aiming-lab/AutoResearchClaw

아이디어를 말하다. 논문을 받다. 자율적, 협력적 & 자기 진화.

OpenClaw에 채팅하세요: "X 연구해줘" → 완료.

📄 저희 논문이 arXiv에 공개되었습니다 — 꼭 읽어보세요! AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration

🇺🇸 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇫🇷 Français · 🇩🇪 Deutsch · 🇪🇸 Español · 🇧🇷 Português · 🇷🇺 Русский · 🇸🇦 العربية

🏆 논문 쇼케이스 · 🧑‍✈️ 코파일럿 가이드 · 📖 통합 가이드 · 💬 Discord 커뮤니티

🏆 생성된 논문 쇼케이스 8개 분야에 걸친 8편의 논문 — 수학, 통계, 생물학, 컴퓨팅, NLP, RL, 비전, 견고성 — 완전 자율 생성 또는 Human-in-the-Loop 코파일럿 가이던스 활용.

🧪 테스터를 모집합니다! 여러분의 연구 아이디어로 — 어떤 분야든 — 파이프라인을 시험해 보시고 의견을 들려주세요. 여러분의 피드백이 다음 버전에 직접 반영됩니다. → Testing Guide | → 中文测试指南 | → 日本語テストガイド

🔥 News

• [05/19/2026] v0.5.0 — 멀티 도메인 실험 에이전트 + ARC-Bench — 두 가지 주요 업데이트. (1) 도메인 특화 실행 에이전트: 실험 단계(10~13단계)가 기본 ML 샌드박스를 넘어 분야별 전문 에이전트로 라우팅됩니다 — 고에너지 물리(ColliderAgent: FeynRules → MadGraph5 → Delphes, Magnus 클라우드 경유), 생물학(COBRApy 게놈 규모 대사 모델링), 통계학(시뮬레이션 연구 에이전트). 화학/재료는 범용 Docker 실행기가 담당합니다. 파이프라인은 연구 도메인에 따라 적절한 실행기를 자동 선택합니다. (2) ARC-Bench: 55개 주제의 개방형 자율 연구 벤치마크로 **ML(25), 고에너지 물리(10), 양자(10), 생물(7), 통계(3)**를 포괄하며, 각 주제마다 매니페스트와 채점 루브릭이 포함됩니다 (experiments/arc_bench/, 그리고 🤗 Hugging Face에서도 제공). → 도메인 통합 가이드
• [04/01/2026] v0.4.0 — Human-in-the-Loop 코파일럿 시스템 — AutoResearchClaw는 더 이상 순수 자율 시스템이 아닙니다. 새로운 HITL 시스템은 6가지 개입 모드(full-auto, gate-only, checkpoint, step-by-step, co-pilot, custom), 단계별 정책, 깊은 인간-AI 협업을 추가합니다. 포함 사항: 가설 공동 창작을 위한 아이디어 워크숍, 실험 설계 검토를 위한 베이스라인 내비게이터, 협력적 작성을 위한 논문 코라이터, SmartPause(신뢰도 기반 동적 개입), ALHF 개입 학습, 반환각 클레임 검증, 비용 예산 가드레일, 병렬 가설 탐색을 위한 파이프라인 분기, CLI 명령어(attach/status/approve/reject/guide). → 전체 HITL 가이드
• [03/30/2026] 유연한 스킬 로딩 — AutoResearchClaw는 이제 모든 분야의 오픈소스 및 커스텀 스킬을 로딩하여 연구 경험을 더욱 향상시킬 수 있습니다. 과학적 글쓰기, 실험 설계, 화학, 생물학 등을 포괄하는 20개의 사전 로드된 스킬이 즉시 사용 가능한 참고자료로 포함되어 있으며, 커뮤니티가 기여한 A-Evolve 에이전트 진화 스킬도 포함됩니다. researchclaw skills install로 직접 로드하거나 .claude/skills/에 SKILL.md를 추가하세요. 스킬 라이브러리 참조.
• [03/22/2026] v0.3.2 — 크로스 플랫폼 지원 + 주요 안정성 개선 — ACP 호환 AI 에이전트 백엔드(Claude Code, Codex CLI, Copilot CLI, Gemini CLI, Kimi CLI) 지원 및 OpenClaw 브릿지를 통한 메시징 플랫폼(Discord, Telegram, Lark, WeChat) 지원 추가. 새로운 CLI-agent 코드 생성 백엔드가 Stage 10 및 13을 외부 CLI 에이전트에 위임하며, 예산 제어 및 타임아웃 관리를 지원. 반데이터 조작 시스템(VerifiedRegistry + 실험 진단 및 복구 루프), 100건 이상의 버그 수정, 모듈러 executor 리팩토링, --resume 자동 감지, LLM 재시도 강화, 커뮤니티 보고 수정 포함.

⚡ 하나의 명령. 하나의 논문.

# 완전 자율 — 인간 개입 없음
pip install -e . && researchclaw setup && researchclaw init && researchclaw run --topic "Your research idea here" --auto-approve

# 코파일럿 모드 — 주요 의사결정 지점에서 AI와 협업
researchclaw run --topic "Your research idea here" --mode co-pilot

🤔 이것은 무엇인가요?

당신이 생각하면, AutoResearchClaw가 씁니다. 당신이 핵심 결정을 안내합니다.

연구 주제를 입력하면 — OpenAlex, Semantic Scholar, arXiv의 실제 문헌, 하드웨어 인식 샌드박스 실험 (GPU/MPS/CPU 자동 감지), 통계 분석, 멀티 에이전트 피어 리뷰, NeurIPS/ICML/ICLR 대상 학회 수준 LaTeX를 포함한 완전한 학술 논문을 받을 수 있습니다. 완전 자율로 실행하거나, 코파일럿 모드를 사용하여 중요한 의사결정 지점에서 AI를 안내하세요 — 연구 방향 선택, 실험 설계 검토, 논문 공동 작성. 환각된 참고문헌이 없습니다.

파이프라인은 처음부터 끝까지 실행됩니다 — 완전 자율 또는 Human-in-the-Loop 협업. 실험이 실패하면 자가 복구합니다. 가설이 성립하지 않으면 방향을 전환합니다. 인용이 가짜면 삭제합니다. 당신이 조향하고 싶을 때, 파이프라인이 멈추고 경청합니다.

🌍 어디서든 실행 가능. AutoResearchClaw는 특정 플랫폼에 종속되지 않습니다. CLI로 독립 실행하거나, OpenClaw에 연결하거나, ACP 호환 AI 에이전트 —— 🤖 Claude Code, 💻 Codex CLI, 🐙 Copilot CLI, ♊ Gemini CLI, 🌙 Kimi CLI 등 —— 와 연동할 수 있습니다. OpenClaw의 메시지 브릿지 덕분에 💬 Discord, ✈️ Telegram, 🐦 Lark(飞书), 💚 WeChat 등 팀이 이미 사용 중인 플랫폼에서 연구를 시작할 수 있습니다. 주제 하나 입력하면 논문 하나 완성 — 어디서 입력하든 상관없습니다.

🚀 빠른 시작

# 1. 클론 & 설치
git clone https://github.com/aiming-lab/AutoResearchClaw.git
cd AutoResearchClaw
python3 -m venv .venv && source .venv/bin/activate
pip install -e .

# 2. 설정 (대화형 — OpenCode Beast Mode 설치, Docker/LaTeX 확인)
researchclaw setup

# 3. 구성
researchclaw init          # 대화형: LLM 제공자 선택, config.arc.yaml 생성
# 또는 수동: cp config.researchclaw.example.yaml config.arc.yaml

# 4. 실행
export OPENAI_API_KEY="sk-..."
researchclaw run --config config.arc.yaml --topic "Your research idea" --auto-approve

출력 → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/ — 컴파일 가능한 LaTeX, BibTeX, 실험 코드, 차트.

project:
  name: "my-research"

research:
  topic: "Your research topic here"

llm:
  base_url: "https://api.openai.com/v1"
  api_key_env: "OPENAI_API_KEY"
  primary_model: "gpt-4o"
  fallback_models: ["gpt-4o-mini"]

experiment:
  mode: "sandbox"
  sandbox:
    python_path: ".venv/bin/python"

🧠 차별화 요소

🦞 OpenClaw 통합

AutoResearchClaw는 OpenClaw 호환 서비스입니다. OpenClaw에 설치하고 단일 메시지로 자율 연구를 시작하거나 — CLI, Claude Code 또는 기타 AI 코딩 어시스턴트를 통해 독립적으로 사용하세요.

🚀 OpenClaw와 함께 사용 (권장)

OpenClaw을 이미 AI 어시스턴트로 사용하고 있다면:

1️⃣  GitHub 저장소 URL을 OpenClaw에 공유
2️⃣  OpenClaw이 자동으로 RESEARCHCLAW_AGENTS.md를 읽고 → 파이프라인을 이해
3️⃣  "Research [주제]"라고 말하기
4️⃣  완료 — OpenClaw이 클론, 설치, 설정, 실행, 결과 반환까지 자동 처리

그게 전부입니다. OpenClaw이 git clone, pip install, 설정 구성, 파이프라인 실행을 자동으로 처리합니다. 채팅만 하면 됩니다.

🔌 OpenClaw 브릿지 (고급)

더 깊은 통합을 위해 AutoResearchClaw는 6가지 선택적 기능을 갖춘 브릿지 어댑터 시스템을 포함합니다:

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ 예약된 연구 실행
  use_message: true           # 💬 진행 상황 알림 (Discord/Slack/Telegram)
  use_memory: true            # 🧠 세션 간 지식 영속성
  use_sessions_spawn: true    # 🔀 동시 단계를 위한 병렬 서브세션 생성
  use_web_fetch: true         # 🌐 문헌 검토 중 실시간 웹 검색
  use_browser: false          # 🖥️ 브라우저 기반 논문 수집

각 플래그는 타입이 지정된 어댑터 프로토콜을 활성화합니다. OpenClaw이 이러한 기능을 제공하면 어댑터가 코드 변경 없이 이를 소비합니다. 전체 세부 사항은 integration-guide.md를 참조하세요.

ACP (Agent Client Protocol)

AutoResearchClaw는 모든 ACP 호환 코딩 에이전트를 LLM 백엔드로 사용할 수 있습니다 — API 키가 필요 없습니다. 에이전트는 acpx를 통해 통신하며, 전체 23개 파이프라인 단계에 걸쳐 단일 영구 세션을 유지합니다.

# config.yaml — ACP 예시
llm:
  provider: "acp"
  acp:
    agent: "claude"   # 모든 ACP 호환 에이전트 CLI 명령어
    cwd: "."          # 에이전트의 작업 디렉토리
  # base_url이나 api_key 불필요 — 에이전트가 자체 인증을 처리합니다.

# 바로 실행 — 에이전트가 자체 자격 증명 사용
researchclaw run --config config.yaml --topic "Your research idea" --auto-approve

🛠️ 기타 실행 방법

🔬 파이프라인: 23단계, 8페이즈

페이즈 A: 연구 범위 설정            페이즈 E: 실험 실행
  1. TOPIC_INIT                      12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE               13. ITERATIVE_REFINE  ← 자가 복구

페이즈 B: 문헌 탐색                페이즈 F: 분석 및 의사결정
  3. SEARCH_STRATEGY                 14. RESULT_ANALYSIS    ← 멀티 에이전트
  4. LITERATURE_COLLECT  ← 실제 API  15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN   [게이트]
  6. KNOWLEDGE_EXTRACT               페이즈 G: 논문 작성
                                     16. PAPER_OUTLINE
페이즈 C: 지식 종합                   17. PAPER_DRAFT
  7. SYNTHESIS                       18. PEER_REVIEW        ← 증거 확인
  8. HYPOTHESIS_GEN    ← 토론        19. PAPER_REVISION

페이즈 D: 실험 설계               페이즈 H: 최종화
  9. EXPERIMENT_DESIGN   [게이트]      20. QUALITY_GATE      [게이트]
 10. CODE_GENERATION                 21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING               22. EXPORT_PUBLISH     ← LaTeX
                                     23. CITATION_VERIFY    ← 관련성 확인

게이트 단계 (5, 9, 20)는 사람의 승인을 기다리거나 --auto-approve로 자동 승인합니다. 거부 시 파이프라인이 롤백됩니다.

코파일럿 모드 (--mode co-pilot): 7-8단계(아이디어 워크숍), 9단계(베이스라인 내비게이터), 16-17단계(논문 코라이터)에서 깊은 인간-AI 협업. 나머지 단계는 SmartPause 모니터링과 함께 자동 실행.

의사결정 루프: 15단계에서 REFINE (→ 13단계) 또는 PIVOT (→ 8단계)을 트리거할 수 있으며, 산출물 버전 관리가 자동으로 이루어집니다.

✨ 주요 기능

🧑‍✈️ Human-in-the-Loop 코파일럿

AutoResearchClaw v0.4.0은 완전한 Human-in-the-Loop (HITL) 시스템을 도입하여 파이프라인을 순수 자율 시스템에서 인간-AI 협력 연구 엔진으로 전환합니다. 참여 수준을 선택하세요:

개입 모드

코파일럿 워크플로우

You: researchclaw run --topic "양자 노이즈를 신경망 정규화로 활용" --mode co-pilot

파이프라인이 1-7단계를 자동 실행...

  ┌─────────────────────────────────────────────────────────────┐
  │  HITL | Stage 08: HYPOTHESIS_GEN                            │
  │  Post-stage review                                          │
  │                                                             │
  │  Hypotheses mentioned: 3                                    │
  │  Novelty score: 0.72 (moderate)                             │
  │                                                             │
  │  [a] Approve  [r] Reject  [e] Edit  [c] Collaborate         │
  │  [i] Inject guidance  [v] View output  [q] Abort            │
  └─────────────────────────────────────────────────────────────┘

You: c  (협업 채팅 시작)
You: 가설 3이 흥미롭지만 Dropout/Label Smoothing을 베이스라인으로 추가해야 합니다
AI:  업데이트 완료 — Dropout, Label Smoothing, MixUp, CutMix을 베이스라인으로 추가했습니다...
You: approve

파이프라인이 수정된 가설로 계속 진행...

CLI 명령어

# HITL 모드로 시작
researchclaw run --topic "..." --mode co-pilot

# 일시 정지된 파이프라인에 연결 (다른 터미널에서)
researchclaw attach artifacts/rc-2026-xxx

# 파이프라인 및 HITL 상태 확인
researchclaw status artifacts/rc-2026-xxx

# 다른 터미널이나 스크립트에서 승인/거부
researchclaw approve artifacts/rc-2026-xxx --message "LGTM"
researchclaw reject artifacts/rc-2026-xxx --reason "핵심 베이스라인 누락"

# 단계에 가이던스 주입 (실행 전에도 가능)
researchclaw guide artifacts/rc-2026-xxx --stage 9 --message "ResNet-50을 주요 베이스라인으로 사용"

주요 기능

설정

# config.arc.yaml
hitl:
  enabled: true
  mode: co-pilot                     # full-auto | gate-only | checkpoint | co-pilot | custom
  cost_budget_usd: 50.0              # 비용이 예산을 초과하면 일시 정지 (0 = 제한 없음)

  notifications:
    on_pause: true
    on_quality_drop: true
    channels: ["terminal"]            # terminal | slack | webhook

  timeouts:
    default_human_timeout_sec: 86400  # 24시간 기본 대기
    auto_proceed_on_timeout: false

  collaboration:
    max_chat_turns: 50
    save_chat_history: true

  # 단계별 커스텀 정책 (선택, 'custom' 모드용)
  stage_policies:
    8: { require_approval: true, enable_collaboration: true }
    9: { require_approval: true, allow_edit_output: true }

하위 호환성

• 기본값: 꺼짐. hitl.enabled: true 또는 --mode 없이는 파이프라인이 이전과 정확히 동일하게 동작합니다.
• --auto-approve는 그대로 작동. HITL 모드를 오버라이드합니다.
• 기존 2,699개 테스트 모두 통과 (HITL 코드 포함).

🧠 MetaClaw 통합

AutoResearchClaw + MetaClaw = 모든 실행에서 학습하는 파이프라인.

MetaClaw는 AutoResearchClaw에 교차 실행 지식 전이를 추가합니다. 활성화되면 파이프라인이 실패와 경고에서 자동으로 교훈을 추출하고, 이를 재사용 가능한 스킬로 변환하여 후속 실행의 전체 23단계에 주입합니다 — 같은 실수를 다시 반복하지 않습니다.

작동 방식

Run N executes → failures/warnings captured as Lessons
                      ↓
          MetaClaw Lesson → Skill conversion
                      ↓
          arc-* Skill files stored in ~/.metaclaw/skills/
                      ↓
Run N+1 → build_overlay() injects skills into every LLM prompt
                      ↓
          LLM avoids known pitfalls → higher quality, fewer retries

빠른 설정

# 1. MetaClaw 설치 (미설치 시)
pip install metaclaw

# 2. 설정에서 활성화

# config.arc.yaml
metaclaw_bridge:
  enabled: true
  proxy_url: "http://localhost:30000"        # MetaClaw 프록시 (선택)
  skills_dir: "~/.metaclaw/skills"          # 스킬 저장 위치
  fallback_url: "https://api.openai.com/v1" # 직접 LLM 폴백
  fallback_api_key: ""                      # 폴백 URL의 API 키
  lesson_to_skill:
    enabled: true
    min_severity: "warning"                 # warning + error 변환
    max_skills_per_run: 3

# 3. 평소대로 실행 — MetaClaw가 투명하게 작동
researchclaw run --config config.arc.yaml --topic "Your idea" --auto-approve

각 실행 후 ~/.metaclaw/skills/arc-*/SKILL.md를 확인하여 파이프라인이 학습한 스킬을 확인하세요.

실험 결과

대조 A/B 실험 (동일 주제, 동일 LLM, 동일 설정):

종합 견고성 점수는 단계 완료율 (40%), 재시도 감소 (30%), Refine 사이클 효율성 (30%)의 가중 평균입니다.

하위 호환성

• 기본값: 꺼짐. metaclaw_bridge가 없거나 enabled: false이면 파이프라인은 이전과 정확히 동일하게 동작합니다.
• 새로운 종속성 없음. MetaClaw는 선택 사항입니다 — 핵심 파이프라인은 MetaClaw 없이도 동작합니다.
• 기존 2,699개 테스트 모두 통과 (통합 코드 포함).

🧩 스킬 라이브러리

AutoResearchClaw는 이제 연구 경험을 더욱 향상시키기 위해 오픈소스 및 커스텀 스킬 로딩을 지원합니다. 과학적 글쓰기, 문헌 검색, 화학, 생물학 등을 포괄하는 20개의 사전 로드된 내장 스킬도 즉시 사용 가능한 참고자료로 제공되어 높은 유연성을 제공합니다. frontmatter에 enabled: false를 추가하여 스킬을 비활성화할 수 있습니다.

내장 스킬 예시:

researchclaw skills list로 20개 전체 스킬을 확인하세요.

직접 스킬 로딩

# 옵션 1: 스킬 설치 (프로젝트 간 영구 유지)
researchclaw skills install /path/to/my-skill/

# 옵션 2: 프로젝트에 SKILL.md 추가
mkdir -p .claude/skills/my-custom-skill
# YAML frontmatter(name, description, trigger-keywords, applicable-stages)가 포함된 SKILL.md를 생성

# 옵션 3: config.arc.yaml에서 공유 스킬 디렉토리 설정
# skills:
#   custom_dirs:
#     - /path/to/team-shared-skills

스킬 사용

스킬은 자동으로 로드되어 LLM 프롬프트에 주입됩니다 — 수동 활성화가 필요 없습니다. CLI로 확인:

researchclaw skills list               # 소스와 함께 로드된 모든 스킬 표시
researchclaw skills validate ./my-skill # SKILL.md 형식 확인

커뮤니티 스킬 찾아보기: K-Dense-AI/claude-scientific-skills (여러 분야에 걸친 150개 이상의 과학 스킬).

⚙️ 설정 참고서

# === 프로젝트 ===
project:
  name: "my-research"              # 프로젝트 식별자
  mode: "docs-first"               # docs-first | semi-auto | full-auto

# === 연구 ===
research:
  topic: "..."                     # 연구 주제 (필수)
  domains: ["ml", "nlp"]           # 문헌 검색용 연구 분야
  daily_paper_count: 8             # 검색 쿼리당 목표 논문 수
  quality_threshold: 4.0           # 논문 최소 품질 점수

# === 런타임 ===
runtime:
  timezone: "America/New_York"     # 타임스탬프용
  max_parallel_tasks: 3            # 동시 실험 제한
  approval_timeout_hours: 12       # 게이트 단계 타임아웃
  retry_limit: 2                   # 단계 실패 시 재시도 횟수

# === LLM ===
llm:
  provider: "openai-compatible"    # openai | openrouter | deepseek | minimax | acp | openai-compatible
  base_url: "https://..."          # API 엔드포인트 (openai-compatible 필수)
  api_key_env: "OPENAI_API_KEY"    # API 키용 환경 변수 (openai-compatible 필수)
  api_key: ""                      # 또는 키를 직접 입력
  primary_model: "gpt-4o"          # 기본 모델
  fallback_models: ["gpt-4o-mini"] # 폴백 체인
  s2_api_key: ""                   # Semantic Scholar API 키 (선택, 더 높은 속도 제한)
  acp:                             # provider: "acp" 인 경우에만 사용
    agent: "claude"                # ACP 에이전트 CLI 명령어 (claude, codex, gemini 등)
    cwd: "."                       # 에이전트의 작업 디렉토리

# === 실험 ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 300             # 실행당 최대 실행 시간 (기본값: 300초)
  max_iterations: 10               # 최대 최적화 반복 횟수
  metric_key: "val_loss"           # 기본 메트릭 이름
  metric_direction: "minimize"     # minimize | maximize
  sandbox:
    python_path: ".venv/bin/python"
    gpu_required: false
    allowed_imports: [math, random, json, csv, numpy, torch, sklearn]
    max_memory_mb: 4096
  docker:
    image: "researchclaw/experiment:latest"
    network_policy: "setup_only"   # none | setup_only | pip_only | full
    gpu_enabled: true
    memory_limit_mb: 8192
    auto_install_deps: true        # import 자동 감지 → requirements.txt
  ssh_remote:
    host: ""                       # GPU 서버 호스트명
    gpu_ids: []                    # 사용 가능한 GPU ID
    remote_workdir: "/tmp/researchclaw_experiments"
  opencode:                          # OpenCode Beast Mode (`researchclaw setup`으로 자동 설치)
    enabled: true                    # 마스터 스위치 (기본값: true)
    auto: true                       # 확인 없이 자동 트리거 (기본값: true)
    complexity_threshold: 0.2        # 0.0-1.0 — 높을수록 복잡한 실험에서만 트리거
    model: ""                        # 모델 오버라이드 (비어있으면 llm.primary_model 사용)
    timeout_sec: 600                 # OpenCode 생성 최대 초
    max_retries: 1                   # 실패 시 재시도 횟수
    workspace_cleanup: true          # 수집 후 임시 작업 공간 제거

# === 내보내기 ===
export:
  target_conference: "neurips_2025"  # neurips_2025 | iclr_2026 | icml_2026
  authors: "Anonymous"
  bib_file: "references"

# === 프롬프트 ===
prompts:
  custom_file: ""                  # 사용자 정의 프롬프트 YAML 경로 (비어 있으면 기본값)

# === HITL 코파일럿 (v0.4.0 신규) ===
hitl:
  enabled: false                     # true로 설정하여 HITL 활성화
  mode: co-pilot                     # full-auto | gate-only | checkpoint | step-by-step | co-pilot | custom
  cost_budget_usd: 0.0              # USD 비용 한도 (0 = 제한 없음)
  notifications:
    on_pause: true                   # 파이프라인 일시 정지 시 알림
    on_quality_drop: true            # 품질 문제 시 알림
    channels: ["terminal"]           # terminal | slack | webhook
  timeouts:
    default_human_timeout_sec: 86400 # 인간 입력 최대 24시간 대기
    auto_proceed_on_timeout: false   # true이면 타임아웃 시 자동 승인
  collaboration:
    max_chat_turns: 50               # 협업 세션당 최대 턴 수
    save_chat_history: true          # 채팅 로그 영구 저장
  stage_policies: {}                 # 단계별 오버라이드 ('custom' 모드용)

# === 보안 ===
security:
  hitl_required_stages: [5, 9, 20] # 사람의 승인이 필요한 단계
  allow_publish_without_approval: false
  redact_sensitive_logs: true

# === 지식 기반 ===
knowledge_base:
  backend: "markdown"              # markdown | obsidian
  root: "docs/kb"

# === 알림 ===
notifications:
  channel: "console"               # console | discord | slack
  target: ""

# === MetaClaw Bridge (선택) ===
metaclaw_bridge:
  enabled: false                   # true로 설정하여 교차 실행 학습 활성화
  proxy_url: "http://localhost:30000"  # MetaClaw 프록시 URL
  skills_dir: "~/.metaclaw/skills" # arc-* 스킬 저장 위치
  fallback_url: ""                 # 프록시 장애 시 직접 LLM 폴백
  fallback_api_key: ""             # 폴백 엔드포인트의 API 키
  lesson_to_skill:
    enabled: true                  # 교훈을 스킬로 자동 변환
    min_severity: "warning"        # 변환할 최소 심각도
    max_skills_per_run: 3          # 파이프라인 실행당 최대 새 스킬 수
  prm:                             # Process Reward Model 품질 게이트 (선택)
    enabled: false                 # LLM-as-judge를 사용하여 단계 출력 점수 매기기
    model: "gpt-5.4"              # PRM 심사 모델
    votes: 3                       # 다수결 투표 수
    gate_stages: [5, 9, 15, 20]   # PRM 게이트를 적용할 단계

# === OpenClaw 브릿지 ===
openclaw_bridge:
  use_cron: false                  # 예약된 연구 실행
  use_message: false               # 진행 상황 알림
  use_memory: false                # 세션 간 지식 영속성
  use_sessions_spawn: false        # 병렬 서브세션 생성
  use_web_fetch: false             # 실시간 웹 검색
  use_browser: false               # 브라우저 기반 논문 수집

🙏 감사의 말

다음 프로젝트에서 영감을 받았습니다:

• 🔬 AI Scientist (Sakana AI) — 자동화 연구의 선구자
• 🧠 AutoResearch (Andrej Karpathy) — 엔드투엔드 연구 자동화
• 🌐 FARS (Analemma) — 완전 자동 연구 시스템

📄 라이선스

MIT — 자세한 내용은 LICENSE를 참조하세요.

📌 인용

AutoResearchClaw가 유용했다면, 아래를 인용해 주세요:

@misc{liu2026autoresearchclawselfreinforcingautonomousresearch,
      title={AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration},
      author={Jiaqi Liu and Shi Qiu and Mairui Li and Bingzhou Li and Haonian Ji and Siwei Han and Xinyu Ye and Peng Xia and Zihan Dong and Congyu Zhang and Letian Zhang and Guiming Chen and Haoqin Tu and Xinyu Yang and Lu Feng and Xujiang Zhao and Haifeng Chen and Jiawei Zhou and Xiao Wang and Weitong Zhang and Hongtu Zhu and Yun Li and Jieru Mei and Hongliang Fei and Jiaheng Zhang and Linjie Li and Linjun Zhang and Yuyin Zhou and Sheng Wang and Caiming Xiong and James Zou and Zeyu Zheng and Cihang Xie and Mingyu Ding and Huaxiu Yao},
      year={2026},
      eprint={2605.20025},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2605.20025},
}

_{Built with 🦞 by the AutoResearchClaw team}