AutoResearchClaw: Pesquisa autônoma em minutos

#ai-agents · #deep-research · #python

AutoResearchClaw: Chat uma ideia, obtenha um paper científico

Post do LinkedIn anunciando o AutoResearchClaw da UNC-Chapel Hill — um laboratório que automatizou 13.782 estrelas no GitHub em apenas quatro meses. A plataforma transforma uma ideia abstrata em um artigo científico completo, estruturado e revisado, reduzindo meses de pesquisa bibliográfica, testes e escrita em minutos.

Acesse a postagem original

AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration

Paper de pesquisa publicado no arXiv (2605.20025) pelo laboratório AIMING da UNC-Chapel Hill. Documenta o sistema completo: um pipeline de 23 estágios organizados em três fases (Discovery, Experimentation, Writing) com mecanismos de debate multi-agente, auto-cura de código, relatórios verificáveis e colaboração humana em sete modos de intervenção. Validado no benchmark ARC-Bench com 54,7% de melhora sobre AI Scientist v2.

Acesse o paper no arXiv

The AI Scientist v2: Fully Automated Open-Ended Scientific Discovery

Framework anterior que influenciou AutoResearchClaw. Introduz o ciclo end-to-end de descoberta científica autônoma: geração de ideias, escrita de código, execução de experimentos, visualização de resultados, escrita de paper científico e processo de revisão simulado.

Acesse o paper no arXiv

Repositório oficial: aiming-lab/AutoResearchClaw

Código-fonte aberto sob licença MIT no GitHub. Inclui CLI standalone, integração OpenClaw, suporte a múltiplas plataformas (Claude Code, Copilot, Gemini, Kimi), múltiplos canais de mensageria (Discord, Telegram, Lark, WeChat) e sistema HITL (Human-In-The-Loop) com seis modos de colaboração (full-auto, gate-only, checkpoint, step-by-step, co-pilot, custom).

Acesse o repositório

Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics

Survey de agents autônomos para descoberta científica. Apresenta framework de cinco níveis de autonomia e mostra como LLMs orquestram interações com cientistas humanos, linguagem natural, código e simulações físicas. Posiciona agentes científicos como ponte entre AI assistido e AI autonomamente agnóstico.

Acesse o paper no arXiv

From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery

Mapeamento do espectro de autonomia em sistemas de descoberta científica. Define “Agentic Science” como estágio onde AI progride de assistência parcial para agência científica completa, habilitada por LLMs, sistemas multimodais e plataformas integradas.

Acesse o paper no arXiv

AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery

Survey que situa AutoResearchClaw e similares dentro do espectro mais amplo de “AutoResearch” — automação de workflows científicos desde geração de ideias até publicação. Identifica a transição de single-task AI para integrated pipelines que requerem verificação científica humana.

Acesse o paper no arXiv