | OpenCode | `opencode` | SST | | Kimi CLI | `kimi` | Moonshot | ```yaml # config.yaml — пример ACP llm: provider: "acp" acp: agent: "claude" # Любая команда CLI ACP-совместимого агента cwd: "." # Рабочая директория для агента # base_url и api_key не нужны — агент сам управляет авторизацией. ``` ```bash # Просто запускайте — агент использует свои собственные учетные данные researchclaw run --config config.yaml --topic "Ваша идея" --auto-approve ``` ### 🛠️ Другие способы запуска | Способ | Как запустить | |--------|-----| | **CLI** | `researchclaw setup` → `researchclaw init` → `researchclaw run --topic "..." --auto-approve` | | **Python API** | `from researchclaw.pipeline import Runner; Runner(config).run()` | | **Claude Code** | Читает `RESEARCHCLAW_CLAUDE.md` — просто напишите *"Run research on [topic]"* | | **Copilot CLI** | `researchclaw run --topic "..."` с `llm.acp.agent: "gh"` | | **OpenCode** | Читает `.claude/skills/` — такой же интерфейс на естественном языке | | **Любой AI CLI** | Скормите `RESEARCHCLAW_AGENTS.md` в контекст → агент сам поймет, что делать | --- ## 🔬 Пайплайн: 23 этапа, 8 фаз ``` Фаза A: Определение области Фаза E: Выполнение экспериментов 1. TOPIC_INIT 12. EXPERIMENT_RUN 2. PROBLEM_DECOMPOSE 13. ITERATIVE_REFINE ← самовосстановление Фаза B: Поиск литературы Фаза F: Анализ и принятие решений 3. SEARCH_STRATEGY 14. RESULT_ANALYSIS ← мультиагентный анализ 4. LITERATURE_COLLECT ← API 15. RESEARCH_DECISION ← PIVOT/REFINE 5. LITERATURE_SCREEN [гейт] 6. KNOWLEDGE_EXTRACT Фаза G: Написание статьи 16. PAPER_OUTLINE Фаза C: Синтез знаний 17. PAPER_DRAFT 7. SYNTHESIS 18. PEER_REVIEW ← проверка доказательств 8. HYPOTHESIS_GEN ← дебаты 19. PAPER_REVISION Фаза D: Дизайн экспериментов Фаза H: Финализация 9. EXPERIMENT_DESIGN [гейт] 20. QUALITY_GATE [гейт] 10. CODE_GENERATION 21. KNOWLEDGE_ARCHIVE 11. RESOURCE_PLANNING 22. EXPORT_PUBLISH ← LaTeX 23. CITATION_VERIFY ← проверка релевантности ``` > **Гейты (Контрольные точки)** (5, 9, 20) ставят пайплайн на паузу для апрува человеком (или пропускаются флагом `--auto-approve`). При отклонении пайплайн откатывается назад. > **Циклы принятия решений**: На 15-м этапе система может уйти на доработку (REFINE → Этап 13) или сменить курс (PIVOT → Этап 8), автоматически сохраняя версии артефактов.

📋 Что происходит на каждой фазе

| Фаза | Описание | |-------|-------------| | **A: Определение области** | LLM разбивает тему на структурированное дерево проблем с исследовательскими вопросами. | | **A+: Железо** | Автоопределение GPU (NVIDIA CUDA / Apple MPS / CPU), предупреждения о нехватке ресурсов, адаптация генерации кода под доступное железо. | | **B: Литература** | Поиск по нескольким базам (OpenAlex → Semantic Scholar → arXiv) реальных статей, фильтрация по релевантности, извлечение карточек знаний. | | **C: Синтез** | Кластеризация находок, поиск пробелов в исследованиях, генерация проверяемых гипотез через мультиагентные дебаты. | | **D: Дизайн** | Проектирование плана экспериментов, генерация Python-кода с учетом железа (выбор пакетов под GPU), оценка требуемых ресурсов. | | **E: Выполнение** | Запуск экспериментов в песочнице, отлов NaN/Inf и багов в рантайме, самовосстановление кода через LLM. | | **F: Анализ** | Мультиагентный анализ результатов; автономное решение ПРОДОЛЖИТЬ / УЛУЧШИТЬ / СМЕНИТЬ КУРС с подробным обоснованием. | | **G: Написание** | План → написание по разделам (5,000-6,500 слов) → рецензирование (с проверкой соответствия методологии и результатов) → редактура с контролем объема. | | **H: Финализация** | Контроль качества, архивация знаний, экспорт в LaTeX по шаблонам конференций, проверка целостности и релевантности цитат. |

--- ## ✨ Ключевые фичи | Фича | Описание | |---------|------------| | **📚 Мультиисточниковая литература** | Реальные статьи из OpenAlex, Semantic Scholar и arXiv — расширение запросов, дедупликация, защита от падений API с постепенной деградацией. | | **🔍 4-уровневая проверка цитат** | Проверка arXiv ID → CrossRef/DataCite DOI → совпадение заголовков в Semantic Scholar → оценка релевантности через LLM. Выдуманные ссылки удаляются автоматически. | | **🖥️ Адаптация под железо** | Автоопределение GPU (NVIDIA CUDA / Apple MPS / CPU) и адаптация генерации кода, импортов и масштаба экспериментов. | | **🦾 OpenCode Beast Mode** | Сложные эксперименты автоматически перенаправляются в [OpenCode](https://github.com/anomalyco/opencode) — генерация многофайловых проектов с кастомными архитектурами, циклами обучения и ablation studies. Устанавливается через `researchclaw setup`. | | **🧪 Эксперименты в песочнице** | Валидация кода через AST, неизменяемая обвязка, быстрый отказ при NaN/Inf, самовосстановление, итеративное улучшение (до 10 раундов), сохранение частичных результатов. | | **📝 Написание уровня конференций** | Шаблоны NeurIPS/ICML/ICLR, написание по разделам (5,000-6,500 слов), защита от выдуманных фактов, контроль объема при редактуре, удаление типичных ИИ-оговорок. | | **📐 Переключение шаблонов** | `neurips_2025`, `iclr_2026`, `icml_2026` — Markdown → LaTeX с формулами, таблицами, графиками, перекрестными ссылками и `\cite{}`. | | **🚦 Гейты качества** | 3 точки контроля человеком (Этапы 5, 9, 20) с возможностью отката. Можно пропустить флагом `--auto-approve`. | --- ## 🧠 Интеграция с MetaClaw **AutoResearchClaw + [MetaClaw](https://github.com/aiming-lab/MetaClaw) = Пайплайн, который учится на каждом запуске.** MetaClaw добавляет **перенос знаний между запусками**. Если эта функция включена, пайплайн автоматически извлекает уроки из ошибок и предупреждений, превращает их в переиспользуемые навыки и внедряет во все 23 этапа при следующих запусках — чтобы больше никогда не повторять одни и те же ошибки. ### Как это работает ``` Запуск N выполняется → ошибки/предупреждения сохраняются как Уроки (Lessons) ↓ MetaClaw конвертирует Урок → Навык (Skill) ↓ Файлы навыков arc-* сохраняются в ~/.metaclaw/skills/ ↓ Запуск N+1 → build_overlay() внедряет навыки в каждый промпт LLM ↓ LLM избегает известных ошибок → выше качество, меньше ретраев ``` ### Быстрая настройка ```bash # 1. Установите MetaClaw (если еще не установлен) pip install metaclaw # 2. Включите в конфиге ``` ```yaml # config.arc.yaml metaclaw_bridge: enabled: true proxy_url: "http://localhost:30000" # Прокси MetaClaw (опционально) skills_dir: "~/.metaclaw/skills" # Папка для хранения навыков fallback_url: "https://api.openai.com/v1" # Прямой фоллбэк к LLM fallback_api_key: "" # API-ключ для фоллбэка lesson_to_skill: enabled: true min_severity: "warning" # Конвертировать предупреждения и ошибки max_skills_per_run: 3 ``` ```bash # 3. Запускайте как обычно — MetaClaw работает прозрачно researchclaw run --config config.arc.yaml --topic "Ваша идея" --auto-approve ``` После каждого запуска заглядывайте в `~/.metaclaw/skills/arc-*/SKILL.md`, чтобы посмотреть, чему научился ваш пайплайн. ### Результаты экспериментов В контролируемых A/B тестах (одна тема, одна LLM, один конфиг): | Метрика | База | С MetaClaw | Улучшение | |--------|----------|---------------|-------------| | Частота ретраев на этапах | 10.5% | 7.9% | **-24.8%** | | Количество циклов доработки (Refine) | 2.0 | 1.2 | **-40.0%** | | Успешное завершение пайплайна | 18/19 | 19/19 | **+5.3%** | | Общий индекс робастности (композитный) | 0.714 | 0.845 | **+18.3%** | > Композитный индекс робастности — это взвешенное среднее из процента завершения (40%), снижения ретраев (30%) и эффективности циклов доработки (30%). ### Обратная совместимость - **По умолчанию: ВЫКЛЮЧЕНО.** Если блока `metaclaw_bridge` нет или `enabled: false`, пайплайн работает как раньше. - **Никаких новых зависимостей.** MetaClaw опционален — ядро работает и без него. - **Все 1 935 тестов проходят успешно** даже с кодом интеграции. --- ## ⚙️ Справочник по конфигурации

Нажмите, чтобы развернуть полный конфиг

```yaml # === Проект === project: name: "my-research" # Идентификатор проекта mode: "docs-first" # docs-first | semi-auto | full-auto # === Исследование === research: topic: "..." # Тема исследования (обязательно) domains: ["ml", "nlp"] # Домены для поиска литературы daily_paper_count: 8 # Целевое количество статей на один запрос quality_threshold: 4.0 # Минимальный порог качества для статей # === Рантайм === runtime: timezone: "Europe/Moscow" # Для таймстемпов max_parallel_tasks: 3 # Лимит параллельных экспериментов approval_timeout_hours: 12 # Таймаут ожидания на гейтах retry_limit: 2 # Количество ретраев при падении этапа # === LLM === llm: provider: "openai-compatible" # openai | openrouter | deepseek | minimax | acp | openai-compatible base_url: "https://..." # API endpoint (обязательно для openai-compatible) api_key_env: "OPENAI_API_KEY" # Переменная окружения с ключом (обязательно для openai-compatible) api_key: "" # Или можно захардкодить ключ здесь primary_model: "gpt-4o" # Основная модель fallback_models: ["gpt-4o-mini"] # Цепочка фоллбэков s2_api_key: "" # API-ключ Semantic Scholar (опционально, дает лимиты выше) acp: # Используется только если provider: "acp" agent: "claude" # Команда CLI ACP-агента (claude, codex, gemini и т.д.) cwd: "." # Рабочая директория агента # === Эксперименты === experiment: mode: "sandbox" # simulated | sandbox | docker | ssh_remote time_budget_sec: 300 # Макс. время на один запуск (по умолчанию: 300с) max_iterations: 10 # Макс. количество итераций оптимизации metric_key: "val_loss" # Название главной метрики 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 # Автоопределение импортов → requirements.txt ssh_remote: host: "" # Хостнейм GPU-сервера gpu_ids: [] # Доступные ID видеокарт remote_workdir: "/tmp/researchclaw_experiments" opencode: # OpenCode Beast Mode (устанавливается через `researchclaw setup`) enabled: true # Главный рубильник (по умолчанию: true) auto: true # Автозапуск без подтверждения (по умолчанию: true) complexity_threshold: 0.2 # 0.0-1.0 — чем выше, тем реже триггерится (только на сложных задачах) model: "" # Переопределение модели (пусто = использовать llm.primary_model) timeout_sec: 600 # Макс. время на генерацию в OpenCode max_retries: 1 # Количество ретраев при падении workspace_cleanup: true # Удалять временный воркспейс после сбора результатов # === Экспорт === export: target_conference: "neurips_2025" # neurips_2025 | iclr_2026 | icml_2026 authors: "Anonymous" bib_file: "references" # === Промпты === prompts: custom_file: "" # Путь к кастомному YAML с промптами (пусто = дефолтные) # === Безопасность === security: hitl_required_stages: [5, 9, 20] # Этапы, требующие апрува человеком (Human-in-the-loop) allow_publish_without_approval: false redact_sensitive_logs: true # === База знаний === knowledge_base: backend: "markdown" # markdown | obsidian root: "docs/kb" # === Уведомления === notifications: channel: "console" # console | discord | slack target: "" # === Мост MetaClaw (Опционально) === metaclaw_bridge: enabled: false # Включить кросс-сессионное обучение proxy_url: "http://localhost:30000" # URL прокси MetaClaw skills_dir: "~/.metaclaw/skills" # Папка для хранения навыков arc-* fallback_url: "" # Прямой фоллбэк к LLM, если прокси лежит fallback_api_key: "" # API-ключ для фоллбэка lesson_to_skill: enabled: true # Автоматически конвертировать уроки в навыки min_severity: "warning" # Минимальная серьезность для конвертации max_skills_per_run: 3 # Макс. количество новых навыков за один запуск # === Мост OpenClaw === openclaw_bridge: use_cron: false # Запуск исследований по расписанию use_message: false # Уведомления о прогрессе use_memory: false # Сохранение знаний между сессиями use_sessions_spawn: false # Запуск параллельных подсессий use_web_fetch: false # Поиск в интернете в реальном времени use_browser: false # Сбор статей через браузер ```

--- ## 🙏 Благодарности Вдохновлено проектами: - 🔬 [AI Scientist](https://github.com/SakanaAI/AI-Scientist) (Sakana AI) — Пионер автоматизированных исследований - 🧠 [AutoResearch](https://github.com/karpathy/autoresearch) (Andrej Karpathy) — Сквозная автоматизация исследований - 🌐 [FARS](https://analemma.ai/blog/introducing-fars/) (Analemma) — Полностью автоматизированная исследовательская система --- ## 📄 Лицензия MIT — подробности см. в [LICENSE](../LICENSE). --- ## 📌 Цитирование Если AutoResearchClaw оказался вам полезен, пожалуйста, процитируйте: ```bibtex @misc{liu2026autoresearchclaw, author = {Liu, Jiaqi and Xia, Peng and Han, Siwei and Qiu, Shi and Zhang, Letian and Chen, Guiming and Tu, Haoqin and Yang, Xinyu and and Zhou, Jiawei and Zhu, Hongtu and Li, Yun and Zhou, Yuyin and Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu}, title = {AutoResearchClaw: Fully Autonomous Research from Idea to Paper}, year = {2026}, organization = {GitHub}, url = {https://github.com/aiming-lab/AutoResearchClaw}, } ```

_{Создано с 🦞 командой AutoResearchClaw}