NanoResearch 把 Claude Code 变成九阶段科研流水线

LLM 生成的论文有一个可信度问题：数据是编的。1k star 的开源科研引擎 NanoResearch 正是冲着这一点建的——它把生成的代码提交到本地 GPU 或 SLURM 集群上真实执行，收集真实实验结果，再根据实际发生的事写出 LaTeX 论文，而不是照模型想象来写。

为什么这个 Skill 重要

NanoResearch 把自己定义为端到端自主 AI 科研引擎：从研究想法到完整论文，论文中的每一个数据、表格、图表都来自实际运行的实验。流水线深达九个阶段，仓库的 skills/ 目录发布了一批 Claude Code 技能——包括 nanoresearch-ideation、nanoresearch-planning、nanoresearch-experiment 和 nanoresearch-writing——外加一组驱动各阶段的 /project:* 命令。

Claude Code 集成模式无需配置任何 API Key：Claude Code 本身就是研究引擎。按 README 的说法，WebSearch 替代外部 API 进行文献检索（arXiv、Semantic Scholar、Google Scholar），Bash 执行实验代码、提交 SLURM 作业、编译 LaTeX，文件读写则生成实验代码、论文和结构化产物。

安装

克隆仓库并在其中启动 Claude Code：

git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
claude
/project:research "Your Research Topic Here"

实战：逐阶段驱动流水线

完整流水线只需一条命令——/project:research <topic>——同一批技能也按阶段单独暴露：

任何阶段之后都可以跑 /project:status 查看工作空间进展；跑 /project:resume 从最后一个检查点继续——按 README 常见问题的说法，流水线会从最近一个未完成或失败的阶段接着跑。每个阶段的产物都记录在 manifest.json 里，中断的运行会从停下的地方接着跑，而不是从头再来。

Python CLI 在 Claude Code 之外运行同一条流水线，Claude Code 模式创建的工作空间与它完全兼容——两种模式可以在同一个项目里混用。

技巧

• LaTeX 编译用 tectonic 比 pdflatex 效果更好；README 建议用 conda install -c conda-forge tectonic 安装。
• 架构图用图像模型效果更好——README 推荐 Nano Banana 系列，在 figure_gen 阶段通过 Bash 调用。
• 除 Claude Code 外，README 还为 Codex 提供了项目级入口，复用现有的 CLI、workspace、manifest 和 PaperMode 逻辑——不需要第二套流水线或 --mode codex 参数。
• 实验阶段需要真实算力。如果本地 GPU 和 SLURM 集群都不可达，执行阶段就没有东西可跑——引擎的诚实正依赖于此。

何时不用这个 Skill

NanoResearch 首先是计算科研流水线：README 记载了纯论文模式（用 skip_stages 跳过从环境准备到分析的各阶段）和论文草稿辅助用例，但它的立身之本是运行真实实验。如果你的问题只需要一份文献总结，Stage 1 就是相关部分，完整流水线纯属开销。而如果没有 GPU 或集群来跑它设计的实验，规划之后的阶段产不出真实数据——而这恰恰是这个工具的全部意义。

查看 排行榜 了解更多 skill。