新智元报道
编辑：LRST
【新智元导读】开源框架Deep Researcher Agent帮你全天候自动跑深度学习实验，节省大量重复劳动。它通过自主循环完成想方案、执行、监控与反思，仅需每天五毛钱。不依赖LLM API，实现实时控制与手机端监控，真正解放研究者精力，让他们专注于思考。
做深度学习研究的朋友，谁没经历过这种日子，改超参 → 跑训练 → 等 6 小时 → 看结果 → 再改 → 再跑 → 再等。
Deadline前这个循环要重复上百次。凌晨三点定闹钟爬起来，就为了瞄一眼loss有没有降下去——降了，松一口气继续睡；没降，眼泪都快下来了还得改一版重新提交。
而最让人崩溃的不是辛苦，是这件事本质上是机械的：你早就想好了要试什么，剩下的只是把它跑出来而已。这部分时间，本该属于真正的思考。
有没有可能，让一个AI Agent替你把这部分跑掉？
GitHub上最近有一个开源项目叫Deep Researcher Agent的框架，正面回答了这个问题——你睡觉的时候，它在炼丹；你写论文的时候，它已经把 results table 准备好了。
项目链接：https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7
它是怎么工作的？
框架的核心，是一个THINK → EXECUTE → MONITOR → REFLECT的自主循环。
THINK（想方案）Agent 读取项目说明 + 历史实验记忆，分析当前最优结果，决定下一步该试什么。注意——它不只是改超参，还能改模型代码、换 loss 函数、加数据增强策略。
⚙️ EXECUTE（写代码 + 起任务）Agent自动改代码或config，先跑一个强制 dry-run（2 步前向反向）确认没bug，然后才把真正的训练打到GPU上。
MONITOR（盯着，但不花钱）这里是整个项目最强的一招：训练期间，Agent完全不调用 LLM API。它只做三件事：
kill -0 $PID看进程还活着没
nvidia-smi看 GPU 在不在干活
tail看日志最后几行
这三个操作的API成本是零。
REFLECT（看结果 + 决定下一步）训练结束，Agent 解析日志、提取指标、跟历史最优对比、记录里程碑，然后开下一轮。
整个循环24小时不间断。你想介入？随时可以——往项目目录里扔一个指令文件就行，Agent下一轮自动读到。
一天成本五毛钱，这是怎么做到的
24/7跑LLM Agent，听起来不应该很贵吗？
关键就在前面那个「零成本 MONITOR」。
一天24小时里，90%以上的时间都在训练，这段时间 LLM 调用费 = 0。只有开头「想方案」和结尾「看结果」才需要请大模型出马，每次几分钟。
算下来：
一天五毛钱，够你跑一整个礼拜也比一杯咖啡便宜。
跑半年内存不涨：两层「恒定记忆」
长时间运行的Agent有个经典毛病：上下文越积越长，又慢又贵又蠢。
Deep Researcher Agent的解法是一个两层记忆系统：
第一层：人类写的项目说明（冻结不变，最大3000字符）——告诉Agent你想干什么、约束是什么
第二层：Agent自己维护的滚动日志——关键成果自动压缩到 1200 字符以内，最近决策只保留15条
总记忆量恒定在约5000字符。Agent 跑1天是这个数，跑6个月还是这个数。
不是demo
是真打过仗
这个框架不是放在paper里看看的玩具。它已经在多个真实研究项目中连续跑了30多天：
自主完成500+轮实验循环，单个项目指标比 baseline 提升52%（200+ 次全自动实验跑出来的），同时管理4 个项目、4 台 GPU 服务器，最长连续运行30+ 天，期间人类只介入了五六次
Claude和Codex都能用，配置一行切换
框架不绑定单一LLM：
Anthropic系：Claude Sonnet 4.6（快） / Claude Opus 4.6（最强）
OpenAI系：Codex 5.3（快） / GPT 5.4（最强）
config改一行就能切，谁强用谁。
躺床上也能炼丹：手机端实时监控
配合Happy Coder App（iOS / Android），可以在手机上：实时查看实验进度、接收训练完成 / 出 bug 推送、随时给Agent下达「换个方向」的指令。
端到端加密，代码和结果完全私密。
这意味着你真的可以在地铁上、在咖啡馆、在床上指挥一整套深度学习实验流水线。
一键装好，7 个斜杠命令
git clone之后跑一句python install.py，立刻获得7个 Claude Code / Codex 斜杠命令：
完全不会用？仓库里有个AI_GUIDE.md——把这个文件直接丢给任何 AI 助手，它会交互式地一步步带你装好、跑起第一个实验。新手友好到这个地步。
AI科研工具对比
目前主流的AI研究工具——Claude Scholar、AI Scientist、SWE-Agent等——要么帮你写论文，要么帮你写代码。但没有一个能真正替你把实验跑出来。
Deep Researcher Agent是第一个专门为「跑」深度学习实验设计的开源 Agent 框架，而不是为「写」。
⚠️ 但是，请先看完这一段再去 Star
作者在 README 里挂了一段非常严肃的声明，我觉得这一段比项目本身更值得放到这篇文章里：
本项目严禁用于学术造假与任何形式的科研不端行为。
这个框架被造出来，只有一个目的——把跑实验里那些机械、重复的环节从研究者身上拿掉，让大家把节省下来的时间，投入到真正重要的事情：思考上面。
idea必须由人来提供。请不要寄希望于用本项目进行学术不端，这不是我们的项目初衷，也不是这个社区欢迎的事情。
学术应当保持纯粹。Agent可以替你跑实验，但idea、判断与责任必须由人来承担。我们真诚地希望每一位使用者都能human in the loop地去思考，在自己的研究方向上做出属于自己的、真实的贡献。
在这个动辄「AI一键生成论文」的时代，看到一个开源作者主动给自己的工具立这样的边界，挺打动人的。
工具是中立的，但作者立场不必中立。
一个人的精力是有限的。研究者本该把时间花在读论文、想 idea、解读结果上，而不是花在凌晨三点爬起来看loss有没有降。
Deep Researcher Agent想做的，就是把后者还给机器，把前者留给人。
如果你也是炼丹人，如果你也曾在deadline前哭着改config——
这一次，让AI替你熬夜。你去睡觉。
参考资料：
https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7
道正网配资提示：文章来自网络，不代表本站观点。
