基于 AutoGPT 的顶会论文自动研究流水线
自动发现论文、采集 alphaXiv 热度、批量完成 AI 问答，并逐篇即时保存 Markdown 报告。
面对数千篇顶会论文，逐篇检查 arXiv、查看热度、阅读全文并重复提问非常耗时。本项目在 AutoGPT Platform 上实现了一条可视化、可并行、可恢复的论文研究 Agent：输入会议年份和研究问题，即可自动生成带 Likes 与完整问答的单篇报告。
当前初版支持 CVPR 2026 全量处理。它是 AutoGPT 的二次开发扩展，不包含无关的 AutoGPT 上游源码；通过安装脚本接入指定版本的官方框架。
- 论文发现：从 CVF Open Access 抓取、合并并去重论文，识别页面自带的 arXiv 链接。
- 完整问答：通过 alphaXiv MCP 获取论文内容，每篇只调用一次 LLM 回答全部问题。
- 热度采集：默认并发读取 alphaXiv metadata API，保留影刀 RPA 作为可切换兜底。
- 并行流水线：AI 分析与 Likes 采集并行执行，并采用分批调度控制资源。
- 即时落盘：每篇完成后立即保存 checkpoint、JSONL 和独立 Markdown 报告。
- 断点续跑：中断后复用同一个
run_id，自动跳过已成功论文。
flowchart LR
A[CVF 会议页面] --> B[发现与筛选]
B --> C[alphaXiv MCP 获取内容]
C --> D[LLM 完整问答]
B --> E{Likes 策略}
E -->|默认| F[alphaXiv API]
E -->|兜底| G[影刀 RPA + Bridge]
D --> H[按 paper_key 汇合]
F --> H
G --> H
H --> I[单篇报告 + JSONL]
I --> J[会议汇总]
| 目录 | 内容 | 是否核心 |
|---|---|---|
src/ |
论文 Agent 的 Python Block、并发调度、断点保存、报告生成与 RPA Bridge | 是 |
agent/ |
可直接导入 AutoGPT Builder 的 Graph JSON | 是 |
scripts/ |
将本项目安装到 AutoGPT 的一键脚本 | 是 |
patches/ |
Graph Schema、MCP OAuth、执行器与数据卷等框架适配 | 是 |
docs/ |
中文运行手册、设计规格与排错指南 | 文档 |
shadowbot/ |
可选的影刀 Likes 采集契约 | 可选 |
fixtures/ |
不含账号和密钥的离线测试样本 | 测试 |
想直接看项目实现，请从
src/conference_paper/开始。
需要 Git、Python 3.10+、Docker Desktop，以及至少 8 GB 内存（推荐 16 GB）。
git clone https://github.com/Significant-Gravitas/AutoGPT.git
git -C AutoGPT checkout 6dcf0e22f84ce49c289adec4504a3d4ec186bb3a
git clone https://github.com/ly-rrrrr/AutoGPT-Conference-Paper-Agent.git
cd AutoGPT-Conference-Paper-Agentpython scripts/install.py --autogpt-root "..\AutoGPT"脚本会检查 AutoGPT 目录和兼容版本，应用必要补丁，并安装领域 Block、Bridge 与可导入 Agent。它不会复制 API Key 或运行结果。
在 AutoGPT/autogpt_platform/.env 中配置 OpenAI-compatible 服务地址，例如：
OPENAI_BASE_URL=https://api.openai.com/v1然后启动：
cd ..\AutoGPT\autogpt_platform
docker compose up -d --build
docker compose ps打开 http://localhost:3000，在 Platform 中登录。API Key 只通过 Platform Credential 添加，不要写入仓库或截图。
在 Build → Import 中导入安装后的文件：
autogpt_platform/backend/agents/conference-paper-research-agent.json
为 Analyze Conference Papers 节点连接：
- alphaXiv MCP OAuth；
- OpenAI-compatible API Key。
Graph 默认模型为 gpt-5.6-luna；如果你的服务不支持它，请在节点中换成可用模型。
点击 Manual Run，使用：
{
"conference": "CVPR",
"year": 2026,
"run_id": "cvpr-2026-smoke-01",
"topics": [],
"max_papers": 3,
"likes_strategy": "alphaxiv_api",
"analysis_concurrency": 1,
"analysis_request_interval_seconds": 4,
"max_new_analyses_per_run": 400,
"authorization_circuit_breaker": true,
"paper_questions": [
"这篇论文解决了什么研究问题？",
"总结核心方法、主要贡献、关键实验结果与局限性。"
]
}确认生成 3 份单篇报告后，把 max_papers 改为 0、换一个新的 run_id，即可进行 CVPR 2026 全量处理。第三方模型平台出现间歇性 401 时，建议保持并发为 1；系统会控制请求启动间隔、限制单轮新增分析数，并在首个 401 后停止本轮后续调用。使用同一 run_id 再次执行即可继续补跑。
| 风控配置 | 默认值 | 说明 |
|---|---|---|
analysis_concurrency |
1 |
同时执行的论文分析数；第三方平台优先保持 1 |
analysis_request_interval_seconds |
4 |
相邻 LLM 请求的最小启动间隔（秒） |
max_new_analyses_per_run |
400 |
单轮最多新增分析数；0 表示不限制 |
authorization_circuit_breaker |
true |
首次遇到 401 后立即停止发起本轮新请求 |
AutoGPT/projects/conference-paper-research-agent/data/runs/<run_id>/
├── analysis-checkpoint.jsonl # 分析断点，逐篇追加
├── likes-checkpoint.jsonl # Likes 断点，逐篇追加
├── qa-results.jsonl # 问题与完整回答
├── paper-results.jsonl # 汇合后的最终结果
├── likes-results.jsonl # Likes 结果
├── manifest.json # 运行状态与统计
├── conference-summary.md # 会议汇总
└── reports/<arxiv_id>.md # 每篇即时生成的独立报告
运行中断后保持问题配置不变，并复用同一个 run_id 再次运行，系统会从 checkpoint 继续。
CVPR 2026 全量运行生成的逐篇 Markdown 报告已归档至 Google Drive，内容对应本地 data/runs/cvpr-2026-luna-full-01/reports/，包含论文基本信息、alphaXiv Likes 以及完整问题与 AI 回答。
| 策略 | 适用场景 | 特点 |
|---|---|---|
alphaxiv_api |
日常批量运行 | 默认、快速，无需浏览器或 Bridge |
shadowbot |
API 变化或 UI 复核 | 拟人化读取页面，资源开销更高 |
影刀不是默认依赖。只有切换到 shadowbot 时，才需要按照影刀兜底指南启动 Bridge 与 Worker。
安装到 AutoGPT 后，在 autogpt_platform/backend 运行：
poetry run pytest backend/blocks/conference_paper -q当前发布版定向测试结果：147 passed。
- 不要提交 API Key、OAuth Token、
.env、Bridge 数据库或全量运行结果。 - alphaXiv、CVF、arXiv 与模型服务受各自条款约束，请控制请求频率。
- 本项目是基于 AutoGPT Platform 的派生扩展，遵循 PolyForm Shield License 1.0.0；详情见 LICENSE 和 NOTICE.md。
- 本仓库使用独立提交历史，仅用于清晰展示本项目的二次开发内容；AutoGPT 上游作者及贡献归属仍属于原项目。
感谢 AutoGPT、CVF Open Access、arXiv 与 alphaXiv 提供的基础设施和内容入口。
如果这个项目对你有帮助，欢迎 Star、Fork 或提交 Issue。