https://github.com/OpenRaiser/NanoResearch

🦞+🔬: NanoResearch: The Autonomous AI Research Assistant
https://github.com/OpenRaiser/NanoResearch

agent-skills agents ai ai-agents ai-scientist artificial-intelligence autonomous-agents autonomous-research autoresearch claude-code claude-skills nanobot openclaw

Last synced: about 2 months ago
JSON representation

🦞+🔬: NanoResearch: The Autonomous AI Research Assistant

• Host: GitHub
• URL: https://github.com/OpenRaiser/NanoResearch
• Owner: OpenRaiser
• License: mit
• Created: 2026-03-17T10:20:31.000Z (3 months ago)
• Default Branch: main
• Last Pushed: 2026-04-13T08:30:32.000Z (2 months ago)
• Last Synced: 2026-04-14T13:27:49.951Z (2 months ago)
• Topics: agent-skills, agents, ai, ai-agents, ai-scientist, artificial-intelligence, autonomous-agents, autonomous-research, autoresearch, claude-code, claude-skills, nanobot, openclaw
• Language: Python
• Homepage:
• Size: 18.7 MB
• Stars: 691
• Watchers: 8
• Forks: 137
• Open Issues: 5
• Metadata Files:
  • Readme: README.md
  • License: LICENSE
  • Agents: AGENTS.md

Awesome Lists containing this project

• Awesome-Prompt-Engineering - OpenRaiser/NanoResearch - to-end autonomous research engine that plans experiments, generates code, runs jobs locally or on SLURM, analyzes real results, and writes papers grounded in those outputs. (🔬 Autonomous Research & Self-Improving Agents / Research-Agent Systems)
• awesome-autoresearch - OpenRaiser/NanoResearch - End-to-end autonomous research engine that plans experiments, generates code, runs jobs locally or on SLURM, analyzes real results, and writes papers grounded in those outputs. (🔬 Research-agent systems)

README

          






  



# NanoResearch



  

  



**端到端自主 AI 科研引擎 — 从研究想法到完整论文，全程自动化**



  

  

  





  

  

  

  





  快速开始 ·

  效果展示 ·

  流水线 ·

  Claude Code ·

  飞书机器人





---

> 🔬 NanoResearch **真正运行计算实验**——它不仅生成代码，还能将代码提交到 GPU 集群执行训练，收集真实实验结果，生成论文配图，最终输出一篇有实验数据支撑的完整 LaTeX 论文。论文中的每一个数据、表格、图表都来自实际运行的实验结果，**而非 LLM 编造**。

---

## 📖 目录

- [📊 论文实测展示](#-论文实测展示)

- [⚡ CLI 演示](#cli-demo)

- [📢 最新动态](#-最新动态)

- [✨ 核心特性](#-核心特性)

- [🆚 为何选择 NanoResearch](#-为何选择-nanoresearch)

- [🎯 应用场景](#-应用场景)

- [🖼️ 效果展示](#️-效果展示)

- [CLI：标准输出与 TUI 对比](#cli-tui-vs-plain)

- [🔬 流水线](#-流水线)

- [📦 快速开始](#-快速开始)

- [🧩 Claude Code 模式](#-claude-code-模式)

- [⚙️ 配置](#️-配置)

- [💻 CLI 参考](#-cli-参考)

- [🍪 示例与 Demo](#-示例与-demo)

- [📂 输出结构](#-输出结构)

- [💬 飞书机器人](#-飞书机器人)

- [🏗️ 项目结构](#-项目结构)

- [❓ 常见问题](#-常见问题)

- [🎯 路线图](#-路线图)

- [📋 环境要求](#-环境要求)

- [🙏 致谢](#-致谢)

- [🤝 贡献](#-贡献)

- [📝 引用](#-引用)

- [📄 许可证](#-许可证)

🔝 返回顶部


---

## 📊 论文实测展示

以下为 NanoResearch 自动生成论文中的**真实配图**，所有数据、曲线、表格均来自实际运行的实验结果，**非 LLM 虚构**。

  

    

      

      


      实验结果展示

    

    

      

      


      方法对比 / 主结果

    

    

      

      


      消融与可视化

    

  

> 以上配图均为流水线自动生成，数据来源于真实训练日志与实验结果。

---



## ⚡ CLI 演示

NanoResearch **命令行（CLI）** 提供 **TUI 全屏界面** 与 **传统流式日志** 两种呈现方式。下方为 CLI 端 **TUI 主题与界面** 演示视频（配色切换与布局优化）。其他入口（如 Claude Code、飞书机器人）见文档对应章节。

  

    
🖥️ CLI / TUI

  

  

    

      

        下载 / 播放 CLI 演示视频

      

    

  


演示：TUI 界面、配色主题切换与信息布局优化

🔝 返回顶部


---

## Why NanoResearch

| 特性 | 传统 AI 写作工具 | NanoResearch |

|------|-----------------|-------------|

| 文献检索 | 部分支持 | ✅ OpenAlex + Semantic Scholar 自动检索 |

| 实验设计 | ❌ | ✅ 自动生成实验方案 |

| 代码生成 | 部分支持 | ✅ 完整可运行的实验代码 |

| **GPU 实验执行** | ❌ | ✅ **本地 / SLURM 自动训练** |

| 结果分析 | ❌ | ✅ 解析真实训练日志 |

| 论文配图 | ❌ | ✅ 基于真实数据 |

| 论文撰写 | 大纲/草稿 | ✅ 完整 LaTeX 论文 |

| 断点续跑 | ❌ | ✅ 任意阶段可恢复 |

| 多模型协作 | 单一模型 | ✅ 按阶段路由 |

---

## 🎯 应用场景

- **科研原型验证** — 快速将研究想法变成完整的实验 + 论文工作空间

- **自主实验** — 系统自动生成代码、提交 GPU 训练、分析结果

- **Benchmark 批量生成** — 对多个课题批量运行，生成可复现的实验结果

- **论文初稿辅助** — 基于真实实验数据产出 LaTeX 草稿，加速写作

- **科研流程审计** — 完整工作空间、中间产物和日志，可追溯每一步

---

## 🖼️ 效果展示



  

  
告别手动科研的痛苦循环

  
不再反复调试失败的实验、手动整理数据、从零写论文——
NanoResearch 将完整科研流程自动化，让你专注于真正的研究创新。





### CLI：标准输出与 TUI 模式对比

CLI 支持 **传统流式日志（非 TUI）** 与 **全屏 TUI 面板** 两种呈现方式，可按习惯切换。



  
标准输出（非 TUI）

  

  
非 TUI：经典终端日志流，便于重定向与脚本集成





  
TUI 模式

  

  
TUI：结构化面板与状态分区，适合交互式监控



### 示例输出

  

    

      

      


      框架概览

    

    

      

      


      生成论文示例

    

  

  

    

      

      


      主结果（真实实验数据）

    

    

      

      


      消融实验

    

  

---

## 🔬 流水线

```text

Research Topic

     ↓

 IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW

     ↓

 Exported: paper.pdf / paper.tex / references.bib / figures / code / data

```

📋 各阶段详细说明

| Stage | 功能 | 说明 |

|-------|------|------|

| `IDEATION` | 文献检索与创意生成 | 搜索学术文献、发现研究空白、提出假说、收集必引文献 |

| `PLANNING` | 实验方案设计 | 将研究想法转化为详细的实验蓝图（数据集、基线、指标、消融） |

| `SETUP` | 环境准备 | 准备代码仓库、依赖环境、模型和数据集 |

| `CODING` | 代码生成 | 生成完整可运行的实验项目（含训练脚本、数据处理、模型定义） |

| `EXECUTION` | **实验执行** | **在本地 GPU 或 SLURM 集群上运行训练，支持自动重试和调试** |

| `ANALYSIS` | 结果分析 | 解析训练日志和指标，生成结构化实验证据 |

| `FIGURE_GEN` | 图表生成 | 创建架构图、结果对比图、消融实验图 |

| `WRITING` | 论文撰写 | 基于实验证据和引用撰写 LaTeX 论文 |

| `REVIEW` | 审稿与修订 | 自动审阅各章节，检测问题并修订 |

🚀 EXECUTION 阶段核心能力

`EXECUTION` 阶段是 NanoResearch 的核心差异化能力：

- **自动提交 SLURM 作业** — 生成 sbatch 脚本，提交到集群，监控作业状态

- **本地 GPU 执行** — 自动检测可用 GPU，管理训练进程

- **自动调试与重试** — 训练失败时自动分析错误日志，修复代码并重新执行

- **实时日志监控** — 追踪训练进度和指标变化

- **混合执行模式** — 可根据任务复杂度在本地和集群之间自动切换

---

## 📦 快速开始

遵循以下步骤，约 5 分钟即可完成从安装到首次运行的完整流程。

### 步骤一：安装

```bash

git clone https://github.com/OpenRaiser/NanoResearch.git

cd NanoResearch

pip install -e ".[dev]"

```

### 步骤二：配置

> [!TIP]

> 创建 `~/.nanobot/config.json`，替换 `base_url` 和 `api_key` 为你自己的 OpenAI 兼容 API 端点。

查看完整配置示例

```json

{

  "research": {

    "base_url": "https://your-openai-compatible-endpoint/v1/",

    "api_key": "your-api-key",

    "template_format": "neurips2025",

    "execution_profile": "local_quick",

    "writing_mode": "hybrid",

    "max_retries": 2,

    "auto_create_env": true,

    "auto_download_resources": true,

    "ideation": { "model": "your-model", "temperature": 0.5, "max_tokens": 16384, "timeout": 600.0 },

    "planning": { "model": "your-model", "temperature": 0.2, "max_tokens": 16384, "timeout": 600.0 },

    "code_gen": { "model": "your-model", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },

    "writing": { "model": "your-model", "temperature": 0.4, "max_tokens": 16384, "timeout": 600.0 },

    "figure_gen": {

      "model": "gemini-3.1-flash-image-preview",

      "image_backend": "gemini",

      "temperature": null,

      "timeout": 300.0

    },

    "review": { "model": "your-model", "temperature": 0.3, "max_tokens": 16384, "timeout": 300.0 }

  }

}

```

环境变量覆盖：`NANORESEARCH_BASE_URL` / `NANORESEARCH_API_KEY` / `NANORESEARCH_TIMEOUT`

### 步骤三：验证与运行

```bash

# 验证配置

nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run

# 启动完整流水线

nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose

# 从断点恢复（若某阶段失败）

nanoresearch resume --workspace ~/.nanobot/workspace/research/{session_id} --verbose

# 导出论文

nanoresearch export --workspace ~/.nanobot/workspace/research/{session_id} --output ./my_paper

```

### 步骤四：预期输出

完成流水线后，你将得到包含真实实验数据的论文配图与 LaTeX 源码。

---

## 🤖 推荐模型

| Stage | 任务 | 推荐模型 | 经济型 |

|-------|------|---------|-------|

| `ideation` | 文献检索 + 假说生成 | DeepSeek-V3.2 | DeepSeek-V3.2 |

| `planning` | 实验设计 | Claude Sonnet 4.6 | DeepSeek-V3.2 |

| `code_gen` | 代码生成 | GPT-5.2-Codex / Claude Opus 4.6 | DeepSeek-V3.2 |

| `writing` | 论文撰写 | Claude Opus 4.6 / Claude Sonnet 4.6 | DeepSeek-V3.2 |

| `figure_prompt` | 图表描述 | GPT-5.2 | DeepSeek-V3.2 |

| `figure_code` | 图表绘制代码 | Claude Opus 4.6 | DeepSeek-V3.2 |

| `figure_gen` | AI 架构图生成 | Gemini 3.1 Flash（原生图像生成） | Gemini 3.1 Flash |

| `review` | 审稿 + 修订 | Claude Sonnet 4.6 / Gemini Flash | DeepSeek-V3.2 |

> **说明**：所有文本模型通过单一 OpenAI 兼容端点访问。对于不支持 temperature 的模型（如 Codex、o 系列），设置 `temperature: null`。`figure_gen` 使用 Gemini 原生图像生成 API，需设置 `"image_backend": "gemini"`。

### 💰 预估费用

| 场景 | 模型选择 | 时间 | 预估费用 |

|------|---------|------|---------|

| **仅生成论文**（跳过实验） | 全部 DeepSeek-V3.2 | ~30 分钟 | ~$0.5 - $1 |

| **仅生成论文**（跳过实验） | 混合（Claude 写作，DeepSeek 其余） | ~30 分钟 | ~$3 - $8 |

| **完整流水线**（含实验） | 全部 DeepSeek-V3.2 | 2 - 5 小时 | ~$1 - $3 |

| **完整流水线**（含实验） | 混合（Claude/GPT 代码+写作） | 2 - 5 小时 | ~$10 - $20 |

> "仅生成论文"模式通过 `"skip_stages": ["SETUP", "CODING", "EXECUTION", "ANALYSIS"]` 跳过实验阶段。

---

## 🧩 Claude Code 模式

除了 Python CLI，NanoResearch 还支持通过 **[Claude Code](https://docs.anthropic.com/en/docs/claude-code)** 直接驱动研究流水线——**无需配置任何 API Key**。

工作原理

在 Claude Code 集成模式下，Claude Code 本身就是研究引擎：

- **WebSearch** 替代外部 API 进行文献检索（arXiv、Semantic Scholar、Google Scholar）

- **Bash** 执行实验代码、提交 SLURM 作业、编译 LaTeX

- **文件读写** 生成实验代码、论文和结构化产物

### 快速开始

```bash

git clone https://github.com/OpenRaiser/NanoResearch.git

cd NanoResearch

claude

/project:research "你的研究课题"

```

### 可用命令

| 命令 | 功能 |

|---------|------|

| `/project:research <课题>` | 运行完整 9 阶段流水线 |

| `/project:ideation ` | Stage 1: 文献检索 + 假说生成 |

| `/project:planning` | Stage 2: 实验方案设计 |

| `/project:experiment` | Stages 3-5: 环境准备 + 代码生成 + 实验执行 |

| `/project:analysis` | Stage 6: 实验结果分析 |

| `/project:writing` | Stages 7-8: 图表生成 + 论文撰写 |

| `/project:review` | Stage 9: 多视角审稿 + 修订 |

| `/project:status` | 查看当前流水线状态 |

| `/project:resume` | 从断点恢复流水线 |

💡 Tips

- **架构图生成**：推荐使用 Nano Banana 系列图像模型生成高质量架构图。Claude Code 模式下可在 `figure_gen` 阶段通过 Bash 调用图像生成 API。

- **LaTeX 编译**：推荐使用 `tectonic` 替代 `pdflatex`。安装：`conda install -c conda-forge tectonic`。

- **断点续跑**：所有阶段的产物保存在 `manifest.json` 中，支持任意阶段恢复。

- **与 Python CLI 兼容**：Claude Code 模式生成的工作空间与 Python CLI 完全兼容，可混合使用两种模式。

---

## Codex Integration

除了 Claude Code，NanoResearch 现在也提供了面向 **Codex** 的项目级入口。Codex 不需要第二套 pipeline 或额外的 `--mode codex` 参数；它应直接复用仓库现有的 CLI、workspace、manifest 和 `PaperMode` 逻辑。

### 如何使用

```bash

# 1. Clone 项目

git clone https://github.com/OpenRaiser/NanoResearch.git

cd NanoResearch

# 2. 在 Codex 中打开仓库

# 3. 让 Codex 先读取 AGENTS.md

```

Codex 入口文档：`AGENTS.md`

### Codex 会如何理解这个仓库

- 将仓库视为一个端到端自主科研流水线，而不是普通代码仓库

- 优先走已有的 `nanoresearch` CLI / workspace / orchestrator 行为

- 将用户意图映射到现有的 `research`、`ideation`、`planning`、`experiment`、`analysis`、`writing`、`review`、`status`、`resume` 流程

- 保持与现有工作空间和 `manifest.json` 兼容

### Survey / Original 模式

Codex 使用与 CLI 相同的 topic 前缀约定：

- `original: Topic`

- `survey:short: Topic`

- `survey:standard: Topic`

- `survey:long: Topic`

这些前缀会进入仓库现有的 `PaperMode` 解析逻辑；Codex 只需要遵循这一约定，而不需要发明新的接口。

## Execution Profiles

| Profile | 说明 |

|---------|------|

| `fast_draft` | 轻量级草稿模式，快速迭代 |

| `local_quick` | 优先本地执行，需要时可升级到 SLURM |

| `cluster_full` | 集群优先，适合重量级实验 |

### 模型路由

NanoResearch 通过统一配置层将不同阶段路由到不同模型，让你按任务特性混合搭配，而非强制所有阶段使用同一模型。

可路由的阶段

- `ideation` — 文献检索与创意

- `planning` — 实验设计

- `experiment` — 实验相关

- `code_gen` — 代码生成

- `writing` — 论文撰写

- `figure_prompt` — 图表描述

- `figure_code` — 图表代码

- `figure_gen` — 图像生成

- `review` — 审稿

- `revision` — 修订

系统基于 **OpenAI 兼容端点**构建，支持按阶段覆盖配置。

### 文献检索 API Keys（可选）

IDEATION 阶段使用 OpenAlex 和 Semantic Scholar 检索学术文献。不配置也能运行（匿名访问），但速率限制较低。

| Service | 获取方式 | Config key | Env variable |

|---------|---------|------------|--------------|

| [OpenAlex](https://developers.openalex.org/) | 免费 | `openalex_api_key` | `OPENALEX_API_KEY` |

| [Semantic Scholar](https://www.semanticscholar.org/product/api#api-key) | 免费 | `s2_api_key` | `S2_API_KEY` |

### 论文格式

模板从 `nanoresearch/templates/` 自动发现。内置模板：

| Format | 用途 |

|--------|------|

| `arxiv` | arXiv 预印本 |

| `icml` | ICML 会议 |

| `neurips` | NeurIPS 会议 |

| `neurips2025` | NeurIPS 2025 |

```bash

nanoresearch run --topic "Graph Foundation Models for Biology" --format neurips2025

```

---

## 💻 CLI 参考

| 命令 | 用途 |

|---------|------|

| `nanoresearch run --topic "..."` | 启动新的流水线运行 |

| `nanoresearch resume --workspace ...` | 从上次断点恢复 |

| `nanoresearch status --workspace ...` | 查看各阶段状态和产物 |

| `nanoresearch list` | 列出已保存的研究会话 |

| `nanoresearch export --workspace ...` | 导出论文打包 |

| `nanoresearch config` | 打印当前配置（密钥已屏蔽） |

| `nanoresearch inspect --workspace ...` | 检查工作空间产物 |

| `nanoresearch health` | 运行环境/配置健康检查 |

| `nanoresearch delete ` | 删除指定会话 |

```bash

nanoresearch --help

```

🔝 返回顶部


---

## 🍪 示例与 Demo

官方示例与进阶用法，助你快速上手 NanoResearch：

👉 **[浏览示例与 Demo](https://github.com/OpenRaiser/NanoResearch)** 

快速示例命令

```bash

# 完整流水线 + 详细日志

nanoresearch run --topic "Adaptive Sparse Attention" --format neurips2025 --verbose

# 导出并查看

nanoresearch export --workspace ~/.nanobot/workspace/research/{session_id} --output ./paper_out

```

> 仅生成论文（跳过实验）：在 config 中设置 `"skip_stages": ["SETUP", "CODING", "EXECUTION", "ANALYSIS"]`

🔝 返回顶部


---

## 📂 输出结构

导出的论文目录

```text

my_paper/

├── paper.pdf

├── paper.tex

├── references.bib

├── figures/

├── code/

├── data/

└── manifest.json

```

完整工作空间（含中间产物）

```text

~/.nanobot/workspace/research/{session_id}/

├── manifest.json          # 流水线状态追踪

├── papers/                # 文献检索产物

├── plans/                 # 实验方案和分析

├── experiment/            # 生成的实验代码 + 结果

├── figures/               # 生成的论文配图

├── drafts/                # 论文草稿和审稿意见

├── output/                # 最终导出（main.tex / main.pdf）

└── logs/                  # 运行日志

```

---

## 💬 飞书机器人

NanoResearch 内置飞书（Lark）机器人，可直接在飞书聊天中触发流水线、查看进度、接收论文——无需打开终端。

配置与启动

**1. 安装依赖**

```bash

pip install lark-oapi

```

**2. 配置**

在 [open.feishu.cn](https://open.feishu.cn) 创建自定义应用并获取 App ID 和 App Secret：

```bash

export FEISHU_APP_ID="cli_xxx"

export FEISHU_APP_SECRET="xxx"

```

或写入 `~/.nanobot/config.json`：

```json

{

  "feishu": {

    "app_id": "cli_xxx",

    "app_secret": "xxx"

  }

}

```

**3. 启动**

```bash

nanoresearch feishu          # 启动机器人

nanoresearch feishu -v       # 详细日志模式

```

机器人通过 WebSocket 长连接通信（无需公网服务器或 Webhook URL）。按 `Ctrl+C` 停止。

### 支持的命令

| 命令 | 描述 |

|---------|------|

| `/run <课题>` | 对指定课题启动研究流水线 |

| `/status` | 查看当前任务进度 |

| `/list` | 列出所有历史研究会话 |

| `/stop` | 停止当前运行的流水线 |

| `/export` | 重新导出最近完成的研究 |

| `/new` | 清除对话记忆，重新开始 |

| `/help` | 显示帮助信息 |

也可以直接自然语言聊天——机器人充当 AI 科研助手，支持对话记忆，流水线完成后自动发送 `paper.pdf`。

---

## 🏗️ 项目结构

```text

nanoresearch/

├── nanoresearch/

│   ├── cli.py              # 🖥️ CLI 入口

│   ├── config.py           # ⚙️ 配置管理

│   ├── agents/             # 🧠 各阶段 Agent

│   │   ├── ideation.py     #    文献检索与假说

│   │   ├── planning.py     #    实验方案设计

│   │   ├── coding.py       #    代码生成

│   │   ├── execution/      #    本地/集群执行

│   │   ├── analysis/       #    结果分析

│   │   ├── figure_gen/     #    图表生成

│   │   ├── writing/        #    论文撰写

│   │   └── review/         #    审稿与修订

│   ├── pipeline/           # 🔄 编排器 & 状态机

│   ├── schemas/            # 📋 Pydantic 数据模型

│   ├── prompts/            # 💬 YAML 提示词模板

│   ├── templates/          # 📄 LaTeX Jinja2 模板

│   └── latex/              # 🔧 LaTeX 自动修复

├── mcp_server/             # 🔌 MCP 工具服务

├── skills/                 # 🎯 Claude Code 技能

└── pyproject.toml

```

---

## ❓ 常见问题

NanoResearch 真的会运行实验吗？

是的。流水线会生成可运行的代码，在本地 GPU 或 SLURM 集群上执行，并将实验产物传递给后续的分析、配图和写作阶段。**论文中的数据来自真实实验，而非模型编造。**

可以断点续跑吗？

可以。工作空间按阶段保存检查点，`nanoresearch resume --workspace ...` 会从上次未完成或失败的阶段继续。

每个阶段都需要配置模型吗？

不需要。NanoResearch 支持按阶段配置模型路由，也可以全部使用同一个模型。

生成的论文可以直接投稿吗？

建议将其视为高质量初稿，而非最终投稿版本。系统可以生成完整的论文工作空间和编译好的 PDF，但人工审阅和修订仍然必要。

LaTeX 编译推荐什么工具？

推荐使用 `tectonic`。Conda 安装的 texlive 可能缺少 `pdflatex.fmt`，导致编译失败且修复困难。`tectonic` 会自动下载所需的 TeX 包，无需额外配置。

```bash

conda install -c conda-forge tectonic

```

---

## 🎯 路线图

- [x] 9 阶段统一流水线

- [x] 本地 GPU + SLURM 集群执行

- [x] Claude Code 集成模式

- [x] 飞书机器人

- [x] 多会议论文模板（NeurIPS / ICML / arXiv）

- [x] 断点续跑与多模型路由

- [ ] 更多 Demo 与教程

- [ ] Benchmark 评估套件

- [ ] Web 端工作空间 UI

- [ ] 更多论文格式支持

🔝 返回顶部


---

## 🤝 贡献

欢迎开发者、研究者贡献代码与创意。

### 👥 社区与交流

加入微信群交流、答疑、协作。扫码加入：



  





  



🔝 返回顶部


---

## 📋 环境要求

- Python **3.10+**

- **OpenAI 兼容 API 端点**（用于文本模型阶段）

- 可选：图像模型访问权限（用于部分配图）

- `tectonic` 或 `pdflatex`（用于 PDF 编译）

---

## 🙏 致谢

- [claude-scholar](https://github.com/Galaxy-Dawn/claude-scholar) — Claude Code 的科研技能扩展

---

## ⭐ Star History



  

    

      

      

      

    

  



---

## 📝 引用

如有帮助，请引用：

```bibtex

@software{nanoresearch2026,

  title = {NanoResearch},

  author = {OpenRaiser},

  year = {2026},

  url = {https://github.com/OpenRaiser/NanoResearch}

}

```

---

## 📄 许可证

MIT

🔝 返回顶部


---



  


    

    

    

  

  NanoResearch 仅供教育、研究及技术交流使用。