{"id":49640281,"url":"https://github.com/HolobiomicsLab/Mimosa-AI","last_synced_at":"2026-05-22T08:00:51.756Z","repository":{"id":348677403,"uuid":"987062612","full_name":"HolobiomicsLab/Mimosa-AI","owner":"HolobiomicsLab","description":"Self-evolving AI-Framework for Autonomous Scientific Research (ASR) that writes, runs, and improves its own multi-agent workflows. Powered by MCP tool discovery and Darwinian evolution.","archived":false,"fork":false,"pushed_at":"2026-05-19T16:42:58.000Z","size":499279,"stargazers_count":22,"open_issues_count":23,"forks_count":7,"subscribers_count":2,"default_branch":"main","last_synced_at":"2026-05-19T19:57:38.206Z","etag":null,"topics":["agentic-framework","ai-agents","ai-research","ai4science","autonomous-science","autoresearch","bioinformatics","evolutionary-algorithms","large-language-models","llm-agents","multi-agent-systems","workflow-automation"],"latest_commit_sha":null,"homepage":"https://arxiv.org/abs/2603.28986","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"apache-2.0","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/HolobiomicsLab.png","metadata":{"files":{"readme":"README.CHS.md","changelog":null,"contributing":"CONTRIBUTING.md","funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":"NOTICE","maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2025-05-20T14:16:01.000Z","updated_at":"2026-05-05T12:04:43.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/HolobiomicsLab/Mimosa-AI","commit_stats":null,"previous_names":["holobiomicslab/mimosa-ai"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/HolobiomicsLab/Mimosa-AI","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/HolobiomicsLab%2FMimosa-AI","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/HolobiomicsLab%2FMimosa-AI/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/HolobiomicsLab%2FMimosa-AI/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/HolobiomicsLab%2FMimosa-AI/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/HolobiomicsLab","download_url":"https://codeload.github.com/HolobiomicsLab/Mimosa-AI/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/HolobiomicsLab%2FMimosa-AI/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":33334777,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-21T12:23:38.849Z","status":"online","status_checked_at":"2026-05-22T02:00:06.671Z","response_time":265,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["agentic-framework","ai-agents","ai-research","ai4science","autonomous-science","autoresearch","bioinformatics","evolutionary-algorithms","large-language-models","llm-agents","multi-agent-systems","workflow-automation"],"created_at":"2026-05-05T19:00:27.066Z","updated_at":"2026-05-22T08:00:51.747Z","avatar_url":"https://github.com/HolobiomicsLab.png","language":"Python","funding_links":[],"categories":["Biomedical Research \u0026 Drug Discovery"],"sub_categories":[],"readme":"\u003cdiv align=\"center\"\u003e\n\u003cbr\u003e\n\n\u003cimg src=\"./docs/images/logo_mimosa.png\" width=\"22%\" style=\"border-radius: 8px;\" alt=\"Mimosa-AI Logo\"\u003e\n\n\u003c/div\u003e\n\n\u003ch1 align=\"center\"\u003eMimosa-AI 🌼🔬\u003c/h1\u003e\n\n\u003cp align=\"center\"\u003e\n  \u003ca href=\"./README.md\"\u003eEnglish\u003c/a\u003e \u0026nbsp;|\u0026nbsp;\n  \u003ca href=\"./README.CHS.md\"\u003e简体中文\u003c/a\u003e \u0026nbsp;|\u0026nbsp;\n  \u003ca href=\"./README.CHT.md\"\u003e繁體中文\u003c/a\u003e \u0026nbsp;|\u0026nbsp;\n  \u003ca href=\"./README.JPN.md\"\u003e日本語\u003c/a\u003e \u0026nbsp;|\u0026nbsp;\n  \u003ca href=\"./README.KOR.md\"\u003e한국어\u003c/a\u003e\n\u003c/p\u003e\n\n\u003cp align=\"center\"\u003e\n    \u003cem\u003e自主科学研究的自演化AI框架\u003c/em\u003e\n\u003c/p\u003e\n\u003cp align=\"center\"\u003e\n  🧬 自演化多智能体工作流 \u0026nbsp;·\u0026nbsp;\n  🔍 基于MCP的工具自动发现 \u0026nbsp;·\u0026nbsp;\n  🔁 达尔文式工作流优化 \u0026nbsp;·\u0026nbsp;\n  📦 完整审计追踪与可复现性 \u0026nbsp;·\u0026nbsp;\n\u003c/p\u003e\n\n\u003cp align=\"center\"\u003e\n    \u003cem\u003eMimosa-AI 自主完成了 Nothias et al. (2018) 的端到端复现——从原始 .mzML 文件到分子网络——仅需一条命令。\u003c/em\u003e\n\u003c/p\u003e\n\n\u003cp align=\"center\"\u003e\n    \u003ca href=\"https://arxiv.org/abs/2603.28986\"\u003e\u003cimg src=\"https://img.shields.io/badge/arXiv-2603.28986-b31b1b.svg?logo=arxiv\u0026style=flat-square\u0026logoColor=white\" alt=\"arXiv 预印本\"\u003e\u003c/a\u003e\n    \u003ca href=\"https://doi.org/10.48550/arXiv.2603.28986\"\u003e\u003cimg src=\"https://img.shields.io/badge/DOI-10.48550%2FarXiv.2603.28986-blue?style=flat-square\" alt=\"DOI\"\u003e\u003c/a\u003e\n    \u003ca href=\"https://holobiomicslab.cnrs.fr/\"\u003e\u003cimg src=\"https://img.shields.io/badge/网站-holobiomicslab.cnrs.fr-4caf82?style=flat-square\u0026logo=globe\u0026logoColor=white\" alt=\"网站\"\u003e\u003c/a\u003e\n\u003c/p\u003e\n\n\u003cp align=\"center\"\u003e\n    \u003ca href=\"https://github.com/HolobiomicsLab/Mimosa-AI/stargazers\"\u003e\n        \u003cimg src=\"https://img.shields.io/github/stars/HolobiomicsLab/Mimosa-AI?style=social\" alt=\"GitHub Stars\"\u003e\n    \u003c/a\u003e\n    \u003ca href=\"https://opensource.org/licenses/Apache-2.0\"\u003e\n        \u003cimg src=\"https://img.shields.io/badge/许可证-Apache%202.0-blue.svg?style=flat-square\" alt=\"许可证：Apache 2.0\"\u003e\n    \u003c/a\u003e\n\u003c/p\u003e\n\n---\n\n## 实时演示：自主复现科学论文\n\nhttps://github.com/user-attachments/assets/dcd04ade-9c43-44a8-b3e3-a999d3dc895d\n\n**结果：** 下方的分子网络从原始 `.mzML` 文件出发自主复现，与 [Nothias et al. (2018)](https://www.researchgate.net/publication/323525305_Bioactivity-Based_Molecular_Networking_for_the_Discovery_of_Drug_Leads_in_Natural_Product_Bioassay-Guided_Fractionation) 报告的拓扑结构完全吻合——包括聚类分离和边权重。\n\n\u003cp align=\"center\"\u003e\n  \u003cimg src=\"./docs/images/network.png\" alt=\"复现的分子网络\" width=\"80%\"\u003e\n\u003c/p\u003e\n\n---\n\n## 基准测试结果\n\n在 **ScienceAgentBench** 上的评估结果（102 个任务，`task` 模式）：\n\n| 模式 | 成功率 | Code-BLEU 分数 | 每任务成本 |\n|------|--------|----------------|-----------|\n| DeepSeek-V3.2 单智能体 | 38.2% | 0.898 | $0.05 |\n| DeepSeek-V3.2 一次性多智能体 | 32.4% | 0.794 | $0.38 |\n| **DeepSeek-V3.2 迭代学习** | **43.1%** | **0.921** | **$1.7** |\n\n\u003e 迭代学习可提升 GPT-4o 的性能，但对 Claude Haiku 4.5 影响轻微——详见[论文](https://arxiv.org/abs/2603.28986)中的模型相关行为分析。\n\n---\n\n## Mimosa-AI 是什么？\n\n\u003e ***Mimosa-AI 🌼*** — 如同能感知、学习与适应的含羞草植物，Mimosa 是一个用于自主科学研究的开源框架，能自动合成任务专属的多智能体工作流，并通过执行反馈持续优化。基于 MCP 工具发现、代码生成智能体和 LLM 评估，为学术研究提供模块化、可审计的替代方案。\n\n**核心能力：**\n- **复现科学研究**，具备可追溯性和严谨性——从原始数据到可发表的图表\n- **自动化计算流水线**，覆盖生物信息学、分子对接、代谢组学、机器学习等领域\n- **自我进化**，通过达尔文式工作流变异——每次失败都为下一次尝试提供信息\n\n### 架构概览\n\n框架分为五层：\n\n1. **规划层**（可选）——将高层次科学目标分解为离散任务\n2. **工具发现层**——通过 Toolomics 自动发现本地网络上的 MCP 工具\n3. **元编排层**——合成任务专属的多智能体工作流，将工具分配给专属智能体\n4. **智能体执行层**——代码生成智能体使用发现的工具和科学库执行子任务\n5. **评判/评估层**——LLM 评判对输出评分；在学习模式下驱动迭代工作流优化\n\n\u003cp align=\"center\"\u003e\n  \u003cimg src=\"./docs/images/mimosa_overall.jpg\" alt=\"Mimosa 架构概览\" width=\"90%\"\u003e\n\u003c/p\u003e\n\n在基准测试 `task` 模式下，规划层（1）被跳过，以便单独评估工作流合成和优化。\n\n---\n\n## 目录\n\n- [Toolomics 是什么？我需要它吗？](#toolomics-是什么我需要它吗)\n- [前置条件](#前置条件)\n- [安装](#安装)\n- [配置](#配置)\n- [运行 Mimosa](#运行-mimosa)\n- [工作区与审计追踪](#工作区与审计追踪)\n- [通过多智能体工作流进化进行学习](#通过多智能体工作流进化进行学习)\n- [透明度](#透明度)\n- [命令行参数](#命令行参数)\n- [评估](#评估)\n- [手机通知](#手机通知)\n- [遥测配置](#遥测配置)\n- [许可证](#许可证)\n\n---\n\n## Toolomics 是什么？我需要它吗？\n\n**[Toolomics](https://github.com/HolobiomicsLab/toolomics)** 是 Mimosa 的配套平台，用于 MCP 服务器管理。它将科学工具（数据分析工具、网络服务、实验室仪器）作为可发现的 MCP 服务公开，提供 Mimosa 读写任务产物的共享工作区，并允许在不修改 Mimosa 核心的情况下注册自定义工具。\n\n**是否必须安装？** 是——在运行任何 Mimosa 模式前，Toolomics 必须处于运行状态。好消息是：安装配置只需几分钟。\n\n- Mimosa 和 Toolomics 均采用 Apache 2.0 许可证，完全免费。\n- Toolomics 在本地可配置端口范围内运行（默认 `5000–5100`）。\n- 可通过 [Toolomics 文档](https://github.com/HolobiomicsLab/toolomics)添加自定义 MCP 工具。\n\n\u003e **快速启动路径：** 克隆 Toolomics → 在默认端口范围启动 → 运行 Mimosa。除 LLM API 密钥外，无需任何云账户或付费服务。\n\n---\n\n## 前置条件\n\n- Python 3.10+\n- [uv](https://github.com/astral-sh/uv)（推荐）或 pip\n- 正在运行的 [Toolomics MCP 服务器](https://github.com/HolobiomicsLab/toolomics)\n\n---\n\n## 安装\n\n### 1. 克隆仓库并创建虚拟环境\n\n```bash\n# 使用 uv（推荐）\npip install uv\nuv venv .venv\nsource .venv/bin/activate   # Windows: .venv\\Scripts\\activate\n\n# 或使用 pip\npython3 -m venv .venv\nsource .venv/bin/activate\n```\n\n### 2. 安装依赖\n\n```bash\ncd mimosa\nuv pip install -r requirements.txt\n```\n\n### 3. 设置 API 密钥\n\n在项目根目录创建 `.env` 文件，仅包含您计划使用的 LLM 提供商的密钥：\n\n```env\nANTHROPIC_API_KEY=...       # Claude — 推荐用于工作流编排\nOPENAI_API_KEY=...          # OpenAI 模型 - 可选\nMISTRAL_API_KEY=...         # Mistral 模型 - 可选\nDEEPSEEK_API_KEY=...        # Deepseek - 可选\nHF_TOKEN=...                # HuggingFace 提供商，可选\nOPENROUTER_API_KEY=...      # 通过 OpenRouter 访问任意模型\n\n# 可选 — 通过 Langfuse 进行可观测性监控\nLANGFUSE_PUBLIC_KEY=...\nLANGFUSE_PRIVATE_KEY=...\n```\n\n### 4. 启动 MCP 服务器\n\n请参考 [HolobiomicsLab/toolomics](https://github.com/HolobiomicsLab/toolomics) 的配置说明，将其配置为在某个端口范围内运行（例如 `5000–5100`）。\n\n自定义 MCP 工具可通过 [Toolomics 文档](https://github.com/HolobiomicsLab/toolomics/README.md) 添加。\n\n---\n\n## 配置\n\n```bash\ncp config_default.json my_config.json\n```\n\n编辑 `my_config.json`，关键参数说明：\n\n| 参数 | 描述 |\n|------|------|\n| `workspace_dir` | Toolomics 工作区路径 — 所有生成文件均保存于此 |\n| `discovery_addresses` | MCP 服务器发现的 IP 及端口范围 |\n| `planner_llm_model` | 用于任务分解与规划的 LLM |\n| `prompts_llm_model` | 用于工作流提示生成的 LLM |\n| `workflow_llm_model` | 用于多智能体编排的 LLM（推荐：`anthropic/claude-opus-4-5` 或 `z-ai/glm-5`） |\n| `smolagent_model_id` | 用于 SmolAgents 执行子任务的模型 |\n| `judge_model` | 用于输出自我评估和评分的 LLM |\n| `learned_score_threshold` | 接受结果并停止迭代的最低分数 |\n| `max_learning_evolve_iterations` | 接受结果前的最大自我改进迭代次数 |\n\n---\n\n## 运行 Mimosa\n\nMimosa 支持两种执行模式：**目标（Goal）** 和 **任务（Task）**。\n\n### 目标模式 — 多步骤科学目标\n\n当您的目标需要跨多个不同操作进行规划时使用（例如复现论文、构建机器学习流水线）。\n\n```bash\nuv run main.py --goal \"您的科学目标\" --config my_config.json\n```\n\n**示例：**\n```bash\nuv run main.py \\\n  --goal \"复现《Dual Aggregation Transformer for Image Super-Resolution》(https://arxiv.org/pdf/2306.00306) 中的实验并比较结果。\" \\\n  --config my_config.json\n\nuv run main.py \\\n  --goal \"开发一个用于预测蛋白质-配体结合亲和力的机器学习模型。\" \\\n  --config my_config.json\n```\n\n### 任务模式 — 单一粒度操作\n\n适用于不需要长期规划的专注型、自包含操作。\n\n```bash\nuv run main.py --task \"您的任务描述\" --config my_config.json\n```\n\n**示例：**\n```bash\nuv run main.py \\\n  --task \"在 Clintox 数据集上训练一个多任务模型，以预测药物毒性和 FDA 批准状态。\" \\\n  --config my_config.json\n\nuv run main.py --task \"对图神经网络在药物发现中的应用进行文献综述。\" --config my_config.json\n```\n\n\u003e **基准测试说明：** 论文中报告的结果在 `task` 模式下测量，规划层被禁用，以单独评估工作流合成和迭代优化。\n\u003e\n\u003e **注意：** 执行任何模式前，必须先安装 Toolomics 并确保 MCP 服务器正在运行。\n\n---\n\n## 工作区与审计追踪\n\n执行过程中，文件将写入 `workspace_dir` 配置的 Toolomics 工作区。运行完成后，工作区内容被复制到 `runs_capsule/` 下带时间戳的文件夹，作为存档永久保存。\n\n- **Toolomics `workspace/`** — 实时工作目录：中间文件、脚本、下载内容、生成输出\n- **`sources/workflows/\u003cuuid\u003e/`** — 生成的工作流和执行元数据：`state_result.json`、`evaluation.txt`、`reward_progress.png`、`memory/` 追踪\n- **`runs_capsule/\u003ccapsule_name\u003e/`** — 运行快照存档，可供后续检查、比较或共享\n- **`memory_explorer.py \u003cuuid\u003e`** — 逐步回放工作流执行，检查智能体追踪、工具调用和输出\n\n这些位置共同构成 Mimosa 的完整审计追踪：规划、执行、评估和产出的全过程。\n\n---\n\n## 通过多智能体工作流进化进行学习\n\n***Mimosa-AI*** 是一个**自我进化的多智能体系统**，能为科学任务动态合成专用工作流。系统通过**达尔文式单候选局部搜索**进化工作流：在每次迭代中，仅由表现最优的工作流生成继承者，且只保留改进结果。随着时间推移，系统积累了一个经过验证的工作流库，使类似的未来任务能够从强基线出发，而非从零开始。\n\n对于任何新任务，建议**先以学习模式运行**，让系统在获得完全自主权之前积累能力。\n\n**启动学习模式**\n\n```bash\nuv run main.py --task \"在 Clintox 数据集上训练一个多任务模型，以预测药物毒性和 FDA 批准状态\" --learn --config my_config.json\n```\n\n\u003cp align=\"center\"\u003e\n  \u003cimg src=\"./docs/images/workflow_mutation.png\" alt=\"工作流变异示意图\" width=\"80%\"\u003e\n\u003c/p\u003e\n\n**进度可视化：**\n\n***Mimosa-AI*** 完成学习阶段后，奖励进度图（各次尝试的性能提升）将自动保存至 `sources/workflows/\u003cuuid\u003e/reward_progress.png`。\n\n\u003cp align=\"center\"\u003e\n  \u003cimg src=\"./docs/images/evolve_example.png\" alt=\"奖励进度示例\" width=\"80%\"\u003e\n\u003c/p\u003e\n\n---\n\n## 透明度\n\n我们内置了交互式调试器 `memory_explorer.py`，允许以精细粒度逐步回溯任意智能体执行过程。\n\n```bash\npython memory_explorer.py 20260115_113303_9bb63437\n```\n\n该工具将重放完整的执行轨迹——包括思维过程、工具调用及输出结果——以便精确检查每个决策是如何展开的。\n\n---\n\n## 命令行参数\n\n### 执行模式\n\n| 参数 | 描述 |\n|------|------|\n| `--goal GOAL` | 指定高层次研究目标、论文复现任务或科学问题（规划器模式） |\n| `--task TASK` | 执行单一任务：文献综述、数据集下载、实现机器学习模型等 |\n| `--manual` | 交互式 CLI 模式，用于调试 MCP 并直接测试 ***Mimosa*** 工具 |\n| `--papers \u003cCSV 路径\u003e` | 在包含研究论文和提示的 CSV 数据集上进行评估 |\n| `--science_agent_bench` | 在 ScienceAgentBench 上进行评估 |\n\n### 其他参数\n\n| 参数 | 描述 |\n|------|------|\n| `--learn` | 启用迭代学习以优化任务性能 |\n| `--max_evolve_iterations N` | 最大学习迭代次数 |\n| `--csv_runs_limit N` | 限制评估的 CSV 条目数量 |\n| `--scenario \u003c场景文件名\u003e` | 使用基于特定场景断言的评分方式，而非 LLM 作为评判者 |\n| `--single_agent` | 单智能体模式，速度快，但无法通过学习自我改进 |\n| `--debug` | 启用调试模式以获取更详细的日志 |\n\n---\n\n## 评估\n\n***Mimosa-AI*** 可在 [ScienceAgentBench](https://arxiv.org/abs/2410.05080) 或 [PaperBench](https://arxiv.org/pdf/2504.01848) 上进行评估。\n\n⚠️ 为确保评估公正，请先运行 `./cleanup.sh`，以防止 ***Mimosa*** 使用缓存的工作流。\n\n### ScienceAgentBench\n\n1. 下载 ScienceAgentBench 完整数据集：\n   [数据集链接](https://buckeyemailosu-my.sharepoint.com/personal/chen_8336_buckeyemail_osu_edu/_layouts/15/onedrive.aspx?id=%2Fpersonal%2Fchen%5F8336%5Fbuckeyemail%5Fosu%5Fedu%2FDocuments%2FResearch%2Fbenchmark%2Ezip\u0026parent=%2Fpersonal%2Fchen%5F8336%5Fbuckeyemail%5Fosu%5Fedu%2FDocuments%2FResearch\u0026ga=1)\n2. 使用密码 `scienceagentbench` 解压\n3. 将 `benchmark/benchmark/datasets/` 复制到 `Mimosa-AI/datasets/scienceagentbench/datasets/`\n\n**启用学习模式进行完整评估：**\n```sh\nuv run main.py --science_agent_bench --learn\n```\n\n**快速评估（10 个任务，4 次学习迭代）：**\n```sh\nuv run main.py --science_agent_bench --csv_runs_limit 10 --max_evolve_iterations 4\n```\n\n### PaperBench\n\nOpenAI PaperBench 用于评估 AI 智能体复现 AI 研究的能力（*PaperBench: Evaluating AI's Ability to Replicate AI Research*）。\n\n```sh\nuv run main.py --papers datasets/paper_bench.csv --csv_runs_limit 20 --learn\n```\n\n⚠️ 结果保存于 `runs_capsule/`。完整评估请参考 [PaperBench 文档](https://github.com/openai/frontier-evals/tree/main/project/paperbench)。\n\n**自定义基准测试：**\n\n```sh\nuv run main.py --papers datasets/\u003c您的基准名称\u003e.csv --csv_runs_limit 20 --learn\n```\n\n---\n\n## 手机通知\n\n通过 Pushover 通知接收 ***Mimosa*** 状态的实时更新。\n\n### 配置步骤\n\n1. 创建 [Pushover](https://pushover.net/) 账户并记录**用户密钥**\n2. 创建名为\"Mimosa\"的应用程序——复制 **API Token**\n3. 导出环境变量：\n   ```bash\n   export PUSHOVER_USER=\"您的用户密钥\"\n   export PUSHOVER_TOKEN=\"您的 API Token\"\n   ```\n4. 安装 Pushover 移动应用并登录\n\n---\n\n## 遥测配置\n\n使用 Langfuse 通过实时可观测性仪表板监控和调试 AI 智能体。\n\n### 快速开始\n\n1. **本地部署 Langfuse：**\n   ```bash\n   git clone https://github.com/langfuse/langfuse.git\n   cd langfuse\n   docker compose up -d\n   ```\n\n2. **添加到 `.env`：**\n   ```env\n   LANGFUSE_PUBLIC_KEY=您的公钥\n   LANGFUSE_PRIVATE_KEY=您的私钥\n   ```\n\n3. **访问仪表板**：***Mimosa-AI*** 运行时，访问 `http://localhost:3000`\n\n仪表板提供智能体执行追踪、性能指标、错误调试和 Token/API 使用统计。\n\n\u003e **注意：** 遥测为可选功能，但推荐用于调试和性能优化。\n\n---\n\n## 许可证\n\n本仓库在 Apache License 2.0 下公开发布。有关贡献与许可细节，请参阅：\n- `NOTICE`\n- `docs/licensing-notes.md`\n- `CLA/INDIVIDUAL_CLA.md`\n- `CLA/EMPLOYER_AUTHORIZATION.md`\n\n---\n\n## 引用\n\n\u003cp align=\"center\"\u003e\n\u003cb\u003e引用：\u003c/b\u003e \u003cem\u003e\u003ca href=\"https://arxiv.org/abs/2603.28986\"\u003eMimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research\u003c/a\u003e\u003c/em\u003e\u003cbr\u003e\nM. Legrand, T. Jiang, M. Feraud, B. Navet, Y. Taghzouti, F. Gandon, E. Dumont, L.-F. Nothias — \u003cem\u003earXiv:2603.28986, 2026\u003c/em\u003e — \u003ca href=\"https://doi.org/10.48550/arXiv.2603.28986\"\u003eDOI\u003c/a\u003e\n\u003c/p\u003e\n\n```bibtex\n@article{legrand2026mimosa,\n  title={Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research},\n  author={Legrand, Martin and Jiang, Tao and Feraud, Matthieu and Navet, Benjamin and Taghzouti, Yousouf and Gandon, Fabien and Dumont, Elise and Nothias, Louis-F{\\'e}lix},\n  journal={arXiv preprint arXiv:2603.28986},\n  year={2026}\n}\n```\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2FHolobiomicsLab%2FMimosa-AI","html_url":"https://awesome.ecosyste.ms/projects/github.com%2FHolobiomicsLab%2FMimosa-AI","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2FHolobiomicsLab%2FMimosa-AI/lists"}