=== LLM ===

Discutez une idee. Obtenez un article. Autonome, Collaboratif & Auto-evolutif.

Discutez avec OpenClaw : "Recherche X" → termine.

📄 Notre article est sur arXiv — venez le lire ! AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration

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

🏆 Vitrine des articles · 🧑‍✈️ Guide Co-Pilote · 📖 Guide d'integration · 💬 Communaute Discord

🏆 Vitrine des articles generes 8 articles couvrant 8 domaines — mathematiques, statistiques, biologie, informatique, NLP, RL, vision, robustesse — generes de maniere entierement autonome ou avec guidage co-pilote Human-in-the-Loop.

🧪 Nous recherchons des testeurs ! Essayez le pipeline avec votre propre idee de recherche — dans n'importe quel domaine — et dites-nous ce que vous en pensez. Vos retours faconnent directement la prochaine 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 — Agents d'experience multi-domaines + ARC-Bench — Deux mises a jour majeures. (1) Agents d'execution specialises par domaine : l'etape d'experience (etapes 10 a 13) ne se limite plus au bac a sable ML par defaut et s'oriente vers des agents specialises selon le domaine — physique des hautes energies (ColliderAgent : FeynRules → MadGraph5 → Delphes via le cloud Magnus), biologie (modelisation metabolique a l'echelle du genome avec COBRApy) et statistiques (agent d'etudes de simulation), avec un executeur Docker generique pour la chimie/les materiaux. Le pipeline selectionne automatiquement le bon executeur selon le domaine. (2) ARC-Bench : un benchmark de recherche autonome ouvert de 55 sujets couvrant ML (25), physique des hautes energies (10), quantique (10), biologie (7) et statistiques (3), chacun fourni avec un manifeste et une grille de notation (experiments/arc_bench/, et aussi sur 🤗 Hugging Face). → Guide d'integration des domaines
• [04/01/2026] v0.4.0 — Systeme Co-Pilote Human-in-the-Loop — AutoResearchClaw n'est plus purement autonome. Le nouveau systeme HITL ajoute 6 modes d'intervention (full-auto, gate-only, checkpoint, step-by-step, co-pilot, custom), des politiques par etape, et une collaboration profonde humain-IA. Inclut : Atelier d'Idees pour la co-creation d'hypotheses, Navigateur de References pour la revue de conception experimentale, Co-Redacteur d'Article pour la redaction collaborative, SmartPause (intervention dynamique guidee par la confiance), apprentissage d'intervention ALHF, verification anti-hallucination des affirmations, garde-fous de budget, ramification du pipeline pour l'exploration parallele d'hypotheses, et commandes CLI (attach/status/approve/reject/guide). → Guide HITL complet
• [03/30/2026] Chargement flexible de competences — AutoResearchClaw supporte desormais le chargement de competences open-source et personnalisees depuis n'importe quelle discipline pour enrichir votre experience de recherche. 20 competences pre-chargees sont incluses comme references pretes a l'emploi, couvrant la redaction scientifique, la conception experimentale, la chimie, la biologie, et plus encore — incluant une competence d'evolution agentique A-Evolve contribuee par la communaute. Chargez les votres via researchclaw skills install ou deposez un SKILL.md dans .claude/skills/. Voir Bibliotheque de competences.
• [03/22/2026] v0.3.2 — Support multiplateforme + stabilite majeure — AutoResearchClaw fonctionne desormais avec tout agent compatible ACP (Claude Code, Codex CLI, Copilot CLI, Gemini CLI, Kimi CLI) et supporte les plateformes de messagerie (Discord, Telegram, Lark, WeChat) via le pont OpenClaw. Nouveau backend de generation de code CLI-agent qui delegue les Stages 10 et 13 a des agents CLI externes avec controle de budget et gestion des timeouts. Inclut le systeme anti-fabrication (VerifiedRegistry + boucle diagnostic/reparation), 100+ corrections de bugs, refactoring modulaire de l'executor, auto-detection --resume, renforcement des retries LLM, et corrections communautaires.

⚡ Une commande. Un article.

# Entierement autonome — aucune intervention humaine
pip install -e . && researchclaw setup && researchclaw init && researchclaw run --topic "Your research idea here" --auto-approve

# Mode Co-Pilote — collaborez avec l'IA aux points de decision cles
researchclaw run --topic "Your research idea here" --mode co-pilot

🤔 De quoi s'agit-il ?

Vous y pensez. AutoResearchClaw l'ecrit. Vous guidez les decisions cles.

Donnez un sujet de recherche — recevez un article academique complet avec de la vraie litterature provenant d'OpenAlex, Semantic Scholar et arXiv, des experiences en sandbox adaptees au materiel (detection automatique GPU/MPS/CPU), une analyse statistique, une relecture multi-agents, et du LaTeX pret pour les conferences ciblant NeurIPS/ICML/ICLR. Executez-le en mode entierement autonome, ou utilisez le mode Co-Pilote pour guider l'IA aux points de decision critiques — choisissez les directions de recherche, revisez les conceptions experimentales, et co-redigez l'article. Aucune reference hallucinee.

Le pipeline s'execute de bout en bout — entierement autonome ou avec collaboration human-in-the-loop. Quand les experiences echouent, il s'auto-repare. Quand les hypotheses ne tiennent pas, il pivote. Quand les citations sont fausses, il les supprime. Quand vous voulez intervenir, il se met en pause et ecoute.

🌍 Utilisable partout. AutoResearchClaw n'est pas verrouille sur une seule plateforme. Utilisez-le en CLI autonome, connectez-le a OpenClaw, ou integrez-le avec n'importe quel agent compatible ACP — 🤖 Claude Code, 💻 Codex CLI, 🐙 Copilot CLI, ♊ Gemini CLI, 🌙 Kimi CLI, et bien d'autres. Grace au pont de messagerie d'OpenClaw, vous pouvez lancer une recherche complete depuis 💬 Discord, ✈️ Telegram, 🐦 Lark (飞书), 💚 WeChat, ou la plateforme que votre equipe utilise deja. Un sujet en entree, un article en sortie — peu importe d'ou vous l'envoyez.

🚀 Demarrage rapide

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

# 2. Setup (interactif — installe OpenCode beast mode, verifie Docker/LaTeX)
researchclaw setup

# 3. Configurer
researchclaw init          # Interactif : choisir le fournisseur LLM, cree config.arc.yaml
# Ou manuellement : cp config.researchclaw.example.yaml config.arc.yaml

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

Sortie → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/ — LaTeX pret a compiler, BibTeX, code d'experience, graphiques.

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"

🧠 Ce qui le distingue

🦞 Integration OpenClaw

AutoResearchClaw est un service compatible OpenClaw. Installez-le dans OpenClaw et lancez une recherche autonome avec un seul message — ou utilisez-le de maniere autonome via CLI, Claude Code, ou tout assistant de codage IA.

🚀 Utilisation avec OpenClaw (recommande)

Si vous utilisez deja OpenClaw comme assistant IA :

1️⃣  Partagez l'URL du depot GitHub avec OpenClaw
2️⃣  OpenClaw lit automatiquement RESEARCHCLAW_AGENTS.md → comprend le pipeline
3️⃣  Dites : "Research [votre sujet]"
4️⃣  C'est fait — OpenClaw clone, installe, configure, execute et renvoie les resultats

C'est tout. OpenClaw gere git clone, pip install, la configuration et l'execution du pipeline automatiquement. Vous n'avez qu'a discuter.

🔌 Pont OpenClaw (avance)

Pour une integration plus poussee, AutoResearchClaw inclut un systeme d'adaptateurs pont avec 6 fonctionnalites optionnelles :

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ Executions de recherche planifiees
  use_message: true           # 💬 Notifications de progression (Discord/Slack/Telegram)
  use_memory: true            # 🧠 Persistance des connaissances inter-sessions
  use_sessions_spawn: true    # 🔀 Lancement de sous-sessions paralleles pour les etapes concurrentes
  use_web_fetch: true         # 🌐 Recherche web en direct pendant la revue de litterature
  use_browser: false          # 🖥️ Collecte d'articles via navigateur

Chaque option active un protocole d'adaptateur type. Quand OpenClaw fournit ces fonctionnalites, les adaptateurs les consomment sans modification de code. Voir integration-guide.md pour tous les details.

ACP (Agent Client Protocol)

AutoResearchClaw peut utiliser n'importe quel agent de codage compatible ACP comme backend LLM — sans cle API requise. L'agent communique via acpx, en maintenant une session persistante unique a travers les 23 etapes du pipeline.

# config.yaml — exemple ACP
llm:
  provider: "acp"
  acp:
    agent: "claude"   # N'importe quel agent CLI compatible ACP
    cwd: "."          # Repertoire de travail pour l'agent
  # Pas besoin de base_url ou api_key — l'agent gere sa propre authentification.

# Executez simplement — l'agent utilise ses propres identifiants
researchclaw run --config config.yaml --topic "Your research idea" --auto-approve

🛠️ Autres methodes d'execution

🔬 Pipeline : 23 etapes, 8 phases

Phase A : Cadrage de la recherche     Phase E : Execution des experiences
  1. TOPIC_INIT                         12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE                  13. ITERATIVE_REFINE  ← auto-reparation

Phase B : Decouverte de litterature   Phase F : Analyse et decision
  3. SEARCH_STRATEGY                    14. RESULT_ANALYSIS    ← multi-agents
  4. LITERATURE_COLLECT  ← API reelle   15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN   [porte]
  6. KNOWLEDGE_EXTRACT                  Phase G : Redaction de l'article
                                        16. PAPER_OUTLINE
Phase C : Synthese des connaissances    17. PAPER_DRAFT
  7. SYNTHESIS                          18. PEER_REVIEW        ← verif. preuves
  8. HYPOTHESIS_GEN    ← debat          19. PAPER_REVISION

Phase D : Conception experimentale    Phase H : Finalisation
  9. EXPERIMENT_DESIGN   [porte]        20. QUALITY_GATE      [porte]
 10. CODE_GENERATION                    21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING                  22. EXPORT_PUBLISH     ← LaTeX
                                        23. CITATION_VERIFY    ← verif. pertinence

Etapes de validation (5, 9, 20) : pause pour approbation humaine ou approbation automatique avec --auto-approve. En cas de rejet, le pipeline revient en arriere.

Mode Co-Pilote (--mode co-pilot) : Collaboration profonde humain-IA aux etapes 7-8 (Atelier d'Idees), etape 9 (Navigateur de References), et etapes 16-17 (Co-Redacteur d'Article). Les autres etapes s'executent automatiquement avec surveillance SmartPause.

Boucles de decision : l'etape 15 peut declencher REFINE (→ etape 13) ou PIVOT (→ etape 8), avec versionnement automatique des artefacts.

✨ Fonctionnalites cles

🧑‍✈️ Co-Pilote Human-in-the-Loop

AutoResearchClaw v0.4.0 introduit un systeme complet Human-in-the-Loop (HITL) qui transforme le pipeline d'un mode purement autonome en un moteur de recherche collaboratif humain-IA. Choisissez votre niveau d'implication :

Modes d'intervention

Flux de travail Co-Pilote

You: researchclaw run --topic "Quantum noise as neural network regularization" --mode co-pilot

Le pipeline execute les etapes 1-7 automatiquement...

  ┌─────────────────────────────────────────────────────────────┐
  │  HITL | Stage 08: HYPOTHESIS_GEN                            │
  │  Revue post-etape                                           │
  │                                                             │
  │  Hypotheses mentionnees : 3                                 │
  │  Score de nouveaute : 0.72 (modere)                         │
  │                                                             │
  │  [a] Approuver  [r] Rejeter  [e] Editer  [c] Collaborer    │
  │  [i] Injecter un guidage  [v] Voir la sortie  [q] Annuler  │
  └─────────────────────────────────────────────────────────────┘

You: c  (demarrer un chat collaboratif)
You: L'hypothese 3 est interessante mais il faut Dropout/Label Smoothing comme references
AI:  Mis a jour — ajout de Dropout, Label Smoothing, MixUp, CutMix comme references...
You: approve

Le pipeline continue avec votre hypothese affinee...

Commandes CLI

# Demarrer en mode HITL
researchclaw run --topic "..." --mode co-pilot

# S'attacher a un pipeline en pause (depuis un autre terminal)
researchclaw attach artifacts/rc-2026-xxx

# Verifier l'etat du pipeline et du HITL
researchclaw status artifacts/rc-2026-xxx

# Approuver/rejeter depuis un autre terminal ou script
researchclaw approve artifacts/rc-2026-xxx --message "LGTM"
researchclaw reject artifacts/rc-2026-xxx --reason "Reference cle manquante"

# Injecter un guidage pour une etape (meme avant son execution)
researchclaw guide artifacts/rc-2026-xxx --stage 9 --message "Utiliser ResNet-50 comme reference principale"

Capacites cles

Configuration

# config.arc.yaml
hitl:
  enabled: true
  mode: co-pilot                     # full-auto | gate-only | checkpoint | co-pilot | custom
  cost_budget_usd: 50.0              # Pause quand le cout depasse le budget (0 = pas de limite)

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

  timeouts:
    default_human_timeout_sec: 86400  # 24h d'attente par defaut
    auto_proceed_on_timeout: false

  collaboration:
    max_chat_turns: 50
    save_chat_history: true

  # Politiques personnalisees par etape (optionnel, pour le mode 'custom')
  stage_policies:
    8: { require_approval: true, enable_collaboration: true }
    9: { require_approval: true, allow_edit_output: true }

Retrocompatibilite

• Par defaut : DESACTIVE. Sans hitl.enabled: true ou --mode, le pipeline se comporte exactement comme avant.
• --auto-approve fonctionne toujours. Il prend le pas sur le mode HITL.
• Les 2 699 tests existants passent avec le code HITL present.

🧠 Integration MetaClaw

AutoResearchClaw + MetaClaw = Un pipeline qui apprend de chaque execution.

MetaClaw ajoute le transfert de connaissances inter-executions a AutoResearchClaw. Lorsqu'il est active, le pipeline capture automatiquement les lecons des echecs et avertissements, les convertit en competences reutilisables, et injecte ces competences dans les 23 etapes du pipeline lors des executions suivantes — pour ne jamais repeter les memes erreurs.

Fonctionnement

Execution N s'execute → echecs/avertissements captures comme Lecons
                      ↓
          MetaClaw Lecon → conversion en Competence
                      ↓
          Fichiers de competences arc-* stockes dans ~/.metaclaw/skills/
                      ↓
Execution N+1 → build_overlay() injecte les competences dans chaque prompt LLM
                      ↓
          Le LLM evite les pieges connus → meilleure qualite, moins de tentatives

Configuration rapide

# 1. Installer MetaClaw (si ce n'est pas deja fait)
pip install metaclaw

# 2. Activer dans votre configuration

# config.arc.yaml
metaclaw_bridge:
  enabled: true
  proxy_url: "http://localhost:30000"        # Proxy MetaClaw (optionnel)
  skills_dir: "~/.metaclaw/skills"          # Ou les competences sont stockees
  fallback_url: "https://api.openai.com/v1" # Repli direct vers le LLM
  fallback_api_key: ""                      # Cle API pour l'URL de repli
  lesson_to_skill:
    enabled: true
    min_severity: "warning"                 # Convertir avertissements + erreurs
    max_skills_per_run: 3

# 3. Executez comme d'habitude — MetaClaw fonctionne de maniere transparente
researchclaw run --config config.arc.yaml --topic "Your idea" --auto-approve

Apres chaque execution, verifiez ~/.metaclaw/skills/arc-*/SKILL.md pour voir les competences que votre pipeline a apprises.

Resultats experimentaux

Dans des experiences controlees A/B (meme sujet, meme LLM, meme configuration) :

Le score de robustesse composite est une moyenne ponderee du taux de completion des etapes (40%), de la reduction des tentatives (30%) et de l'efficacite des cycles REFINE (30%).

Retrocompatibilite

• Par defaut : DESACTIVE. Si metaclaw_bridge est absent ou enabled: false, le pipeline se comporte exactement comme avant.
• Aucune nouvelle dependance. MetaClaw est optionnel — le pipeline de base fonctionne sans.
• Les 2 699 tests existants passent avec le code d'integration present.

🧩 Bibliotheque de competences

AutoResearchClaw supporte desormais le chargement de competences open-source et personnalisees pour enrichir votre experience de recherche. Nous livrons egalement 20 competences integrees pre-chargees (redaction scientifique, recherche documentaire, chimie, biologie, et plus) comme references pretes a l'emploi, offrant un haut degre de flexibilite des l'installation. Desactivez n'importe quelle competence en ajoutant enabled: false a son frontmatter.

Exemples de competences integrees :

Voir les 20 competences avec researchclaw skills list.

Charger vos propres competences

# Option 1 : Installer une competence (persiste entre les projets)
researchclaw skills install /path/to/my-skill/

# Option 2 : Deposer un SKILL.md dans le projet
mkdir -p .claude/skills/my-custom-skill
# Puis creer un SKILL.md avec frontmatter YAML (name, description, trigger-keywords, applicable-stages)

# Option 3 : Configurer des repertoires de competences partages dans config.arc.yaml
# skills:
#   custom_dirs:
#     - /path/to/team-shared-skills

Utilisation des competences

Les competences sont chargees et injectees dans les prompts LLM automatiquement — aucune activation manuelle necessaire. Utilisez le CLI pour inspecter :

researchclaw skills list               # Afficher toutes les competences chargees avec leurs sources
researchclaw skills validate ./my-skill # Verifier le format du SKILL.md

Parcourir les competences communautaires : K-Dense-AI/claude-scientific-skills (150+ competences scientifiques couvrant plusieurs disciplines).

⚙️ Reference de configuration

# === Projet ===
project:
  name: "my-research"              # Identifiant du projet
  mode: "docs-first"               # docs-first | semi-auto | full-auto

# === Recherche ===
research:
  topic: "..."                     # Sujet de recherche (requis)
  domains: ["ml", "nlp"]           # Domaines de recherche pour la revue de litterature
  daily_paper_count: 8             # Nombre cible d'articles par requete de recherche
  quality_threshold: 4.0           # Score qualite minimum pour les articles

# === Execution ===
runtime:
  timezone: "America/New_York"     # Pour les horodatages
  max_parallel_tasks: 3            # Limite d'experiences concurrentes
  approval_timeout_hours: 12       # Timeout des etapes de validation
  retry_limit: 2                   # Nombre de tentatives en cas d'echec d'etape

# === LLM ===
llm:
  provider: "openai-compatible"    # openai | openrouter | deepseek | minimax | acp | openai-compatible
  base_url: "https://..."          # Point d'acces API (requis pour openai-compatible)
  api_key_env: "OPENAI_API_KEY"    # Variable d'env pour la cle API (requis pour openai-compatible)
  api_key: ""                      # Ou cle en dur ici
  primary_model: "gpt-4o"          # Modele principal
  fallback_models: ["gpt-4o-mini"] # Chaine de repli
  s2_api_key: ""                   # Cle API Semantic Scholar (optionnel, limites de debit plus elevees)
  acp:                             # Utilise uniquement quand provider: "acp"
    agent: "claude"                # Commande CLI de l'agent ACP (claude, codex, gemini, etc.)
    cwd: "."                       # Repertoire de travail pour l'agent

# === Experience ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 300             # Temps d'execution max par lancement (defaut : 300s)
  max_iterations: 10               # Iterations d'optimisation max
  metric_key: "val_loss"           # Nom de la metrique principale
  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        # Detection auto des imports → requirements.txt
  ssh_remote:
    host: ""                       # Nom d'hote du serveur GPU
    gpu_ids: []                    # Identifiants GPU disponibles
    remote_workdir: "/tmp/researchclaw_experiments"
  opencode:                          # OpenCode Beast Mode (auto-installe via `researchclaw setup`)
    enabled: true                    # Interrupteur principal (defaut : true)
    auto: true                       # Declenchement auto sans confirmation (defaut : true)
    complexity_threshold: 0.2        # 0.0-1.0 — plus eleve = ne se declenche que pour les experiences complexes
    model: ""                        # Modele a forcer (vide = utilise llm.primary_model)
    timeout_sec: 600                 # Duree max en secondes pour la generation OpenCode
    max_retries: 1                   # Nombre de tentatives en cas d'echec
    workspace_cleanup: true          # Supprimer l'espace de travail temporaire apres collecte
  code_agent:                        # CodeAgent v2 — generation de code multi-phases
    enabled: true                    # Utiliser CodeAgent au lieu de la generation mono-prompt heritee
    architecture_planning: true      # Generer un plan d'implementation detaille avant le codage
    sequential_generation: true      # Generer les fichiers un par un selon le DAG de dependances
    hard_validation: true            # Portes de validation basees sur AST (bloque les ablations identiques, metriques codees en dur)
    hard_validation_max_repairs: 2   # Tentatives de reparation max en cas d'echec de validation
    exec_fix_max_iterations: 3       # Tentatives de correction dans la boucle d'execution
    exec_fix_timeout_sec: 60         # Timeout par tentative de correction d'execution
  benchmark_agent:                   # BenchmarkAgent — selection automatisee de jeux de donnees et references
    enabled: true                    # Activer le pipeline de benchmark a 4 agents (Surveyor→Selector→Acquirer→Validator)
    enable_hf_search: true           # Rechercher dans HuggingFace Datasets
    enable_web_search: true          # Rechercher des benchmarks sur Google Scholar
    tier_limit: 2                    # Filtrage par niveau de jeu de donnees (1=petit/cache, 2=moyen, 3=grand)
    min_benchmarks: 1                # Nombre minimum de jeux de donnees requis
    min_baselines: 2                 # Nombre minimum de methodes de reference requises
  figure_agent:                      # FigureAgent — generation de figures academiques
    enabled: true                    # Activer le pipeline de figures a 5 agents (Planner→CodeGen→Renderer→Critic→Integrator)
    min_figures: 3                   # Nombre minimum de figures a generer
    max_figures: 8                   # Nombre maximum de figures
    max_iterations: 3                # Iterations de raffinement guidees par le Critic
    dpi: 300                         # Resolution de sortie
    strict_mode: false               # Echouer le pipeline si la generation de figures echoue
  repair:                            # Reparation d'experiences anti-fabrication
    enabled: true                    # Diagnostiquer et reparer automatiquement les experiences echouees
    max_cycles: 3                    # Boucles de reparation
    min_completion_rate: 0.5         # >=50% des conditions doivent etre completees pour continuer
    min_conditions: 2                # Au moins 2 conditions pour une experience valide
    use_opencode: true               # Acheminer les reparations via OpenCode Beast Mode

# === Recherche Web (Optionnel) ===
web_search:
  enabled: true                      # Activer la recherche de litterature augmentee par le web
  tavily_api_key_env: "TAVILY_API_KEY"  # Variable d'env pour la cle API Tavily (optionnel)
  enable_scholar: true               # Recherche Google Scholar
  enable_pdf_extraction: true        # Extraire le texte des PDF
  max_web_results: 10                # Resultats web max par requete

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

# === Prompts ===
prompts:
  custom_file: ""                  # Chemin vers un YAML de prompts personnalises (vide = defauts)

# === Co-Pilote HITL (NOUVEAU dans v0.4.0) ===
hitl:
  enabled: false                     # Mettre a true pour activer le HITL
  mode: co-pilot                     # full-auto | gate-only | checkpoint | step-by-step | co-pilot | custom
  cost_budget_usd: 0.0              # Limite de cout en USD (0 = pas de limite)
  notifications:
    on_pause: true                   # Notifier quand le pipeline se met en pause
    on_quality_drop: true            # Notifier en cas de baisse de qualite
    channels: ["terminal"]           # terminal | slack | webhook
  timeouts:
    default_human_timeout_sec: 86400 # Attendre jusqu'a 24h pour une reponse humaine
    auto_proceed_on_timeout: false   # Si true, approuver automatiquement au timeout
  collaboration:
    max_chat_turns: 50               # Max de tours par session de collaboration
    save_chat_history: true          # Persister les logs de chat
  stage_policies: {}                 # Surcharges par etape (pour le mode 'custom')

# === Securite ===
security:
  hitl_required_stages: [5, 9, 20] # Etapes necessitant une approbation humaine
  allow_publish_without_approval: false
  redact_sensitive_logs: true

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

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

# === Pont MetaClaw (Optionnel) ===
metaclaw_bridge:
  enabled: false                   # Mettre a true pour activer l'apprentissage inter-executions
  proxy_url: "http://localhost:30000"  # URL du proxy MetaClaw
  skills_dir: "~/.metaclaw/skills" # Ou les competences arc-* sont stockees
  fallback_url: ""                 # Repli direct vers le LLM quand le proxy est indisponible
  fallback_api_key: ""             # Cle API pour le point d'acces de repli
  lesson_to_skill:
    enabled: true                  # Conversion automatique des lecons en competences
    min_severity: "warning"        # Severite minimum pour la conversion
    max_skills_per_run: 3          # Max de nouvelles competences par execution
  prm:                             # Porte qualite Process Reward Model (optionnel)
    enabled: false                 # Utiliser LLM-as-judge pour noter les sorties d'etape
    model: "gpt-5.4"              # Modele juge PRM
    votes: 3                       # Nombre de votes majoritaires
    gate_stages: [5, 9, 15, 20]   # Etapes auxquelles appliquer les portes PRM

# === Pont OpenClaw ===
openclaw_bridge:
  use_cron: false                  # Executions de recherche planifiees
  use_message: false               # Notifications de progression
  use_memory: false                # Persistance des connaissances inter-sessions
  use_sessions_spawn: false        # Lancement de sous-sessions paralleles
  use_web_fetch: false             # Recherche web en direct
  use_browser: false               # Collecte d'articles via navigateur

🙏 Remerciements

Inspire par :

• 🔬 AI Scientist (Sakana AI) — Pionnier de la recherche automatisee
• 🧠 AutoResearch (Andrej Karpathy) — Automatisation de la recherche de bout en bout
• 🌐 FARS (Analemma) — Systeme de recherche entierement automatise

📄 Licence

MIT — voir LICENSE pour les details.

📌 Citation

Si vous trouvez AutoResearchClaw utile, veuillez citer :

@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},
}

_{Construit avec 🦞 par l'equipe AutoResearchClaw}