今天在 GitHub Trending 上看到一个有意思的项目：FAROS（Foundation AutoResearch Operating System）——一个 Blueprint 蓝图驱动的 AutoResearch 运行时，能让 AI 从「想 idea」一直做到「生成论文并模拟审稿」，一句话总结：给 AI 配备一套可配置的科研流水线。
一、项目概述
1.1 它是什么
FAROS 不是一个固定死的 AI 科学家 Agent，而是一套可扩展的研究工作流运行时。它通过四个核心抽象来组织整个研究过程：
| 抽象层 | 职责 |
|---|---|
| Blueprint | 定义工作流图谱、约束条件、输出契约和验证要求 |
| Capability | 实现具体可执行的研究步骤（如 idea 精炼、实验编排、论文起草、模拟审稿） |
| Profile | 将 Blueprint 绑定到具体的执行策略 |
| Provider | 为 Capability 提供实际引擎（可以是 LLM、工具、API 或人工审核） |
1.2 核心特性
- 可插拔 Provider 体系：当前版本内置
FAROS-LLM（基于 LLM），但运行时架构支持未来接入其他 Provider 而无需重写编排层 - 完整 LLM 研究链路：
idea → experiment → paper → review四阶段流水线开箱即用 - Artifact 与 Memory 持久化：文件驱动的运行记录、事件日志和研究成果存储
- Venue-aware LaTeX 论文生成：支持 ICML、NeurIPS、ICLR、ACL 等多种顶会格式，编译失败时自动降级为可预览 PDF
- Plan 模式：不实际执行，仅规划，方便预览研究路径
1.3 当前发布状态
当前版本为 1.1.0-rc1，已是一个可运行的 AutoResearch 运行时基线，但尚未包含完整 DAG 调度、并行编排和跨域 Provider 生态。
二、技术原理
2.1 运行时架构
backend/app/
faros/ # 核心运行时：蓝图加载、能力注册、Profile 绑定、编排执行
api/ # RESTful API 端点
blueprints/ # 蓝图定义（当前内置 ml_paper）
capabilities/ # 能力实现（idea_refinement、experiment、paper_drafting、reviewer_simulation）
loaders/ # 蓝图与 Profile 加载器
memory/ # 研究记忆持久化
models/ # 数据模型
profiles/ # 执行策略配置
providers/ # Provider 注册中心（LLM、工具等）
registry/ # 全局注册表
runtime/ # 核心编排引擎
verification/ # 基线验证
modules/ # 领域模块（idea、code、paper、review、platform）
运行时将已有领域模块（idea、code、paper、review）通过 Capability Adapter 接入，而不是替换它们，这保证了存量投入的最大复用。
2.2 四阶段流水线
Stage 1 — Idea Refinement
# 触发 idea 精炼能力
idea_refinement_capability.execute(
seed_query="Improve CPU efficiency in LLM workflows",
paper_type="system"
)
# 输出：ranked_idea_candidates → selected_candidate
Stage 2 — Experiment
生成代码项目脚手架和实验元数据记录，为 LLM 研究领域提供标准化的实验工作空间。
Stage 3 — Paper Drafting
根据选定的目标会议（venue）选择对应 LaTeX 模板，生成完整论文源码：
# Venue-aware LaTeX 编译
latex_project = paper_drafting_capability.execute(
venue="icml", # icml | neurips | iclr | acl | generic
paper_type="research"
)
# 支持 latexmk 优先编译，失败时降级为简化 PDF 渲染
Stage 4 — Reviewer Simulation
# 模拟同行评审
review_report = reviewer_simulation_capability.execute(
paper_artifacts=latex_project.output,
strictness="medium"
)
# 输出结构化评审 + 可操作的 follow-up items
2.3 Provider 配置机制
Provider 配置从两级加载：
- 环境变量（
backend/app/core/settings.py中定义） - 运行时持久化配置（
backend/data/provider_config.json）
当前支持 minimax 等 LLM Provider，支持多 Provider 切换而不影响 Capability 层。
三、安装与快速开始
3.1 环境要求
- Python
3.11+或3.12 - Node.js
18+ - LaTeX：
latexmk+pdflatex（用于生成符合会议格式的论文 PDF） - 一个配置好的 LLM Provider（API Key 通过环境变量注入）
3.2 启动后端
cd backend
pip install -r requirements.txt
uvicorn app.main:app --host 127.0.0.1 --port 8005 --reload
3.3 启动前端（可选）
cd frontend
npm install
npm run dev
3.4 Plan 模式体验（无需真实 LLM）
curl -X POST http://127.0.0.1:8005/api/faros/runs \
-H 'Content-Type: application/json' \
-d '{
"blueprintId": "ml_paper",
"profileId": "faros_llm",
"executionMode": "plan",
"inputs": {
"seedQuery": "Improve CPU efficiency in LLM workflows",
"paperType": "system",
"targetVenue": "generic"
}
}'
3.5 验证安装
bash scripts/check_release.sh
四、API 接口一览
| 端点 | 用途 |
|---|---|
GET /api/system/health | 后端健康检查 |
GET /api/system/version | 发布元数据（含 llm.configured 状态） |
GET /api/faros/blueprints | 列出可用蓝图 |
GET /api/faros/profiles | 列出可用 Profile |
GET /api/faros/capabilities | 列出注册的能力和 Provider |
POST /api/faros/runs | 创建一次 FAROS Run |
GET /api/faros/runs/{run_id}/artifacts | 查看运行产物 |
五、常见问题
Q: 启动后 /api/system/version 显示 llm.configured=false 怎么办？
确保环境变量中配置了有效的 LLM API Key，具体配置项参考 backend/app/core/settings.py 中的 Provider 相关环境变量定义。
Q: 论文 PDF 编译失败怎么解决？
确认系统中已安装 texlive（含 latexmk 和 pdflatex）。若 LaTeX 环境不可用，后端会自动降级为简化 PDF 渲染，不影响流程继续。
Q: 如何切换不同的 LLM Provider？
在 backend/data/provider_config.json 中修改 ACTIVE_PROVIDER_NAME，或在环境变量中设置 ACTIVE_PROVIDER_NAME。
Q: 前端端口不对？
前端辅助脚本读取 FRONTEND_PORT 环境变量，而非 CLI 的 --port 参数，请注意区分。
Q: 如何扩展新的研究领域（不限于 LLM）？
新增一个 Provider 实现（接入新的引擎），然后在新的 Blueprint 中组合已有的 Capability。运行时架构已为跨域扩展预留了接口。
六、总结
FAROS 的核心价值在于将研究自动化从「固定死的产品逻辑」提升为「可配置的运行时」。它用 Blueprint 定义工作流、用 Capability 封装原子研究步骤、用 Profile 绑定执行策略、用 Provider 注入不同引擎——这套分层设计让整个系统在扩展性上远胜于传统的单 Agent 方案。
当前 1.1.0-rc1 已具备完整可用的 LLM 研究流水线，是 AI 辅助科研领域值得关注的新尝试。如果你对 AutoResearch 感兴趣，不妨 clone 下来用 Plan 模式跑一遍，直观感受它的设计思路。
GitHub 地址：OpenNSWM-Lab/FAROS