Framework de búsqueda de empleo basado en Claude Code que evalúa ofertas, adapta CV en LaTeX, redacta cartas de presentación y prepara entrevistas; se ejecuta localmente en tu fork.
55 mil17,7 milPythonMITActualizado anteayer
aiming-lab/AutoResearchClaw
Pipeline de código abierto que convierte una idea de investigación en un artículo académico completo, con búsqueda bibliográfica, experimentos en entornos aislados, verificación de citas y salida en LaTeX.
- Estrellas
- 14,719
- Forks
- 1,709
- Issues abiertos
- 20
- Último commit
- hace 2 meses
¿Qué es?
AutoResearchClaw ejecuta un pipeline de 23 etapas que toma un tema de investigación y genera un borrador de artículo, un archivo LaTeX con formato de conferencia, una lista de referencias BibTeX, código de experimentos con métricas, gráficos y revisiones por pares de varios agentes. Recopila publicaciones de OpenAlex, Semantic Scholar y arXiv, y verifica las referencias en cuatro etapas para intentar eliminar las citas inventadas.
Los experimentos se ejecutan en un entorno aislado o en Docker, con detección de hardware para NVIDIA CUDA, Apple MPS o CPU. Si una ejecución falla, el sistema diagnostica el problema e intenta corregirlo; además, una etapa de decisión puede perfeccionar o cambiar el rumbo de la investigación. Las lecciones de cada ejecución se guardan y pueden alimentar ejecuciones posteriores mediante la integración opcional con MetaClaw.
El proyecto puede ejecutarse de forma totalmente autónoma desde la CLI o en modo Co-Pilot, con aprobación humana en las etapas que se elijan. También puede controlarse mediante OpenClaw o cualquier agente de programación compatible con ACP, como Claude Code o Codex CLI.
Funciones clave
- 01Recopila artículos reales de OpenAlex, Semantic Scholar y arXiv
- 02Verifica citas mediante arXiv, CrossRef, DataCite y comprobaciones con LLM
- 03Genera y ejecuta código de experimentos en un entorno aislado o en Docker, con detección de GPU/MPS/CPU
- 04Genera plantillas LaTeX para NeurIPS, ICML e ICLR, además de BibTeX
- 05Ofrece modos autónomos y Co-Pilot con intervención humana y puntos de aprobación
Casos de uso
- Preparar un primer borrador de artículo a partir de una idea de investigación para evaluar su viabilidad
- Automatizar la revisión bibliográfica y la estructura inicial de experimentos para proyectos de ML o ciencia
- Estudiar el comportamiento de agentes de investigación autónomos en las distintas etapas del pipeline
- Ejecutar tareas de investigación desde una interfaz de chat mediante OpenClaw o un agente ACP
Inicio rápido
- 1
Clona el repositorio
git clone https://github.com/aiming-lab/AutoResearchClaw.git - 2
Entra en el directorio, crea un entorno virtual e instala las dependencias
cd AutoResearchClaw && python3 -m venv .venv && source .venv/bin/activate && pip install -e . - 3
Ejecuta la configuración interactiva
researchclaw setup && researchclaw init - 4
Configura tu clave de API y ejecuta el pipeline sobre un tema
export OPENAI_API_KEY="sk-..." && researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve
Antes de usarlo
- Necesita una clave de API de un LLM (por ejemplo, OpenAI) y, normalmente, Docker o LaTeX para ejecutar el experimento completo y generar el artículo.
- Las ejecuciones totalmente autónomas pueden producir artículos de calidad desigual, por lo que se recomienda una revisión humana; también está disponible el modo Co-Pilot para recibir orientación.
Temas
Preguntas frecuentes
- ¿Qué es AutoResearchClaw?
- Pipeline de código abierto que convierte una idea de investigación en un artículo académico completo, con búsqueda bibliográfica, experimentos en entornos aislados, verificación de citas y salida en LaTeX. AutoResearchClaw ejecuta un pipeline de 23 etapas que toma un tema de investigación y genera un borrador de artículo, un archivo LaTeX con formato de conferencia, una lista de referencias BibTeX, código de experimentos con métricas, gráficos y revisiones por pares de varios agentes. Recopila publicaciones de OpenAlex, Semantic Scholar y arXiv, y verifica las referencias en cuatro etapas para intentar eliminar las citas inventadas.
- ¿AutoResearchClaw es gratuito? ¿Qué licencia tiene?
- AutoResearchClaw es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿AutoResearchClaw sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de AutoResearchClaw fue el 19 ago 2026.
- ¿Para qué puedo usar AutoResearchClaw?
- Preparar un primer borrador de artículo a partir de una idea de investigación para evaluar su viabilidad Automatizar la revisión bibliográfica y la estructura inicial de experimentos para proyectos de ML o ciencia Estudiar el comportamiento de agentes de investigación autónomos en las distintas etapas del pipeline Ejecutar tareas de investigación desde una interfaz de chat mediante OpenClaw o un agente ACP
- ¿Cómo se instala AutoResearchClaw?
- Clona el repositorio: git clone https://github.com/aiming-lab/AutoResearchClaw.git Entra en el directorio, crea un entorno virtual e instala las dependencias: cd AutoResearchClaw && python3 -m venv .venv && source .venv/bin/activate && pip install -e . Ejecuta la configuración interactiva: researchclaw setup && researchclaw init Configura tu clave de API y ejecuta el pipeline sobre un tema: export OPENAI_API_KEY="sk-..." && researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve
- ¿Dónde consigo AutoResearchClaw?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/aiming-lab/AutoResearchClaw
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Plataforma multiagente sin código: define agentes, flujos de trabajo y tareas con YAML y una consola web para crear software y otros resultados.
34,6 mil4,3 milPythonApache-2.0Actualizado hace 4 días
Stack de referencia de NVIDIA para ejecutar agentes de IA como OpenClaw, Hermes y LangChain Deep Agents de forma más segura en sandboxes de OpenShell.
22,8 mil3,1 milTypeScriptApache-2.0Actualizado hace 4 horas
Unity ML-Agents Toolkit permite usar juegos y simulaciones de Unity como entornos para entrenar agentes de IA mediante aprendizaje por refuerzo e imitación.
IA y Machine Learning#reinforcement-learning#unity#deep-reinforcement-learning#imitation-learning#game-ai
19,8 mil4,5 milC#OtherActualizado hace 7 días
Plataforma sin código que genera agentes de IA listos para producción a partir de descripciones en lenguaje natural, con herramientas, memoria y orquestación integradas.
6 mil744PythonMITActualizado hace 5 horas
CLI y motor de workflows que ejecuta agentes de programación como Claude Code, Codex y Copilot con etapas configurables de revisión, reparación y pruebas antes de aceptar el trabajo.
2 mil189RustMITActualizado ayer