搜完论文还得手写代码跑实验？这个开源项目把“科研闭环”做成了自动化如果你也经历过“读完十篇论文，脑子里一堆想法，打开代码

从文献检索到实验验证，一条命令完成“分析→方案→训练→评估”全流程

前两篇我们分别介绍了 Paper_Rec 的智能检索和自研 Wiki 阅读系统。

但有一个更核心的问题始终没有解决：搜到论文、读完论文之后呢？

如果你也经历过“读完十篇论文，脑子里一堆想法，打开代码却不知从何下手”的困境，或者每次复现论文都要手动写训练脚本、画损失曲线、对比指标——那么今天的更新可能会让你彻底改变做实验的方式。

01 | 从“读论文”到“做实验”，闭环的最后一块拼图

Paper_Rec 的最新定位已经远不止于文献检索工具：

从自然语言问题出发 → 多源文献检索 → Wiki 阅读沉淀 → 实验沙箱验证 → 指标曲线回写知识库

这是一条完整的 研究闭环（Research Loop）。

而实现这个闭环的最后一块拼图，就是 Exp_Sandbox（实验沙箱） ——一个自动化机器学习实验的 Agent Skill。

你可以把它理解为一个“AI 实验助理”： 你告诉它你要优化什么指标，它帮你分析数据、生成方案、跑验证、做训练、输出评估，最后把结果和曲线自动写回 Wiki。

02 | 四个命令，覆盖实验全流程

Exp_Sandbox 提供了四个核心命令，覆盖从分析到迭代的完整链路：

命令	作用
`/exp_analysis`	训练集/测试集与 Badcase 分析
`/exp_training`	启动训练并监控 Loss / 验证曲线
`/exp_eval`	输出指标并对照 `target_score`
`/exp_loop`	完整迭代循环：分析 → 方案 → 验证 → 训练 → 评估 → 迭代

最值得关注的是 /exp_loop——它把整个实验流程串成了一条自动化管线：

分析数据 → 生成多个候选方案 → 小规模验证筛选 → 全量训练 → 评估指标 → 如果未达标则迭代下一轮

你只需要设定一个目标指标（比如 target_score: OCR F1 >= 0.92），剩下的交给 Agent 去跑。

03 | 核心思想：先预测，再执行

Exp_Sandbox 的设计背后有一个重要的方法论借鉴：Predict-then-Verify（先预测，再验证） 。

这个思路来自浙江大学 NLP 实验室的开源项目。核心理念是：

在执行昂贵的全量训练之前，先用低成本的方式预测各个方案的优劣，只对最有希望的方案投入计算资源。

具体到 Exp_Sandbox 的实现：

多方案生成：一次性生成多个候选方案（默认 10 个）
偏好排序：通过 Pairwise preference + confidence gate（默认 0.7）筛选方案
小规模验证：只对 Top-1 方案进行验证性实验
全量训练：验证通过后才投入全量训练

默认超参数：m_candidates=10，confidence_gate=0.7，top_k_verify=1。

这套机制的核心价值在于 大幅压缩实验成本——你不需要每个想法都跑一遍完整训练，AI 会帮你先做一轮“纸上推演”。

04 | 实验结果自动回写 Wiki

实验做完不是终点，结果需要被记录和追溯。

Exp_Sandbox 通过 sync-exp 命令，将实验结果同步回 Wiki：

bash

python -m wiki_bridge.cli sync-exp \
  --wiki-root ../.. \
  --report ./examples/sample_exp_report.json

同步后，以下内容会自动写入知识库：

实验产物：方案、轮次、指标、最终报告 → content/exp/
实验镜像：在 Wiki 的「实验」模块中呈现 → content/wiki/pages/_exp/
曲线与指标：Loss 曲线、验证曲线与 paper_refs 关联

这意味着：你做的每一个实验，都有完整的可追溯记录——方案是什么、指标多少、曲线长什么样、参考了哪些论文——全部在一个地方。

05 | 安装与使用（超简单）

第一步：安装两个 Skill

bash

mkdir -p .agents/skills/paper-rec .agents/skills/exp-sandbox
cp -r skill/* .agents/skills/paper-rec/
cp -r skill-exp/* .agents/skills/exp-sandbox/

第二步：启动 Wiki

bash

powershell -ExecutionPolicy Bypass -File apps/start-wiki.ps1

第三步：开始实验

bash

# 分析阶段
/exp_analysis train

# 或直接跑完整循环
/exp_loop target_score: OCR F1 >= 0.92 on test_handwriting_v2

实验完成后，执行 sync-exp 将结果回写 Wiki，然后在 http://127.0.0.1:5173/experiments 查看。

06 | 架构一览：四层各司其职

Exp_Sandbox 的加入让 Paper_Rec 的架构更加完整：

层级	路径	职责
Skill 层	`skill/`	文献检索流水线
	`skill-exp/`	实验沙箱 + 参考伪代码
Bridge 层	`packages/wiki-bridge/`	`sync-report`（文献入库）+ `sync-exp`（实验回写）
API 层	`apps/wiki-api/`	FastAPI 后端，提供论文/实验/图谱/周刊接口
Web 层	`apps/wiki-web/`	Vue3 前端，阅读/编辑/图谱/实验浏览
数据层	`content/`	Git Markdown 存储，唯一内容真源

核心设计原则：

Agent-native：以 Markdown Skill 驱动，不绑定任何 IDE
Git as database：笔记与实验记录即文件，可 diff、可备份
Predict before burn：先方案排序与小规模验证，再全量训练
Human in the loop：检索与沙箱自动化；阅读标记与目标定义留给研究者

07 | 谁适合用？

🔬 AI 研究员/工程师：快速验证新想法，不需要每次都从头写训练脚本
🎓 研究生/博士生：做实验时有清晰的分析→方案→验证→训练流程
📊 需要追踪实验记录的任何人：所有指标、曲线、方案自动归档，不再丢失
💻 跨平台用户：Claude Code、Codex、OpenClaw 等任何能加载 Markdown Skill 的 Agent 都能用

08 | 总结

从第一篇的智能检索，到第二篇的Wiki 阅读沉淀，再到今天的实验沙箱——

Paper_Rec 已经从一个单纯的文献检索工具，进化成了一个完整的科研操作系统：

Discover（发现）· Annotate（标注）· Experiment（实验）· Remember（记忆）

「找论文 → 读论文 → 做实验 → 记结果」这条闭环，现在已经全部打通。

项目完全开源，采用 MIT 许可证。

项目地址：github.com/QinHsiu/Pap…
最新版本：v2.5.0（2026年7月17日发布）

如果觉得有用，不妨给项目点个 ⭐ Star 支持下作者～

本文由 AI 辅助整理，项目信息以 GitHub 仓库及 CHANGELOG 为准。