Autonomous Lab

🚀 自主實驗室（Autonomous Lab）

自主實驗室（Autonomous Lab）是一個 MCP 服務器，它能將任何資深 - 初級工作流程轉變為自主循環。由 AI 負責執行，而你只需做出決策。

🚀 快速開始

你可以將此頁面鏈接複製到 Claude Code、Cursor 或任何編碼代理中，讓其為你安裝自主實驗室（Autonomous Lab），它會處理一切。

若要手動安裝：

添加到 MCP 客戶端配置（如 Cursor ~/.cursor/mcp.json）

{
  "mcpServers": {
    "autonomous-lab": {
      "command": "uvx",
      "args": ["autonomous-lab"],
      "timeout": 600,
      "env": {
        "MCP_WEB_PORT": "8766"
      }
    }
  }
}

如果你通過 uv pip install 進行安裝

{
  "mcpServers": {
    "autonomous-lab": {
      "command": "autonomous-lab",
      "timeout": 600,
      "env": {
        "MCP_WEB_PORT": "8766"
      }
    }
  }
}

然後告知你的代理：“在 [你的主題] 上初始化一個自主實驗室項目”。

✨ 主要特性

• 零額外成本：基於你現有的編碼代理訂閱運行，無需單獨的 API 密鑰，無基於使用量的計費，無需新賬戶。
• 多代理編排：可選模式，每個角色（首席研究員、實習生、評審員）作為獨立代理運行，擁有自己的上下文窗口。使用你現有的 CLI 訂閱（Claude Code、Codex CLI、Cursor），無需 API 密鑰。若出現任何故障，會回退到單代理模式。
• 技能容器：可使用你已有的任何 SKILL.md 文件組合來配置角色。具備 scanpy + 科學寫作 + 統計分析 技能的首席研究員與具備 react + typescript + 代碼評審 技能的技術主管行為不同。
• 24 小時會話：循環可無限運行，無超時，無上下文丟失。使用 autolab_resume 可在斷開連接後恢復會話。
• 完全可配置：通過 YAML 角色配置文件控制個性、專業知識、目標和可用工具，可在數秒內進行切換。
• 領域無關：適用於研究、軟件、諮詢、法律、醫學、創意等任何具有資深 - 初級結構的領域。
• 專家諮詢：可在會話中途邀請領域專家提供一次性建議，而不中斷循環。
• 經過驗證的引用：內置 CrossRef 集成，可提供真實、經過驗證的參考文獻（無虛假論文）。
• 遊戲風格的監控界面：瀏覽器儀表盤可顯示即時進度、迭代歷史和編輯控件。

📦 安裝指南

自動安裝

將此頁面鏈接複製到 Claude Code、Cursor 或任何編碼代理中，讓其為你安裝自主實驗室（Autonomous Lab）。

手動安裝

添加到 MCP 客戶端配置（如 Cursor ~/.cursor/mcp.json）

{
  "mcpServers": {
    "autonomous-lab": {
      "command": "uvx",
      "args": ["autonomous-lab"],
      "timeout": 600,
      "env": {
        "MCP_WEB_PORT": "8766"
      }
    }
  }
}

如果你通過 uv pip install 進行安裝

{
  "mcpServers": {
    "autonomous-lab": {
      "command": "autonomous-lab",
      "timeout": 600,
      "env": {
        "MCP_WEB_PORT": "8766"
      }
    }
  }
}

安裝完成後，告知你的代理：“在 [你的主題] 上初始化一個自主實驗室項目”。

💻 使用示例

基礎用法

兩個 AI 角色（資深 + 初級）會在你的項目上進行循環迭代。它們會進行設計、執行、編寫和修訂。你作為決策者，可擔任編輯、代碼評審員、創意總監或該領域所需的其他角色。

循環流程如下：

autolab_next → (AI 充當角色) → autolab_record → lab_meeting → autolab_next → ...

當工作完成後，你可以進行評審，選擇接受、要求修訂或拒絕。循環將繼續，直到你滿意為止。

高級用法

多代理模式

默認情況下，單個 AI 代理會按順序扮演所有角色。多代理模式會為每個角色生成一個專用代理，為每個代理提供全新的上下文窗口。在 .autolab/config.yaml 中啟用此模式：

orchestration: multi

agents:
  pi:
    provider: claude-cli   # 使用你的 Claude Code 訂閱
    model: opus
  trainee:
    provider: claude-cli
    model: sonnet

多個實習生

首席研究員可以有多個實習生並行處理不同任務。每個實習生都有自己的上下文窗口和專注領域：

orchestration: multi

agents:
  pi:
    provider: claude-cli
    model: opus
  trainees:                              # 複數鍵
    - name: "數據分析師"
      provider: claude-cli
      model: sonnet
      focus: "數據分析、統計、圖表生成"
    - name: "撰寫人員"
      provider: codex-cli
      model: o3
      focus: "論文撰寫、LaTeX、文獻綜述"
    - name: "代碼開發人員"
      provider: cursor-cli
      model: sonnet-4
      focus: "腳本開發、測試、可重複性"

所有實習生通過 asyncio.gather 並行運行。每個實習生都會看到一個包含其專注領域的範圍提示以及關於其他實習生正在處理內容的協調說明。如果其中一個失敗，其他實習生將繼續運行。

代理團隊（Claude Code）

當在啟用代理團隊的 Claude Code 中運行時（CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1），多代理模式會自動升級為原生代理團隊。首席研究員成為委託模式下的團隊負責人，實習生成為擁有自己上下文窗口的團隊成員，他們通過共享任務列表和直接消息進行協調。無需額外配置，相同的 orchestration: multi 配置適用於兩種模式。

可選的特定團隊設置：

team:
  delegate_mode: true          # 首席研究員僅進行協調，不執行操作
  require_plan_approval: false  # 實習生行動前無需首席研究員批准

📚 詳細文檔

MCP 工具

角色示例

name: 陳瑪麗亞博士
role: pi
title: 計算生物學首席研究員
expertise: 單細胞基因組學、機器學習
goal: 發現細胞類型特異性調控程序
skills:
  - scanpy
  - scvi-tools
  - 科學寫作
  - 統計分析
personality:
  - "有遠見：能發現新穎的研究方向"
  - "嚴謹：要求統計可重複性"

支持的提供商

CLI 提供商是主要途徑，無需配置 API 密鑰。如果未找到 CLI 二進制文件或多代理因任何原因失敗，將自動回退到單代理模式。

對於 API 提供商，安裝可選依賴項：

pip install 'autonomous-lab[multi-agent]'

遠程 / SSH 環境

監控 Web UI 默認綁定到 127.0.0.1（僅本地）。在遠程服務器、SSH 會話或容器中，UI 將嘗試自動檢測並綁定到 0.0.0.0。如果自動檢測與你的設置不匹配，請使用以下方法之一。

方法 1：環境變量（推薦）

在你的 MCP 配置中將 MCP_WEB_HOST 設置為 0.0.0.0：

{
  "mcpServers": {
    "autonomous-lab": {
      "command": "uvx",
      "args": ["autonomous-lab"],
      "timeout": 600,
      "env": {
        "MCP_WEB_HOST": "0.0.0.0",
        "MCP_WEB_PORT": "8766"
      }
    }
  }
}

然後在本地瀏覽器中打開 http://<遠程主機 IP>:8766/lab。

方法 2：SSH 端口轉發

保持默認配置（127.0.0.1）並轉發端口：

ssh -L 8766:localhost:8766 用戶@遠程主機

然後在本地打開 http://localhost:8766/lab。

要求

• Python >= 3.11
• 兼容 MCP 的客戶端（Cursor、Claude Code、Codex CLI、Windsurf 等）

🔧 技術細節

知識工作的瓶頸從來都不是執行，而是判斷，即知道哪些問題重要、哪些結果有意義、應該追求哪些方向。最有能力做出這些判斷的人，大部分時間都花在了不需要其特定專業知識的任務上。

自主實驗室（Autonomous Lab）將層級提升了一級。AI 代理承擔工作角色，如首席研究員和實習生、技術主管和開發人員、主治醫師和住院醫師，運行完整的設計 - 執行 - 評審循環。人類則進入編輯角色，即負責篩選、判斷和指導的角色。你的品味和判斷力，而非你的勞動，成為主要輸入。

這不是一個副駕駛，而是對工作單元本身的重新組織。

📄 許可證

本項目採用 Apache 2.0 許可證。請參閱 LICENSE 和 NOTICE 瞭解更多信息。

致謝

自主實驗室（Autonomous Lab）基於以下開源項目構建：

• 虛擬實驗室（The Virtual Lab），由斯坦福大學的 James Zou 實驗室開發（MIT 許可證），該項目提出了將大語言模型（LLM）代理作為首席研究員和科學家，通過結構化研究會議進行迭代的概念（Swanson 等人，《自然》2025 年）。
• mcp - 反饋增強（mcp - feedback - enhanced），由 Minidoracat 開發（MIT 許可證），提供了 Web UI、反饋循環、會話管理和國際化基礎設施。
• 交互式反饋 MCP（interactive - feedback - mcp），由 Fábio Ferreira 開發（MIT 許可證），是原始的 MCP 反饋服務器。
• [工具宇宙（ToolUniverse）](https://github.com/mims - harvard/ToolUniverse)，由哈佛醫學院的 Marinka Zitnik 實驗室開發，集成了科學工具目錄（1000 + 工具）。