Inyectar guia para una etapa (incluso antes de que se ejecute)

Comparte una idea. Obten un articulo. Autonomo, Colaborativo & Auto-evolutivo.

Chatea con OpenClaw: "Investiga X" → hecho.

📄 Nuestro articulo esta en arXiv — ¡ven a leerlo! AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration

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

🏆 Galeria de articulos · 🧑‍✈️ Guia de Co-Piloto · 📖 Guia de integracion · 💬 Comunidad Discord

🏆 Galeria de articulos generados 8 articulos en 8 dominios — matematicas, estadistica, biologia, computacion, NLP, RL, vision, robustez — generados de forma completamente autonoma o con guia de co-piloto Human-in-the-Loop.

🧪 Buscamos testers! Prueba el pipeline con tu propia idea de investigacion — de cualquier campo — y cuentanos que piensas. Tu feedback da forma directamente a la proxima version. → Testing Guide | → 中文测试指南 | → 日本語テストガイド

🔥 News

• [05/19/2026] v0.5.0 — Agentes de experimentacion multidominio + ARC-Bench — Dos actualizaciones principales. (1) Agentes de ejecucion especializados por dominio: la etapa de experimentos (etapas 10–13) ahora va mas alla del sandbox de ML por defecto y enruta a agentes especializados por campo — fisica de altas energias (ColliderAgent: FeynRules → MadGraph5 → Delphes via la nube Magnus), biologia (modelado metabolico a escala genomica con COBRApy) y estadistica (agente de estudios de simulacion), con un ejecutor Docker generico para quimica/materiales. El pipeline selecciona automaticamente el ejecutor adecuado segun el dominio. (2) ARC-Bench: un benchmark de investigacion autonoma abierta de 55 temas que cubre ML (25), fisica de altas energias (10), cuantica (10), biologia (7) y estadistica (3), cada uno con un manifiesto y una rubrica de evaluacion (experiments/arc_bench/, y también en 🤗 Hugging Face). → Guia de integracion de dominios
• [04/01/2026] v0.4.0 — Sistema Co-Piloto Human-in-the-Loop — AutoResearchClaw ya no es puramente autonomo. El nuevo sistema HITL agrega 6 modos de intervencion (full-auto, gate-only, checkpoint, step-by-step, co-pilot, custom), politicas por etapa y colaboracion profunda humano-IA. Incluye: Taller de Ideas para co-creacion de hipotesis, Navegador de Baselines para revision del diseno experimental, Co-Escritor de Articulos para redaccion colaborativa, SmartPause (intervencion dinamica basada en confianza), aprendizaje de intervencion ALHF, verificacion de afirmaciones anti-alucinacion, guardias de presupuesto, ramificacion del pipeline para exploracion paralela de hipotesis, y comandos CLI (attach/status/approve/reject/guide). → Guia HITL completa
• [03/30/2026] Carga Flexible de Habilidades — AutoResearchClaw ahora soporta la carga de habilidades de codigo abierto y personalizadas de cualquier disciplina para mejorar aun mas tu experiencia de investigacion. Se incluyen 20 habilidades precargadas como referencias listas para usar, cubriendo redaccion cientifica, diseno experimental, quimica, biologia y mas — incluyendo una habilidad de evolucion agente A-Evolve contribuida por la comunidad. Carga las tuyas via researchclaw skills install o coloca un SKILL.md en .claude/skills/. Ver Biblioteca de Habilidades.
• [03/22/2026] v0.3.2 — Soporte multiplataforma + estabilidad mayor — AutoResearchClaw ahora funciona con cualquier agente compatible con ACP (Claude Code, Codex CLI, Copilot CLI, Gemini CLI, Kimi CLI) y soporta plataformas de mensajeria (Discord, Telegram, Lark, WeChat) via el puente OpenClaw. Nuevo backend de generacion de codigo CLI-agent que delega las Stages 10 y 13 a agentes CLI externos con control de presupuesto y gestion de timeouts. Incluye sistema anti-fabricacion (VerifiedRegistry + bucle de diagnostico y reparacion), 100+ correcciones de bugs, refactorizacion modular del executor, auto-deteccion de --resume, endurecimiento de reintentos LLM y correcciones de la comunidad.

⚡ Un comando. Un articulo.

# Totalmente autonomo — sin intervencion humana
pip install -e . && researchclaw setup && researchclaw init && researchclaw run --topic "Your research idea here" --auto-approve

# Modo Co-Piloto — colabora con la IA en puntos de decision clave
researchclaw run --topic "Your research idea here" --mode co-pilot

🤔 Que es esto?

Tu lo piensas. AutoResearchClaw lo escribe. Tu guias las decisiones clave.

Proporciona un tema de investigacion — recibe un articulo academico completo con literatura real de OpenAlex, Semantic Scholar y arXiv, experimentos en sandbox adaptados al hardware (deteccion automatica GPU/MPS/CPU), analisis estadistico, revision multi-agentes, y LaTeX listo para conferencia orientado a NeurIPS/ICML/ICLR. Ejecutalo completamente autonomo, o usa el modo Co-Piloto para guiar a la IA en puntos de decision criticos — elige direcciones de investigacion, revisa disenos experimentales y co-escribe el articulo. Sin referencias alucinadas.

El pipeline se ejecuta de principio a fin — completamente autonomo o con colaboracion human-in-the-loop. Cuando los experimentos fallan, se auto-repara. Cuando las hipotesis no se sostienen, pivotea. Cuando las citas son falsas, las elimina. Cuando quieres dirigir, se pausa y escucha.

🌍 Ejecutalo en cualquier lugar. AutoResearchClaw no esta atado a una sola plataforma. Usalo de forma independiente por CLI, conectalo a OpenClaw, o integralo con cualquier agente compatible con ACP — 🤖 Claude Code, 💻 Codex CLI, 🐙 Copilot CLI, ♊ Gemini CLI, 🌙 Kimi CLI, y mas. Gracias al puente de mensajeria de OpenClaw, puedes iniciar una investigacion completa desde 💬 Discord, ✈️ Telegram, 🐦 Lark (飞书), 💚 WeChat, o cualquier plataforma que tu equipo ya utilice. Un tema de entrada, un paper de salida — sin importar donde lo escribas.

🚀 Inicio rapido

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

# 2. Setup (interactivo — instala OpenCode beast mode, verifica Docker/LaTeX)
researchclaw setup

# 3. Configurar
researchclaw init          # Interactivo: elegir proveedor LLM, crea config.arc.yaml
# O manualmente: cp config.researchclaw.example.yaml config.arc.yaml

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

Salida → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/ — LaTeX listo para compilar, BibTeX, codigo experimental, graficos.

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"

🧠 Que lo hace diferente

🦞 Integracion con OpenClaw

AutoResearchClaw es un servicio compatible con OpenClaw. Instalalo en OpenClaw y lanza investigacion autonoma con un solo mensaje — o usalo de forma independiente via CLI, Claude Code o cualquier asistente de programacion con IA.

🚀 Uso con OpenClaw (Recomendado)

Si ya usas OpenClaw como tu asistente de IA:

1️⃣  Comparte la URL del repositorio de GitHub con OpenClaw
2️⃣  OpenClaw lee automaticamente RESEARCHCLAW_AGENTS.md → comprende el pipeline
3️⃣  Di: "Research [tu tema]"
4️⃣  Listo — OpenClaw clona, instala, configura, ejecuta y devuelve los resultados

Eso es todo. OpenClaw se encarga de git clone, pip install, configuracion y ejecucion del pipeline automaticamente. Tu solo chateas.

🔌 Bridge de OpenClaw (Avanzado)

Para una integracion mas profunda, AutoResearchClaw incluye un sistema de adaptadores bridge con 6 capacidades opcionales:

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ Ejecuciones de investigacion programadas
  use_message: true           # 💬 Notificaciones de progreso (Discord/Slack/Telegram)
  use_memory: true            # 🧠 Persistencia de conocimiento entre sesiones
  use_sessions_spawn: true    # 🔀 Generar sub-sesiones paralelas para etapas concurrentes
  use_web_fetch: true         # 🌐 Busqueda web en vivo durante la revision de literatura
  use_browser: false          # 🖥️ Recopilacion de articulos basada en navegador

Cada flag activa un protocolo de adaptador tipado. Cuando OpenClaw proporciona estas capacidades, los adaptadores las consumen sin cambios en el codigo. Consulta integration-guide.md para mas detalles.

ACP (Agent Client Protocol)

AutoResearchClaw puede usar cualquier agente de programacion compatible con ACP como backend LLM — sin necesidad de claves API. El agente se comunica via acpx, manteniendo una sola sesion persistente a traves de las 23 etapas del pipeline.

# config.yaml — ejemplo ACP
llm:
  provider: "acp"
  acp:
    agent: "claude"   # Cualquier comando CLI de agente compatible con ACP
    cwd: "."          # Directorio de trabajo para el agente
  # No se necesita base_url ni api_key — el agente gestiona su propia autenticacion.

# Solo ejecuta — el agente usa sus propias credenciales
researchclaw run --config config.yaml --topic "Your research idea" --auto-approve

🛠️ Otras formas de ejecucion

🔬 Pipeline: 23 etapas, 8 fases

Fase A: Alcance de investigacion     Fase E: Ejecucion de experimentos
  1. TOPIC_INIT                        12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE                 13. ITERATIVE_REFINE  ← auto-reparacion

Fase B: Descubrimiento de literatura Fase F: Analisis y decision
  3. SEARCH_STRATEGY                   14. RESULT_ANALYSIS    ← multi-agente
  4. LITERATURE_COLLECT  ← API real    15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN   [compuerta]
  6. KNOWLEDGE_EXTRACT                 Fase G: Redaccion del articulo
                                       16. PAPER_OUTLINE
Fase C: Sintesis de conocimiento       17. PAPER_DRAFT
  7. SYNTHESIS                         18. PEER_REVIEW        ← verif. evidencia
  8. HYPOTHESIS_GEN    ← debate        19. PAPER_REVISION

Fase D: Diseno experimental          Fase H: Finalizacion
  9. EXPERIMENT_DESIGN   [compuerta]   20. QUALITY_GATE      [compuerta]
 10. CODE_GENERATION                   21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING                 22. EXPORT_PUBLISH     ← LaTeX
                                       23. CITATION_VERIFY    ← verif. relevancia

Las etapas con compuerta (5, 9, 20) se pausan para aprobacion humana o se auto-aprueban con --auto-approve. Al rechazar, el pipeline retrocede.

Modo Co-Piloto (--mode co-pilot): Colaboracion profunda humano-IA en las Etapas 7-8 (Taller de Ideas), Etapa 9 (Navegador de Baselines) y Etapas 16-17 (Co-Escritor de Articulos). Las demas etapas se auto-ejecutan con monitoreo SmartPause.

Bucles de decision: La etapa 15 puede activar REFINE (→ Etapa 13) o PIVOT (→ Etapa 8), con versionado automatico de artefactos.

✨ Caracteristicas principales

🧑‍✈️ Co-Piloto Human-in-the-Loop

AutoResearchClaw v0.4.0 introduce un sistema completo Human-in-the-Loop (HITL) que transforma el pipeline de puramente autonomo a un motor de investigacion colaborativo humano-IA. Elige tu nivel de participacion:

Modos de intervencion

Flujo de trabajo Co-Piloto

Tu: researchclaw run --topic "Ruido cuantico como regularizacion de redes neuronales" --mode co-pilot

El pipeline ejecuta las Etapas 1-7 automaticamente...

  ┌─────────────────────────────────────────────────────────────┐
  │  HITL | Etapa 08: HYPOTHESIS_GEN                            │
  │  Revision post-etapa                                        │
  │                                                             │
  │  Hipotesis mencionadas: 3                                   │
  │  Puntuacion de novedad: 0.72 (moderada)                     │
  │                                                             │
  │  [a] Aprobar  [r] Rechazar  [e] Editar  [c] Colaborar      │
  │  [i] Inyectar guia  [v] Ver salida  [q] Abortar            │
  └─────────────────────────────────────────────────────────────┘

Tu: c  (iniciar chat colaborativo)
Tu: La Hipotesis 3 es interesante pero necesita Dropout/Label Smoothing como baselines
IA:  Actualizado — se agregaron Dropout, Label Smoothing, MixUp, CutMix como baselines...
Tu: aprobar

El pipeline continua con tu hipotesis refinada...

Comandos CLI

# Iniciar con modo HITL
researchclaw run --topic "..." --mode co-pilot

# Conectarse a un pipeline pausado (desde otra terminal)
researchclaw attach artifacts/rc-2026-xxx

# Verificar el estado del pipeline y HITL
researchclaw status artifacts/rc-2026-xxx

# Aprobar/rechazar desde otra terminal o script
researchclaw approve artifacts/rc-2026-xxx --message "LGTM"
researchclaw reject artifacts/rc-2026-xxx --reason "Falta baseline clave"

# Inyectar guia para una etapa (incluso antes de que se ejecute)
researchclaw guide artifacts/rc-2026-xxx --stage 9 --message "Usar ResNet-50 como baseline principal"

Capacidades clave

Configuracion

# config.arc.yaml
hitl:
  enabled: true
  mode: co-pilot                     # full-auto | gate-only | checkpoint | co-pilot | custom
  cost_budget_usd: 50.0              # Pausar cuando el costo exceda el presupuesto (0 = sin limite)

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

  timeouts:
    default_human_timeout_sec: 86400  # 24h de espera por defecto
    auto_proceed_on_timeout: false

  collaboration:
    max_chat_turns: 50
    save_chat_history: true

  # Politicas personalizadas por etapa (opcional, para modo 'custom')
  stage_policies:
    8: { require_approval: true, enable_collaboration: true }
    9: { require_approval: true, allow_edit_output: true }

Retrocompatibilidad

• Por defecto: DESACTIVADO. Sin hitl.enabled: true o --mode, el pipeline se comporta exactamente como antes.
• --auto-approve sigue funcionando. Anula el modo HITL.
• Los 2,699 tests existentes pasan con el codigo HITL presente.

🧠 Integracion MetaClaw

AutoResearchClaw + MetaClaw = Un pipeline que aprende de cada ejecucion.

MetaClaw agrega transferencia de conocimiento entre ejecuciones a AutoResearchClaw. Cuando esta habilitado, el pipeline captura automaticamente lecciones de fallos y advertencias, las convierte en habilidades reutilizables, e inyecta esas habilidades en las 23 etapas del pipeline en ejecuciones posteriores — para que los mismos errores nunca se repitan.

Como funciona

Ejecucion N se ejecuta → fallos/advertencias capturados como Lecciones
                      ↓
          MetaClaw Leccion → conversion a Habilidad
                      ↓
          Archivos de habilidades arc-* almacenados en ~/.metaclaw/skills/
                      ↓
Ejecucion N+1 → build_overlay() inyecta habilidades en cada prompt LLM
                      ↓
          El LLM evita trampas conocidas → mayor calidad, menos reintentos

Configuracion rapida

# 1. Instalar MetaClaw (si no esta instalado)
pip install metaclaw

# 2. Habilitar en tu configuracion

# config.arc.yaml
metaclaw_bridge:
  enabled: true
  proxy_url: "http://localhost:30000"        # Proxy MetaClaw (opcional)
  skills_dir: "~/.metaclaw/skills"          # Donde se almacenan las habilidades
  fallback_url: "https://api.openai.com/v1" # Fallback directo al LLM
  fallback_api_key: ""                      # Clave API para la URL de fallback
  lesson_to_skill:
    enabled: true
    min_severity: "warning"                 # Convertir advertencias + errores
    max_skills_per_run: 3

# 3. Ejecuta como siempre — MetaClaw funciona de forma transparente
researchclaw run --config config.arc.yaml --topic "Your idea" --auto-approve

Despues de cada ejecucion, revisa ~/.metaclaw/skills/arc-*/SKILL.md para ver las habilidades que tu pipeline ha aprendido.

Resultados experimentales

En experimentos controlados A/B (mismo tema, mismo LLM, misma configuracion):

La puntuacion de robustez compuesta es un promedio ponderado de la tasa de completacion de etapas (40%), reduccion de reintentos (30%) y eficiencia de ciclos REFINE (30%).

Retrocompatibilidad

• Por defecto: DESACTIVADO. Si metaclaw_bridge esta ausente o enabled: false, el pipeline se comporta exactamente como antes.
• Sin nuevas dependencias. MetaClaw es opcional — el pipeline base funciona sin el.
• Los 2,699 tests existentes pasan con el codigo de integracion presente.

🧩 Biblioteca de Habilidades

AutoResearchClaw ahora soporta la carga de habilidades de codigo abierto y personalizadas para mejorar aun mas tu experiencia de investigacion. Tambien incluimos 20 habilidades integradas precargadas (redaccion cientifica, busqueda de literatura, quimica, biologia y mas) como referencias listas para usar, ofreciendo un alto grado de flexibilidad desde el primer momento. Desactiva cualquier habilidad agregando enabled: false a su frontmatter.

Habilidades integradas de ejemplo:

Ver las 20 habilidades con researchclaw skills list.

Carga tus propias habilidades

# Opcion 1: Instalar una habilidad (persiste entre proyectos)
researchclaw skills install /path/to/my-skill/

# Opcion 2: Coloca un SKILL.md en el proyecto
mkdir -p .claude/skills/my-custom-skill
# Luego crea un SKILL.md con frontmatter YAML (name, description, trigger-keywords, applicable-stages)

# Opcion 3: Configura directorios de habilidades compartidos en config.arc.yaml
# skills:
#   custom_dirs:
#     - /path/to/team-shared-skills

Uso de habilidades

Las habilidades se cargan e inyectan en los prompts del LLM automaticamente — no se necesita activacion manual. Usa el CLI para inspeccionar:

researchclaw skills list               # Muestra todas las habilidades cargadas con sus fuentes
researchclaw skills validate ./my-skill # Verifica el formato de SKILL.md

Explora habilidades de la comunidad: K-Dense-AI/claude-scientific-skills (150+ habilidades cientificas en multiples disciplinas).

⚙️ Referencia de configuracion

# === Proyecto ===
project:
  name: "my-research"              # Identificador del proyecto
  mode: "docs-first"               # docs-first | semi-auto | full-auto

# === Investigacion ===
research:
  topic: "..."                     # Tema de investigacion (requerido)
  domains: ["ml", "nlp"]           # Dominios de investigacion para busqueda de literatura
  daily_paper_count: 8             # Articulos objetivo por consulta de busqueda
  quality_threshold: 4.0           # Puntuacion minima de calidad para articulos

# === Tiempo de ejecucion ===
runtime:
  timezone: "America/New_York"     # Para marcas de tiempo
  max_parallel_tasks: 3            # Limite de experimentos concurrentes
  approval_timeout_hours: 12       # Timeout de etapas con compuerta
  retry_limit: 2                   # Numero de reintentos por fallo de etapa

# === LLM ===
llm:
  provider: "openai-compatible"    # openai | openrouter | deepseek | minimax | acp | openai-compatible
  base_url: "https://..."          # Endpoint de API (requerido para openai-compatible)
  api_key_env: "OPENAI_API_KEY"    # Variable de entorno para la clave API (requerido para openai-compatible)
  api_key: ""                      # O codifica la clave aqui directamente
  primary_model: "gpt-4o"          # Modelo principal
  fallback_models: ["gpt-4o-mini"] # Cadena de fallback
  s2_api_key: ""                   # Clave API de Semantic Scholar (opcional, mayores limites de tasa)
  acp:                             # Solo se usa cuando provider: "acp"
    agent: "claude"                # Comando CLI del agente ACP (claude, codex, gemini, etc.)
    cwd: "."                       # Directorio de trabajo para el agente

# === Experimento ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 300             # Tiempo maximo de ejecucion por corrida (por defecto: 300s)
  max_iterations: 10               # Maximo de iteraciones de optimizacion
  metric_key: "val_loss"           # Nombre de la metrica principal
  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        # Deteccion automatica de imports → requirements.txt
  ssh_remote:
    host: ""                       # Nombre de host del servidor GPU
    gpu_ids: []                    # IDs de GPU disponibles
    remote_workdir: "/tmp/researchclaw_experiments"
  opencode:                          # OpenCode Beast Mode (auto-instalado via `researchclaw setup`)
    enabled: true                    # Interruptor principal (por defecto: true)
    auto: true                       # Auto-activacion sin confirmacion (por defecto: true)
    complexity_threshold: 0.2        # 0.0-1.0 — mas alto = solo se activa para experimentos complejos
    model: ""                        # Modelo a forzar (vacio = usa llm.primary_model)
    timeout_sec: 600                 # Segundos maximos para generacion OpenCode
    max_retries: 1                   # Numero de reintentos por fallo
    workspace_cleanup: true          # Eliminar workspace temporal despues de recoleccion
  code_agent:                        # CodeAgent v2 — generacion de codigo multi-fase
    enabled: true                    # Usar CodeAgent en vez del codegen legacy de un solo prompt
    architecture_planning: true      # Generar blueprint de implementacion profunda antes de codificar
    sequential_generation: true      # Generar archivos uno a uno siguiendo el DAG de dependencias
    hard_validation: true            # Validacion AST (bloquea ablaciones identicas, metricas hardcodeadas)
    hard_validation_max_repairs: 2   # Max intentos de reparacion cuando la validacion falla
    exec_fix_max_iterations: 3       # Intentos de correccion de ejecucion en bucle
    exec_fix_timeout_sec: 60         # Timeout por intento de exec-fix
  benchmark_agent:                   # BenchmarkAgent — seleccion automatizada de datasets y baselines
    enabled: true                    # Habilitar pipeline de 4 agentes (Surveyor→Selector→Acquirer→Validator)
    enable_hf_search: true           # Buscar en HuggingFace Datasets
    enable_web_search: true          # Buscar en Google Scholar para benchmarks
    tier_limit: 2                    # Filtrado de nivel de dataset (1=pequeno/cache, 2=medio, 3=grande)
    min_benchmarks: 1                # Minimo de datasets requeridos
    min_baselines: 2                 # Minimo de metodos baseline requeridos
  figure_agent:                      # FigureAgent — generacion de figuras academicas
    enabled: true                    # Habilitar pipeline de 5 agentes (Planner→CodeGen→Renderer→Critic→Integrator)
    min_figures: 3                   # Minimo de figuras a generar
    max_figures: 8                   # Maximo de figuras
    max_iterations: 3                # Iteraciones de refinamiento dirigidas por el Critic
    dpi: 300                         # Resolucion de salida
    strict_mode: false               # Fallar pipeline si la generacion de figuras falla
  repair:                            # Reparacion de experimentos anti-fabricacion
    enabled: true                    # Auto-diagnosticar y reparar experimentos fallidos
    max_cycles: 3                    # Bucles de reintento de reparacion
    min_completion_rate: 0.5         # >=50% de condiciones deben completarse para continuar
    min_conditions: 2                # Al menos 2 condiciones para un experimento valido
    use_opencode: true               # Enrutar reparaciones a traves de OpenCode Beast Mode

# === Busqueda web (Opcional) ===
web_search:
  enabled: true                      # Habilitar busqueda de literatura aumentada por web
  tavily_api_key_env: "TAVILY_API_KEY"  # Variable de entorno para clave API de Tavily (opcional)
  enable_scholar: true               # Busqueda en Google Scholar
  enable_pdf_extraction: true        # Extraer texto de PDFs
  max_web_results: 10                # Maximo de resultados web por consulta

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

# === Prompts ===
prompts:
  custom_file: ""                  # Ruta a YAML de prompts personalizados (vacio = valores por defecto)

# === Co-Piloto HITL (NUEVO en v0.4.0) ===
hitl:
  enabled: false                     # Establecer en true para habilitar HITL
  mode: co-pilot                     # full-auto | gate-only | checkpoint | step-by-step | co-pilot | custom
  cost_budget_usd: 0.0              # Limite de costo en USD (0 = sin limite)
  notifications:
    on_pause: true                   # Notificar cuando el pipeline se pausa
    on_quality_drop: true            # Notificar por problemas de calidad
    channels: ["terminal"]           # terminal | slack | webhook
  timeouts:
    default_human_timeout_sec: 86400 # Esperar hasta 24h por entrada humana
    auto_proceed_on_timeout: false   # Si es true, auto-aprobar al expirar timeout
  collaboration:
    max_chat_turns: 50               # Max turnos por sesion de colaboracion
    save_chat_history: true          # Persistir registros de chat
  stage_policies: {}                 # Overrides por etapa (para modo 'custom')

# === Seguridad ===
security:
  hitl_required_stages: [5, 9, 20] # Etapas que requieren aprobacion humana
  allow_publish_without_approval: false
  redact_sensitive_logs: true

# === Base de conocimiento ===
knowledge_base:
  backend: "markdown"              # markdown | obsidian
  root: "docs/kb"

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

# === Puente MetaClaw (Opcional) ===
metaclaw_bridge:
  enabled: false                   # Establecer en true para habilitar aprendizaje entre ejecuciones
  proxy_url: "http://localhost:30000"  # URL del proxy MetaClaw
  skills_dir: "~/.metaclaw/skills" # Donde se almacenan las habilidades arc-*
  fallback_url: ""                 # Fallback directo al LLM cuando el proxy esta caido
  fallback_api_key: ""             # Clave API para el endpoint de fallback
  lesson_to_skill:
    enabled: true                  # Convertir lecciones en habilidades automaticamente
    min_severity: "warning"        # Severidad minima para conversion
    max_skills_per_run: 3          # Max de nuevas habilidades por ejecucion del pipeline
  prm:                             # Process Reward Model compuerta de calidad (opcional)
    enabled: false                 # Usar LLM-como-juez para puntuar salidas de etapas
    model: "gpt-5.4"              # Modelo juez PRM
    votes: 3                       # Conteo de voto mayoritario
    gate_stages: [5, 9, 15, 20]   # Etapas donde aplicar compuertas PRM

# === Bridge de OpenClaw ===
openclaw_bridge:
  use_cron: false                  # Ejecuciones de investigacion programadas
  use_message: false               # Notificaciones de progreso
  use_memory: false                # Persistencia de conocimiento entre sesiones
  use_sessions_spawn: false        # Generar sub-sesiones paralelas
  use_web_fetch: false             # Busqueda web en vivo
  use_browser: false               # Recopilacion de articulos basada en navegador

🙏 Agradecimientos

Inspirado por:

• 🔬 AI Scientist (Sakana AI) — Pionero en investigacion automatizada
• 🧠 AutoResearch (Andrej Karpathy) — Automatizacion de investigacion de principio a fin
• 🌐 FARS (Analemma) — Sistema de investigacion completamente automatizado

📄 Licencia

MIT — consulta LICENSE para mas detalles.

📌 Citacion

Si encuentras AutoResearchClaw util, por favor cita:

@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},
}

_{Construido con 🦞 por el equipo de AutoResearchClaw}