TL;DR

이 프로젝트는 블루프린트, 케이퍼빌리티, 프로필, 프로바이더의 명확한 분리를 통해 아이디어 발굴에서 실험 스캐폴드 생성, LaTeX 기반 논문 초안 생성, 리뷰 시뮬레이션까지 이어지는 LLM 연구 워크플로를 실행 가능한 런타임으로 제공한다. 런타임은 블루프린트를 읽어 오케스트레이터가 프로필과 Provider를 바인딩한 뒤 파일 기반 아티팩트와 이벤트 로그에 결과를 남기는 방식으로 작동하며 플랜 모드로 설계 검증을 먼저 수행할 수 있다. 현재 릴리스는 FAROS-LLM으로 LLM 도메인에 초점을 맞춘 완결된 체인을 제공하지만 DAG 스케줄링, DB 기반 메타데이터, 광범위한 프로바이더 생태계 같은 고급 기능은 향후 로드맵 항목으로 남아 있다. 로컬 개발 기준으로 Python 3.11 이상과 Node.js 18 이상, LaTeX 도구가 요구되며 실제 LLM 연산은 별도 Provider 구성 후 활성화해야 한다.

주요 기능

• 정의한다 블루프린트를 통해 연구 워크플로의 단계, 출력 계약, 검증 요구사항을 선언하고 런타임이 이를 읽어 실행하도록 만든다. 블루프린트는 재현 가능한 단계별 출력 형식을 강제하여 후속 처리와 검증을 단순화한다. 블루프린트 교체만으로 동일한 논리 흐름을 다른 실행 전략으로 재사용할 수 있다.
• 제공한다 Capability 레지스트리와 모듈 네임스페이스로 아이디어 정제, 실험 스캐폴드 생성, LaTeX 논문 초안 생성, 리뷰 시뮬레이션 같은 개별 연구 단위를 실행 가능한 컴포넌트로 노출한다. 각 Capability는 내부적으로 Provider를 통해 실제 연산을 위임하고 표준화된 아티팩트로 결과를 남긴다. 이 구조는 도메인별 로직을 모듈에 격리하여 유지보수와 확장을 용이하게 만든다.
• 실행한다 프로필 바인딩과 Provider 레지스트리를 통해 동일한 블루프린트를 서로 다른 실행 환경과 모델로 바인딩할 수 있다. 런타임은 파일 기반의 러닝 데이터 저장소에 런, 이벤트, 아티팩트, 메모리를 보존하여 로컬에서 즉시 재현 가능한 상태를 유지한다. 플랜 모드와 실제 실행 모드를 분리하여 설계 검증과 전체 실행을 단계적으로 수행할 수 있다.

어떻게 동작하는가

런타임은 블루프린트를 로드하고 프로필과 Provider를 바인딩한 뒤 오케스트레이터가 Capability 레지스트리를 통해 단계별 실행을 트리거한다. 각 Capability는 선택된 Provider를 호출하여 실제 작업을 수행하고 결과는 파일 기반의 아티팩트 저장소와 이벤트 로그로 기록된다. 플랜 모드로 먼저 실행 흐름과 산출물을 생성하고 필요하면 실제 Provider 호출로 전환하는 방식으로 안전하게 워크플로를 진행한다.

해결 문제

수작업으로 연결된 여러 도구와 프롬프트를 하나의 고정된 애플리케이션으로 엮는 접근의 한계를 해결하고자 블루프린트 중심의 런타임 경계를 도입했다. 이 런타임은 아이디어 발굴부터 실험 스캐폴드 생성, LaTeX 논문 산출, 리뷰 시뮬레이션까지 일관된 워크플로로 자동화할 수 있는 실행 표면을 제공한다. 또한 파일 기반 아티팩트와 이벤트 기록을 통해 로컬에서 설계 검증과 재현이 가능하게 하여 실험 단계와 논문화 단계를 연결하는 보일러플레이트를 줄였다.

지금 주목받는 이유

이 레포지토리는 초기 실행 가능한 AutoResearch 런타임을 RC 형태로 공개하여 실무자들이 즉시 아이디어에서 논문까지의 체인을 시험할 수 있게 했다. 가시적인 스타 수와 오픈소스 활동으로 연구 자동화와 agentic workflow에 대한 관심을 끌고 있다. 또한 향후 확장 로드맵과 모듈화된 설계 때문에 실험적 도입을 검토하는 조직의 관심을 받고 있다.

차별점

• 구성적 런타임 접근을 선택했다는 점이 핵심이다. 단일 고정형 AI 과학자 에이전트를 제공하지 않고 블루프린트, 케이퍼빌리티, 프로필, 프로바이더의 분리를 통해 실행 책임과 확장 지점을 명확히 나눴다. 이로 인해 동일한 워크플로를 다른 제공자나 실행 전략으로 손쉽게 바꿀 수 있는 유연성이 확보됐다.
• 현실적인 출시 범위를 좁혀 LLM 도메인에서 완결된 체인을 먼저 제공한다는 점이 차별화 요소다. 이번 릴리스는 FAROS-LLM이라는 실행 가능한 베이스라인을 포함하여 idea에서 review까지의 전체 흐름을 로컬에서 검증할 수 있게 구성되었다. 크로스 도메인 추상화와 DAG 스케줄러 같은 고급 기능은 이후 단계로 유예하여 현재 사용자가 곧바로 실행 가능한 안정성을 제공한다.
• 파일 기반의 간단한 영속성과 현장용 LaTeX 템플릿을 기본 지원한다는 점이 실무적 이점이다. 논문 생성 경로는 학술지 스타일 템플릿을 포함하여 venue-aware LaTeX 출력과 PDF 폴백 렌더링을 제공한다. 데이터베이스나 복잡한 인프라 없이도 로컬 환경에서 논문 초안과 리뷰 산출물을 얻을 수 있다.

사용 사례

• 연구 아이디어를 신속히 발굴하고 후보를 정량적으로 정렬하는 초기 세션에 활용할 수 있다. 블루프린트의 idea_refinement 단계는 여러 후보를 생성하고 랭킹된 결과와 선택된 후보를 아티팩트로 남긴다. 이 출력을 바탕으로 자동으로 실험 스캐폴드와 논문 초안 작성으로 이어지게 할 수 있다.
• LLM 기반 실험을 위한 코드 프로젝트 스캐폴드를 자동으로 생성하고 실험 메타데이터를 기록하는 용도로 사용할 수 있다. experiment 단계는 도메인별 코드 워크스페이스를 프로비저닝하고 실험 기록을 아티팩트로 남겨 추적과 재현을 돕는다. 향후 메트릭 수집과 그림 생성 파이프라인을 연결하면 실험 결과를 논문에 직접 포함시키는 흐름을 만들 수 있다.
• 논문 초안 작성에서 venue-aware LaTeX 출력과 리뷰 시뮬레이션을 연계하여 반복적 초안 개선 루프를 구성할 수 있다. paper_drafting 단계는 템플릿 기반 LaTeX 프로젝트와 PDF 출력물을 생성하고 reviewer_simulation 단계는 구조화된 리뷰와 후속 작업 항목을 제공한다. 이 조합은 논문 작성 주기를 자동화하여 초안-리뷰-수정의 반복을 단축시키는 데 활용된다.

시작하기

로컬에서 빠르게 시작하려면 백엔드 디렉터리로 이동해 요구사항을 설치한 뒤 Uvicorn으로 애플리케이션을 실행하면 된다. 예시 흐름은 cd backend 로 이동한 뒤 pip install -r requirements.txt 를 실행하고 uvicorn app.main:app --host 127.0.0.1 --port 8005 --reload 로 백엔드를 띄우는 방식이다. 프런트엔드는 cd frontend 로 이동해 npm install 명령을 실행한 뒤 npm run dev 로 개발 서버를 시작하여 프런트엔드와 백엔드를 연동할 수 있다.

요구사항

• Python 3.11 이상과 Node.js 18 이상이 필요하다. LaTeX 기반 논문 컴파일을 위해 latexmk와 pdflatex가 설치되어 있어야 하며 없을 경우 백엔드가 간단한 PDF 렌더링으로 폴백한다. 실제 LLM 연산을 수행하려면 런타임에 구성된 LLM Provider가 필요하며 관련 API 키나 환경변수는 backend/app/core/settings.py 또는 backend/data/provider_config.json에 설정해야 한다.

이미지 분석