OpenResearch：把研究流程变成git-native的版本树——alphaXiv的并行agent工作台
项目：OpenResearch 仓库：https://github.com/alphaXiv/OpenResearch 语言：Rust 今日星标：+304 定位：本地优先的研究 agent 工作台
OpenResearch：把研究流程变成 git-native 的版本树——alphaXiv 的并行 agent 工作台
项目：OpenResearch
仓库：https://github.com/alphaXiv/OpenResearch
语言：Rust
今日星标：+304
定位：本地优先的研究 agent 工作台
一、场景开篇：五个方向同时探索，谁也不阻塞谁
你在研究一个多模态对齐问题。脑子里有五个假设：
1. 用对比学习对齐图像和文本嵌入 2. 用强化学习从人类反馈学对齐策略 3. 用课程学习逐步增加难度 4. 用混合专家路由不同模态 5. 用检索增强生成引入外部知识
传统做法是串行：先试假设 1，跑三天看结果，不行再试假设 2。两周过去，你还在假设 3。
OpenResearch 的做法是并行：五个方向各开一个 agent session，每个 session 有独立的 git worktree、独立的实验树、独立的代码改动。你同时推进五个方向，哪个先出结果就先看哪个。
# 同时开五个方向
orx run "contrastive alignment baseline" --worktree exp/contrastive
orx run "RLHF with reward model" --worktree exp/rlhf
orx run "curriculum learning schedule" --worktree exp/curriculum
orx run "MoE routing per modality" --worktree exp/moe
orx run "RAG with external knowledge" --worktree exp/rag
这不是"五个终端窗口"——那是手动管理。这是五个 agent 在同一个项目下并行工作，每个 agent 的改动都被 git 追踪，每个实验都是版本树上的一个节点。
二、核心定位：研究 agent 的"工作台"，不是"工具"
OpenResearch 的 README 反复用一个词：workbench（工作台）。
工具（tool）是单次调用的——你输入，它输出。工作台（workbench）是持续状态的——你在这个台面上工作，工具、材料、半成品都摆在上面，下次回来继续。
研究流程的本质是有状态的：
- 你有一个项目（project）
- 项目里有多次实验（runs）
- 每次实验有代码改动、参数、结果
- 结果会决定下一步做什么
- 整个过程需要可复现、可回溯、可分享
| 概念 | git 类比 | OpenResearch 实现 |
|---|---|---|
| 项目 | repo | project（本地 SQLite 存储） |
| 实验分支 | branch | run（独立 worktree） |
| 代码改动 | commit | agent 自动 commit |
| 实验结果 | tag/annotation | immutable archive |
| 复现 | checkout | run 回放 |
orx checkout ，代码、参数、环境全回来。三、Autoresearch：闭环自动化
OpenResearch 最有意思的功能是 autoresearch——全自动研究循环：
Propose idea → Change code → Launch experiment → Inspect evidence → Decide next
你给它一个研究方向，它自己：
1. 提出假设：基于现有代码和文献，生成一个可验证的假设 2. 改代码：在独立 worktree 里修改代码，git commit 记录改动 3. 跑实验：本地、SSH、Slurm、K8s、Ray、HuggingFace Jobs、Modal、Tinker 都能跑 4. 检查证据：读日志、看 metrics、分析结果 5. 决定下一步：根据结果决定是继续这个方向、换方向、还是报告发现
这不是"AI 帮你写代码"——那是 Copilot。这是"AI 帮你做研究"——它有自己的实验树，能回溯、能复现、能分支。
关键区别：Copilot 是工具，autoresearch 是同事。工具等你指令，同事自己推进。工具不记得上次做了什么，同事有持续的项目记忆。
四、本地优先：你的代码不出机器
这是 OpenResearch 和云研究平台（如 Anthropic Claude Science）的根本区别：
OpenResearch runs on 127.0.0.1 with a local SQLite store. Creating a project or launching a run does not publish your code.
- 本地 SQLite 存储
- 本地 git worktree
- 本地 agent session
- 只有"组织"和"托管计算"需要账号，那也是可选的
- 未发表的方法细节
- 敏感数据集引用
- 实验中的失败结果（不想公开）
- 知识产权相关的算法
这和"数据主权"的讨论同构。研究代码是研究者的核心资产，把它交给云平台意味着失去控制权。OpenResearch 把"本地优先"从口号变成了架构选择——SQLite + git + 127.0.0.1，三个技术决策锁死了"代码不出机器"。
五、Agent 集成：不是替代，是增强
OpenResearch 不重新造 agent。它把自己集成到现有 agent 里：
orx install-skills
这一条命令会把 OpenResearch skill 安装到：
- Claude Code
- OpenAI Codex
- OpenCode
- Cursor
orx projects、orx runs、orx logs、orx exp run、orx discover keyword、orx paper。这是一个聪明的定位。OpenResearch 不和 Claude Code 竞争——它把 Claude Code 变成研究 agent。你用 Claude Code 写代码，用 OpenResearch 管理研究流程。两者互补，不重叠。
这和 Archify 的"编译器分层"思路类似——AI 产出结构化制品（实验、代码、结果），确定性引擎（OpenResearch）管理版本和复现。分工比统一更有效。
六、运行环境：从笔记本到集群
OpenResearch 支持的运行后端：
- 本地：直接跑
- SSH：
orx up --remote user@host - Slurm：HPC 集群
- Kubernetes：云原生
- Ray：分布式 Python
- HuggingFace Jobs：托管计算
- Modal：serverless GPU
- Tinker：专用硬件
orx up --remote user@host 这一条命令就能把本地 agent 连到远程机器。SSH config 别名和自定义端口都支持。远程服务绑定到 loopback，没有应用层认证（同机器其他用户可达——OpenResearch 在 README 里诚实标注了这个安全限制）。
七、为什么 alphaXiv 做这件事
alphaXiv 是 arXiv 论文讨论平台的运营方。他们每天看研究者怎么工作——读论文、提假设、跑实验、写结果。他们比大多数公司更懂研究流程的痛点：
- 实验不可复现：代码改了，参数忘了记，结果找不回来
- 方向探索串行：一次只能试一个方向，两周才走完一轮
- 工具碎片化：代码在 GitHub，实验在 W&B，结果在 Notion，论文在 Overleaf
- agent 没有工作台：Copilot 帮你写代码，但不管你的研究项目
八、开放假设：诚实标注不确定性
和 colibrì 一样，OpenResearch 的 README 也诚实标注了不确定性。它列出了"设计决策"和"已知限制"：
- 本地优先 ≠ 离线优先：需要网络连接做模型推理（除非本地有模型）
- agent 质量取决于底层模型：OpenResearch 管流程，不管模型能力
- 实验复现有边界：硬件差异、随机种子、CUDA 版本都可能影响复现
九、一句话总结
OpenResearch 把研究流程变成 git-native 的版本树——每个实验是 branch，每次改动是 commit，每个结果是 tag。五个方向并行探索，代码不出机器，从笔记本到集群都能跑。
它不是"AI 研究助手"——那太浅。它是研究流程的版本控制系统，就像 git 是代码的版本控制系统。alphaXiv 从论文讨论平台走向研究流程基础设施，这是一个自然的延伸：他们已经看了研究者怎么工作好几年了。
仓库：https://github.com/alphaXiv/OpenResearch
文档：https://openresearch.sh
安装：orx install-skills