Framework de candidatura a vagas baseado no Claude Code, que avalia anúncios, adapta CVs em LaTeX, escreve cartas de apresentação e prepara entrevistas, rodando localmente no seu fork.
aiming-lab/AutoResearchClaw
Pipeline open source que transforma uma ideia de pesquisa em um artigo acadêmico completo, com busca bibliográfica, experimentos em sandbox, verificação de citações e saída em LaTeX.
- Estrelas
- 14,719
- Forks
- 1,709
- Issues abertas
- 20
- Último commit
- há 2 meses
O que é?
O AutoResearchClaw executa um pipeline de 23 etapas que recebe um tema de pesquisa e produz um rascunho de artigo, um arquivo LaTeX no estilo de conferências, uma lista de referências BibTeX, código de experimentos com métricas, gráficos e avaliações por pares feitas por múltiplos agentes. A literatura é coletada no OpenAlex, Semantic Scholar e arXiv, e as referências passam por uma verificação em quatro camadas, feita para remover citações inventadas.
Os experimentos são executados em um ambiente sandbox ou Docker, com detecção de hardware para NVIDIA CUDA, Apple MPS ou CPU. Execuções que falham são diagnosticadas e corrigidas, e uma etapa de decisão pode refinar ou mudar a direção da pesquisa. As lições de cada execução são armazenadas e podem alimentar execuções futuras por meio da integração opcional com MetaClaw.
O projeto pode funcionar de forma totalmente autônoma pela CLI ou no modo Co-Pilot, com aprovação humana nas etapas escolhidas. Também pode ser controlado pelo OpenClaw ou por qualquer agente de programação compatível com ACP, como Claude Code ou Codex CLI.
Recursos principais
- 01Coleta artigos reais do OpenAlex, Semantic Scholar e arXiv
- 02Verifica citações usando arXiv, CrossRef, DataCite e verificações com LLM
- 03Gera e executa código de experimentos em sandbox ou Docker, com detecção de GPU/MPS/CPU
- 04Gera templates LaTeX para NeurIPS, ICML e ICLR, além de BibTeX
- 05Oferece modos autônomo e Co-Pilot com participação humana e etapas de aprovação
Casos de uso
- Criar um primeiro rascunho de artigo a partir de uma nova ideia de pesquisa para testar sua viabilidade
- Automatizar a revisão bibliográfica e a estrutura inicial dos experimentos em projetos de ML ou ciência
- Estudar o comportamento de agentes autônomos de pesquisa ao longo das etapas do pipeline
- Executar tarefas de pesquisa por uma interface de chat usando OpenClaw ou um agente ACP
Início rápido
- 1
Clone o repositório
git clone https://github.com/aiming-lab/AutoResearchClaw.git - 2
Entre no diretório, crie um ambiente virtual e instale as dependências
cd AutoResearchClaw && python3 -m venv .venv && source .venv/bin/activate && pip install -e . - 3
Execute a configuração interativa
researchclaw setup && researchclaw init - 4
Defina sua chave de API e execute o pipeline sobre um tema
export OPENAI_API_KEY="sk-..." && researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve
Antes de usar
- É necessária uma chave de API de LLM (por exemplo, OpenAI) e, em geral, Docker ou LaTeX para executar o experimento completo e gerar o artigo.
- Execuções totalmente autônomas podem produzir artigos de qualidade irregular, por isso recomendamos uma revisão humana. O modo Co-Pilot está disponível para oferecer orientação.
Tópicos
Perguntas frequentes
- O que é AutoResearchClaw?
- Pipeline open source que transforma uma ideia de pesquisa em um artigo acadêmico completo, com busca bibliográfica, experimentos em sandbox, verificação de citações e saída em LaTeX. O AutoResearchClaw executa um pipeline de 23 etapas que recebe um tema de pesquisa e produz um rascunho de artigo, um arquivo LaTeX no estilo de conferências, uma lista de referências BibTeX, código de experimentos com métricas, gráficos e avaliações por pares feitas por múltiplos agentes. A literatura é coletada no OpenAlex, Semantic Scholar e arXiv, e as referências passam por uma verificação em quatro camadas, feita para remover citações inventadas.
- AutoResearchClaw é gratuito? Qual é a licença?
- AutoResearchClaw é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- AutoResearchClaw ainda é mantido?
- Atualizado nos últimos 6 meses. O último commit de AutoResearchClaw foi em 19 de ago. de 2026.
- Para que posso usar AutoResearchClaw?
- Criar um primeiro rascunho de artigo a partir de uma nova ideia de pesquisa para testar sua viabilidade Automatizar a revisão bibliográfica e a estrutura inicial dos experimentos em projetos de ML ou ciência Estudar o comportamento de agentes autônomos de pesquisa ao longo das etapas do pipeline Executar tarefas de pesquisa por uma interface de chat usando OpenClaw ou um agente ACP
- Como instalar AutoResearchClaw?
- Clone o repositório: git clone https://github.com/aiming-lab/AutoResearchClaw.git Entre no diretório, crie um ambiente virtual e instale as dependências: cd AutoResearchClaw && python3 -m venv .venv && source .venv/bin/activate && pip install -e . Execute a configuração interativa: researchclaw setup && researchclaw init Defina sua chave de API e execute o pipeline sobre um tema: export OPENAI_API_KEY="sk-..." && researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve
- Onde consigo AutoResearchClaw?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/aiming-lab/AutoResearchClaw
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Uma plataforma multiagente sem código, na qual você define agentes, fluxos de trabalho e tarefas via YAML e console web para criar software e outros resultados.
Stack de referência da NVIDIA para executar agentes de IA como OpenClaw, Hermes e LangChain Deep Agents com mais segurança em sandboxes do OpenShell.
O Unity ML-Agents Toolkit permite usar jogos e simulações Unity como ambientes para treinar agentes de IA com aprendizado por reforço e por imitação.
Plataforma sem código que gera agentes de IA prontos para produção a partir de descrições em linguagem natural, com ferramentas, memória e orquestração integradas.
Uma CLI e um mecanismo de workflows que executa agentes de programação como Claude Code, Codex e Copilot com etapas configuráveis de revisão, correção e testes antes de aceitar o trabalho.