文章目录

• • 前言
  • 一、通用科研基础工具
  • • 1.1 论文检索
    • 1.2 文献管理
    • 1.3 私有知识库 / RAG 框架
  • 二、计算机领域专项工具
  • • 2.1 自主科研 Agent
    • • AI-Researcher（港大 · NeurIPS 2025）
      • Auto-Deep-Research（港大同组）
    • 2.2 综述与报告生成
    • • STORM（Stanford）
      • Open Deep Research（LangChain）
    • 2.3 代码与实验辅助
    • • OpenHands
    • 2.4 科研技能库（面向 Agent 开发者）
    • 2.5 CS 领域选型建议
  • 三、金融领域专项工具
  • • 3.1 金融大语言模型
    • • FinGPT
      • FinRobot
    • 3.2 量化投资框架
    • • Qlib（微软）
      • vn.py
      • RD-Agent（微软）
    • 3.3 金融研究数据与基准
    • 3.4 金融领域选型建议
  • 四、全领域工具总览
  • 五、趋势观察
  • 结论
  • 参考资料

标签：AI科研 开源工具 量化投资 LLM RAG Agent FinGPT Qlib

大语言模型（LLM，Large Language Model）正在重塑科研范式。过去需要数周的文献综述、数天的实验脚本，现在借助 AI Agent 可以压缩到数小时完成。

但工具爆炸带来的问题是：选哪个？怎么组合？

本文聚焦 计算机 和 金融 两个领域，从自主科研 Agent、代码实验辅助、量化投资框架、金融大模型四个维度，梳理目前最值得关注的开源项目，并给出具体的选型建议。

这些工具在两个领域都有广泛应用，建议优先了解。

1.1 论文检索

1.2 文献管理

Zotero --- 开源，免费，跨平台。v7 版本支持 PDF 智能重命名、AI 自动标签、WebDAV 云同步，是目前生态最完善的文献管理工具。唯一的局限是存储空间默认只有 300MB，超出需要自建 WebDAV 或付费。

Litmaps --- 可视化文献引用关系网络，适合做 Survey 时快速发现"漏掉"的重要文献，数据来源覆盖 arXiv、PubMed、Web of Science。

1.3 私有知识库 / RAG 框架

RAG（Retrieval-Augmented Generation，检索增强生成）是当前搭建私有文献知识库的主流技术路线。

2.1 自主科研 Agent

这是近两年最令人兴奋的方向------让 AI 自己完成从想法到论文的全流程。

AI-Researcher（港大 · NeurIPS 2025）

• 仓库 ：HKUDS/AI-Researcher
• 论文 ：AI-Researcher: Autonomous Scientific Innovation

覆盖完整研究生命周期：文献调研 → 假设生成 → 算法实现 → 论文撰写，极少需要人工干预。支持两种输入模式：

在线体验：novix.science/chat

注意：全自动生成的论文仍需人工审核，目前在创意性和实验严谨性上存在局限，更适合作为"研究加速器"而非"替代研究者"。

Auto-Deep-Research（港大同组）

• 仓库 ：HKUDS/Auto-Deep-Research
• 定位：个人全自动深度研究助手，侧重信息综合与结构化报告输出，适合快速生成领域综述初稿。

2.2 综述与报告生成

STORM（Stanford）

• 仓库 ：stanford-oval/storm
• 能力：给定一个主题，自动完成多轮网络检索，生成带引用的 Wikipedia 风格长篇综述。
• 适用：写 Survey 前的背景调研、快速了解陌生领域。
• 局限：生成内容的深度依赖联网搜索质量，细分前沿方向效果有限。

Open Deep Research（LangChain）

• 仓库 ：langchain-ai/open-deep-research
• 能力：自主规划搜索策略 → 多步推理 → 生成带引用的结构化报告，MIT 协议完全开源。
• 与 STORM 的区别：STORM 偏向百科式综述，Open Deep Research 更擅长回答具体的研究问题。

2.3 代码与实验辅助

OpenHands

• 仓库 ：All-Hands-AI/OpenHands
• 能力：在 Docker 沙箱中自主运行代码、安装依赖、调试、复现实验，支持与 GitHub 联动。
• 适用：CS 实验性研究中需要频繁跑实验、调参、复现 baseline 的场景。
• 局限：长时间复杂任务容易跑偏，仍需人工监督关键节点。

2.4 科研技能库（面向 Agent 开发者）

如果你想基于现有 LLM 搭建自己的科研 Agent，以下两个技能库可以大幅缩短开发时间：

2.5 CS 领域选型建议

3.1 金融大语言模型

FinGPT

• 仓库 ：AI4Finance-Foundation/FinGPT
• 论文 ：FinGPT: Open-Source Financial Large Language Models
• 核心能力：金融情感分析、市场预测辅助、财报解读，基于 LoRA 微调，成本低、可复现。
• 数据覆盖：彭博、雅虎财经、Reddit、SEC 财报等多源金融数据。

快速上手示例（金融情感分析）：

 
     
    
       
 
        
from transformers import AutoTokenizer, AutoModelForCausalLM 
 
        
import torch
 
        
model_name = "FinGPT/fingpt-sentiment_llama2-13b_lora" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map="auto")
 
        
prompt = """Instruction: What is the sentiment of this news? Please choose an answer from {negative/neutral/positive}. Input: Apple reported record quarterly revenue of $123.9 billion. Answer: """
 
        
inputs = tokenizer(prompt, return_tensors="pt").to(model.device) output = model.generate(inputs, max_new_tokens=10) print(tokenizer.decode(output[0], skip_special_tokens=True))
 
        
预期输出：positive
 
       

局限：FinGPT 目前主要基于 LLaMA 2 微调，模型本身知识截止于训练数据日期，实时行情分析需要结合外部数据接口。

FinRobot

• 仓库 ：AI4Finance-Foundation/FinRobot
• 定位：基于 LLM 的金融分析 AI Agent 平台，支持接入多种 LLM 后端（OpenAI / 开源模型均可）。
• 能力：自动生成投研报告、财报深度分析、市场趋势解读。
• 与 FinGPT 的关系 ：FinGPT 是模型层 （专注于金融 NLP 任务），FinRobot 是Agent 应用层（面向实际金融分析工作流），两者由同一团队维护，配合使用效果**。

3.2 量化投资框架

Qlib（微软）

• 仓库 ：microsoft/qlib
• Stars：~17k
• 定位：面向机器学习 / 深度学习的量化投研全流程研究平台。

# Qlib 快速开始 import qlib from qlib.constant import REG_CN # 初始化（使用 A 股数据） qlib.init(provider_uri="~/.qlib/qlib_data/cn_data", region=REG_CN) from qlib.contrib.model.gbdt import LGBModel from qlib.contrib.data.handler import Alpha158 # 使用内置 Alpha158 因子集训练 LightGBM 模型 handler = Alpha158(instruments="csi300", start_time="2018-01-01", end_time="2023-12-31") model = LGBModel() # 后续：model.fit() → 回测 → 绩效分析

Qlib 工作流：

 
     
    
       
 
        
数据获取 → 特征工程（Alpha 因子）→ 模型训练 → 策略回测 → 组合优化 → 绩效分析
 
       
 
     
    
       
 
       

vn.py

• 仓库 ：vnpy/vnpy
• Stars：~28k（国内 Stars 最多的量化框架）
• 定位：从策略开发到实盘交易的一站式量化平台。
• 支持品种：A 股、期货、数字货币、外汇、期权等。
• 特点：中文生态完善，文档详细，有活跃社区，适合快速工程落地。
• 局限：框架设计偏向中低频策略，高频交易性能存在瓶颈；不支持港股期权。

RD-Agent（微软）

• 仓库 ：microsoft/RD-Agent
• 定位 ：LLM + 量化系统结合，自动化因子挖掘与策略研究。
• 核心创新：利用大模型自动生成候选因子代码 → 执行回测验证 → 迭代优化，大幅降低因子研发的人工成本。
• 适合：希望用 AI 加速因子研究流程的量化团队，目前仍处于快速迭代阶段。

3.3 金融研究数据与基准

做金融 LLM 研究，这几个资源可以直接用于论文实验对比：

3.4 金融领域选型建议

1. 科研自动化进入实用阶段

AI-Researcher（NeurIPS 2025）标志着"概念到论文"的全链路自动化已从 Demo 走向可部署的系统。但需要清醒认识：当前 AI 自主科研在原创性和严谨性上仍有明显局限，更适合定位为"效率倍增器"而非"研究替代者"。

2. 量化研究与 LLM 深度融合

RD-Agent 等项目表明，LLM 正在进入量化研究的核心环节——因子挖掘。根据公开数据，AI 驱动的因子生成可将筛选周期从数周压缩到数天，头部量化私募已在大规模招募 AI 相关研究人员。

3. 开源生态加速分化

GitHub 上 AI 相关仓库 2025 年同比增长 178%，但真正高质量、可落地的项目仍是少数。本文收录的项目均来自知名机构（微软、斯坦福、港大、LangChain）或经过大规模社区验证（Stars > 7k），可以作为可信的起点。

4. 垂直领域工具构建在通用框架之上

FinRobot、AI-Researcher 等垂直工具越来越多地基于 RAGFlow、AutoGen、LangChain 等通用框架构建。这意味着掌握通用框架是使用垂直工具的前提，建议先熟悉 RAGFlow 或 LangChain 的基本用法。

本文系统梳理了计算机和金融两大领域中最值得关注的 AI 科研辅助开源项目，核心结论如下：

• CS 科研 ：自动写论文找 AI-Researcher ，跑实验找 OpenHands ，写综述找 STORM
• 金融量化 ：学术研究用 Qlib ，工程落地用 vn.py ，金融 NLP 用 FinGPT
• 通用基础 ：文献管理用 Zotero ，私有知识库用 RAGFlow

• HKUDS/AI-Researcher — NeurIPS 2025
• AI4Finance-Foundation/FinGPT
• AI4Finance-Foundation/FinRobot
• microsoft/qlib
• microsoft/RD-Agent
• vnpy/vnpy
• infiniflow/ragflow
• stanford-oval/storm
• langchain-ai/open-deep-research
• Semantic Scholar
• Top AI GitHub Repositories in 2026 — ByteByteGo