EurekaClaw三种输入模式详解:prove、explore与from-papers你该选哪个
EurekaClaw三种输入模式详解:prove、explore与from-papers你该选哪个
EurekaClaw 是一款多智能体 AI 科研助手,可以从一句猜想自动完成文献调研、定理证明到 LaTeX 论文写作。它的 CLI 提供三种输入模式:prove(证明具体猜想)、from-papers(基于论文找突破口)、explore(开放探索研究域)。本文带你用 3 分钟搞清楚每种模式的适用场景、核心参数和最佳实践,帮你选对入口。
一张表看懂三种输入模式
三种模式对应研究目标"清晰程度"的三个层级,选错模式只会浪费时间:
| 命令 | 层级 | 什么时候用 | 核心参数 |
|---|---|---|---|
eurekaclaw prove "<conjecture>" |
Level 1 | 你已有一句精确的数学命题 | 猜想文本(必需) |
eurekaclaw from-papers <ids> |
Level 2 | 你想延伸/挑战特定论文 | arXiv 或 Semantic Scholar 论文 ID(必需) |
eurekaclaw explore "<domain>" |
Level 3 | 只有宽泛研究方向,还没猜想 | 研究域名称(必需) |
这个设计在源码 InputSpec 中有明确定义:三种模式分别映射为 detailed、reference、exploration,且互斥。参见 tasks.py。
prove 模式:证明一个具体猜想
当你已经有一个具体、可陈述的数学命题时,直接用 Level 1 的 prove 命令。系统会原样使用你的命题——跳过研究方向生成环节,直接进入证明流程:
eurekaclaw prove "Any PAC-learnable class has finite VC dimension" \
--domain "ML theory"
写猜想的小技巧(来自官方用户指南):
- ✅ 精确陈述结果,必要时写明渐近记号(
O(...)、Ω(...)) - ✅ 包含关键参数,如
L层、d维、ε精度 - ❌ 避免"是高效的"这类模糊说法,改用"以多项式时间运行"
完整示例:
eurekaclaw prove "The VC dimension of depth-d width-w ReLU networks is O(wd·log(wd))" \
--domain "deep learning theory"
from-papers 模式:从指定论文找突破口
Level 2 适合"手里有几篇关键论文,想围绕它们找研究空白"的场景。你提供 arXiv ID 或 Semantic Scholar ID,SurveyAgent 会抓取并分析这些论文,IdeationAgent 再识别研究缺口、生成候选方向并自动选出最优方向:
# 注意力机制方向
eurekaclaw from-papers 1706.03762 2005.14165 \
--domain "attention mechanisms"
# 多臂老虎机理论方向
eurekaclaw from-papers 1602.01783 2106.01336 \
--domain "multi-armed bandits"
注意:该模式下 --domain 是必填参数,用来激活对应领域的工具与技能。
explore 模式:开放式研究域探索
Level 3 是"自由度最高"的模式:你只给一个宽泛的研究域(加一个可选的引导问题),系统自主完成文献前沿调研、识别开放问题、提出 5 个候选方向,并选出最有潜力的方向推进到理论与写作阶段:
# 纯领域探索
eurekaclaw explore "spectral graph theory"
# 领域 + 引导问题
eurekaclaw explore "multi-armed bandit theory" \
--query "What are the tightest known bounds for heavy-tailed rewards?"
--query(短参 -q)可以让探索更聚焦,推荐在有明确疑问时使用。
三种模式通用参数速查
三种命令共享一组常用选项,按需组合即可:
| 选项 | 默认值 | 说明 |
|---|---|---|
--domain, -d |
"" |
研究域,可自动从输入推断(prove 可省略) |
--query, -q |
"" |
领域内的具体研究问题(explore、from-papers) |
--gate |
none |
关卡控制:none 全自动 / auto 低置信时升级人工 / human 每阶段暂停询问 |
--mode |
skills_only |
运行后的学习模式:skills_only、rl、madmax |
--skills |
全部 | 按名称固定注入特定技能(prove 与 from-papers 可用) |
--output, -o |
./results |
产物输出目录 |
💡 新手建议先用默认参数跑通一次,再按成本与严谨度需求调整 --gate 与 --mode。
运行结果看哪里?
三种命令的产物统一写入 <output>/<session_id>/ 目录:
<output>/<session_id>/
├── paper.tex LaTeX 论文源码
├── paper.pdf 编译后的 PDF(需安装 pdflatex + bibtex)
├── references.bib BibTeX 参考文献
├── theory_state.json 完整证明状态(引理、证明、状态)
├── research_brief.json 规划状态(候选方向、选中方向)
└── experiment_result.json 数值验证结果(如运行了实验)
如果对证明结果不满意,还可以用 eurekaclaw replay-theory-tail <session_id> 只重跑尾部阶段(Assembler → TheoremCrystallizer → ConsistencyChecker),快速迭代而不重复文献调研与引理证明。
决策指南:我该选哪个?
按这三个问题依次自问:
- 我是否有一句能直接写进论文的定理陈述?
- 是 → 用
prove,把命题原样交给系统
- 是 → 用
- 我是否有几篇必读论文,想在它们基础上做增量创新?
- 是 → 用
from-papers,把论文 ID 列出来
- 是 → 用
- 我只有一个大方向,想让系统帮我找问题?
- 是 → 用
explore,附上--query聚焦疑问
- 是 → 用
简单记忆:目标越具体,层级越低;目标越开放,层级越高。
总结
prove:有猜想 → 直接证明,最快出论文from-papers:有论文 → 自动发现研究缺口并突破explore:有方向 → 全自主调研、选题、证明一条龙
🦞 三种模式殊途同归:最终都会产出可发表的 LaTeX 论文。建议新手先从一个 explore 小领域起步,熟悉产物结构后,再用 prove 打磨自己的定理。
延伸阅读:
- CLI 完整参数参考:docs/cli.md
- 用户指南(含模式选择章节):docs/user-guide.md
- 多智能体流水线架构:docs/architecture.md
- 输入模式类型定义:eurekaclaw/types/tasks.py
