Denario

Denario

概述

Denario 是一个多代理 AI 系统，旨在自动化从初始数据分析到发表就绪手稿的科学研究工作流。基于 AG2 和 LangGraph 框架构建，它协调多个专业代理来处理假设生成、方法开发、计算分析和论文写作。

何时使用此技能

在以下情况下使用此技能：

• 分析数据集以生成新颖的研究假设
• 开发结构化的研究方法
• 执行计算实验并生成可视化
• 进行文献检索以获取研究背景
• 从研究结果编写期刊格式的 LaTeX 论文
• 自动化从数据到发表的完整研究管道

安装

使用 uv（推荐）安装 denario：

uv init
uv add "denario[app]"

或使用 pip：

uv pip install "denario[app]"

对于 Docker 部署或从源代码构建，请参阅 references/installation.md。

LLM API 配置

Denario 需要来自支持的 LLM 提供商的 API 密钥。支持的提供商包括：

• Google Vertex AI
• OpenAI
• 其他与 AG2/LangGraph 兼容的 LLM 服务

使用环境变量或 .env 文件安全地存储 API 密钥。有关包括 Vertex AI 设置在内的详细配置说明，请参阅 references/llm_configuration.md。

核心研究工作流

Denario 遵循结构化的四阶段研究管道：

1. 数据描述

通过指定可用数据和工具来定义研究背景：

from denario import Denario

den = Denario(project_dir="./my_research")
den.set_data_description("""
可用数据集：X 和 Y 的时间序列数据
工具：pandas、sklearn、matplotlib
研究领域：[指定领域]
""")

2. 想法生成

从数据描述生成研究假设：

den.get_idea()

这将根据描述的数据产生研究问题或假设。或者，提供自定义想法：

den.set_idea("自定义研究假设")

3. 方法开发

开发研究方法：

den.get_method()

这创建调查假设的结构化方法。也可以接受带有自定义方法的 markdown 文件：

den.set_method("path/to/methodology.md")

4. 结果生成

执行计算实验并生成分析：

den.get_results()

这将运行方法、执行计算、创建可视化并产生发现。也可以提供预先计算的结果：

den.set_results("path/to/results.md")

5. 论文生成

创建发表就绪的 LaTeX 论文：

from denario import Journal

den.get_paper(journal=Journal.APS)

生成的论文包括为指定期刊的正确格式、集成图表和完整的 LaTeX 源代码。

可用期刊

Denario 支持多种期刊格式样式：

• Journal.APS - 美国物理学会格式
• 其他期刊可能可用；请参阅 references/research_pipeline.md 获取完整列表

启动 GUI

运行图形用户界面：

denario run

这将启动一个用于交互式研究工作流管理的基于 Web 的界面。

常见工作流

端到端研究管道

from denario import Denario, Journal

# 初始化项目
den = Denario(project_dir="./research_project")

# 定义研究背景
den.set_data_description("""
数据集：[现象]的时间序列测量
可用工具：pandas、sklearn、scipy
研究目标：调查[研究问题]
""")

# 生成研究想法
den.get_idea()

# 开发方法
den.get_method()

# 执行分析
den.get_results()

# 创建发表物
den.get_paper(journal=Journal.APS)

混合工作流（自定义 + 自动化）

# 提供自定义研究想法
den.set_idea("使用时间序列分析调查 X 和 Y 之间的相关性")

# 自动生成方法
den.get_method()

# 自动生成结果
den.get_results()

# 生成论文
den.get_paper(journal=Journal.APS)

文献检索集成

有关文献检索功能和额外工作流示例，请参阅 references/examples.md。

高级功能

• 多代理编排：AG2 和 LangGraph 协调用于不同研究任务的专业代理
• 可重复研究：所有阶段产生可版本控制的结构化输出
• 期刊集成：自动格式化以适应目标发表场所
• 灵活输入：每个管道阶段的手动或自动化
• Docker 部署：带有 LaTeX 和所有依赖项的容器化环境

详细参考

有关全面的文档：

• 安装选项：references/installation.md
• LLM 配置：references/llm_configuration.md
• 完整 API 参考：references/research_pipeline.md
• 示例工作流：references/examples.md

故障排除

常见问题和解决方案：

• API 密钥错误：确保正确设置了环境变量（请参阅 references/llm_configuration.md）
• LaTeX 编译：安装 TeX 发行版或使用预安装 LaTeX 的 Docker 镜像
• 包冲突：使用虚拟环境或 Docker 进行隔离
• Python 版本：需要 Python 3.12 或更高版本