1. 项目定位与用途
CoI-Agent 是由 DAMO-NLP-SG 开发的研究想法生成系统，官方对应 arXiv 论文 2410.13185。它利用 LLM 代理模拟人类研究者的思考过程，通过链式思考（Chain-of-Ideas）机制，自动为给定研究主题生成创新性的研究思路、配套实验方案以及相关文献和趋势分析。系统旨在将研究规划过程标准化、自动化，降低研究门槛，提升创新效率。
项目档案应用项目
CoI-Agent 官方代码：使用 LLM 代理通过链式思考自动化生成研究想法与实验方案的方法及安装使用教程
CoI-Agent 是一个基于 LLM 代理的研究想法生成系统，通过链式思考机制自动化完成文献检索、创意发散、实验设计及优化。本文详细介绍其用途、解决的问题、适用场景，并提供分步安装指南（包括依赖、Grobid、API 配置）和使用方法（启动 Grobid、运行主程序、参数说明），帮助研究人员快速上手生成研究方案。
AI 总结
CoI-Agent 是一个基于 LLM 代理的研究想法生成系统，通过链式思考机制自动化完成文献检索、创意发散、实验设计及优化，帮助研究人员快速获得系统化的研究方案。
中文项目介绍
CoI-Agent 是 DAMO-NLP-SG 发布的官方代码，对应论文《Chain of Ideas: Revolutionizing Research via Novel Idea Development with LLM Agents》。它是一个利用大语言模型（LLM）代理自动生成研究想法、相关实验方案及趋势分析的系统。用户只需提供研究主题，系统即可完成从文献检索、创意链构建到实验设计的全流程，显著提升研究规划效率。
针对研究人员在创新灵感匮乏、研究思路系统化不足时的痛点，CoI-Agent 自动化了原本需要大量时间和经验积累的研究前期工作，帮助突破思维定式，产生新颖且可行的研究思路。
该系统主要适用于学术研究灵感激发、论文选题辅助、实验方案设计以及研究趋势分析等场景，尤其适合需要快速探索多个研究方向或缺乏初步思路的研究人员。
技术实现上，系统采用双代理架构（DeepResearchAgent 和 ReviewAgent），集成 Semantic Scholar API 进行文献检索，依赖 Grobid 服务解析 PDF 文献，支持 OpenAI 和 Azure 的 LLM 接口，并通过 prompts 目录管理提示模板以驱动生成过程。所有配置通过 config.yaml 管理。
详细信息与使用说明
2. 解决的问题
研究过程中，研究人员常面临灵感枯竭、思路碎片化、缺乏系统性文献调研等问题。CoI-Agent 通过自动化流程解决这些痛点：它首先检索相关文献建立知识基础，然后逐步发散生成多层级创意链，确保想法的连贯性与新颖性；同时设计可执行的实验方案，并迭代优化，从而提供完整的研究起点，减少从零开始的负担。
3. 适用场景
该系统主要适用于：1) 学术研究初期灵感激发，帮助确定研究方向；2) 研究生或科研人员撰写论文时辅助选题；3) 快速生成初步实验设计方案以验证想法可行性；4) 分析领域研究趋势与未来方向。尤其适合需要多角度探索课题或时间有限的场景。
4. 安装方式
安装需依次完成：1) 克隆仓库并安装 Python 依赖：`git clone https://github.com/DAMO-NLP-SG/CoI-Agent.git && cd CoI-Agent && pip install -r requirements.txt`；2) 安装 SciPDF Parser 用于 PDF 解析：克隆其仓库并 pip 安装，同时下载 spacy 模型 `en_core_web_sm`；3) 安装 Java JDK 11 并设置 JAVA_HOME 环境变量以运行 Grobid；4) 编辑 config.yaml，填写 LLM API 信息（OpenAI 或 Azure 的密钥、端点、模型名称）以及 Semantic Scholar API 密钥。所有步骤在 README 的 Requirements and Installation 部分有详细说明。
5. 使用方式
使用前需先启动 Grobid 服务：进入 scipdf_parser 目录执行 `bash serve_grobid.sh`（或按 README 手动安装 Grobid 后运行）。然后运行主程序：`python main.py --topic {你的研究主题}`，可选参数包括 `--anchor_paper_path` 指定锚论文 PDF 路径、`--save_file` 指定保存目录、`--improve_cnt` 设置实验优化轮数等。程序异步执行后，结果将保存至 `result.json`，包含想法、实验、相关实验、实体、创意链等结构化数据。
6. 实现特点
系统采用双代理协作架构：DeepResearchAgent 负责生成创意链和实验方案，ReviewAgent 负责对实验进行评审与迭代优化。LLM 调用抽象为独立模块，支持 OpenAI 与 Azure 接口切换。语义检索集成 Semantic Scholar API 以获取相关文献。所有提示词模板集中于 prompts 目录，便于修改。关键依赖包括 Grobid（PDF 解析）、SciPDF Parser 及多种 Python 库（如 aiohttp、spacy 等）。
思维导图
当前仓库信息不足，或结构不够稳定，暂时没有生成可靠的思维导图。
常见问题
CoI-Agent 是什么？
CoI-Agent 是一个基于 LLM 代理的研究想法生成系统，能自动为给定研究主题生成创新思路、实验方案及相关文献分析，对应论文《Chain of Ideas》。
安装 CoI-Agent 需要哪些步骤？
需克隆仓库、安装 Python 依赖、安装 SciPDF Parser 及 spacy 模型、安装 Java JDK 11 并配置 JAVA_HOME、在 config.yaml 中填写 LLM 和 Semantic Scholar API 密钥。详细步骤见 README 安装部分。
使用前需要启动什么服务？
需要先启动 Grobid 服务，在 scipdf_parser 目录执行 `bash serve_grobid.sh` 即可，用于 PDF 文献解析。
如何运行 CoI-Agent 生成研究想法？
运行命令 `python main.py --topic {研究主题}`，可选参数如 `--anchor_paper_path` 指定锚论文，结果将保存到 result.json。
支持哪些 LLM 模型？
通过 config.yaml 配置，支持 OpenAI 或 Azure 的模型（如 gpt-4o），可分别设置主模型和廉价模型。具体模型需根据 API 可用性填写。