autoresearch-sibylsystem
全自主AI科学家，从想法到论文零人工干预
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：autoresearch-sibylsystem。 它的用途是：全自主AI科学家，从想法到论文零人工干预 完整的 Skill 内容见：https://321skill.com/skills/autoresearch-sibylsystem/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我研究一下对比学习在少样本图像分类中的最新进展，并设计一组实验验证一种新的负样本构建方法是否有效。” 它会自动搜索相关文献，组织代理辩论提出具体假设，为你生成实验代码并在GPU上运行，最后将实验结果和分析整理成一篇结构完整的论文草稿。
介绍
Sibyl Research System 旨在解决机器学习研究过程中耗时耗力、迭代缓慢的问题。它是一个完全自主的AI科学家，能够接管从文献调研、假设生成、GPU实验设计执行，到最终论文撰写与评审的整个端到端研究流程，将研究者从重复性工作中解放出来，专注于更高层次的思考与决策。
使用时，用户只需提供一个初始的研究想法或方向，Sibyl便会启动其包含20多个专业代理的团队。这些代理会进行多轮辩论来完善想法，规划并并行执行GPU实验，根据实验结果自动迭代优化方案，并最终协作撰写符合顶级会议（如NeurIPS）标准的学术论文，整个过程无需人工介入。
该工具非常适合学术研究者、高校学生以及需要进行算法探索和论文产出的AI工程师。它能够帮助研究者快速验证大量想法，自动化完成实验和写作的繁重工作，从而加速研究周期。
使用建议：由于涉及GPU资源调用和自动化实验，建议在可控的算力环境下（如个人工作站或云服务器）初步运行，并仔细检查其生成的实验计划和论文初稿。系统虽自主，但研究方向的设定和最终成果的评估仍需用户把关。
核心特点
其核心在于“双循环架构”：内循环驱动单个研究项目在多维度（假设、实验、写作）上自动迭代直至达标；外循环使系统能从所有项目中学习，不断优化自身的代理提示词和调度策略，实现自我进化，让系统越用越聪明。
注意事项
不适合需要高度创造性、非结构化或依赖特定领域隐性知识（如某些理论证明）的研究探索。
常见问题
Sibyl真的能写出能发表的论文吗？
它能生成符合顶级会议格式和结构的完整论文初稿，包括实验、图表和分析，但最终投稿前仍需研究者进行深度审阅和润色。
运行它需要什么配置？
需要Python 3.12+环境、可访问的GPU资源（用于实验）、以及Claude Code运行环境来驱动其多代理生态。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/autoresearch-sibylsystem/raw/index.md 读取 autoresearch-sibylsystem 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/autoresearch-sibylsystem/raw/index.md（查看排版版本）