EurekaClaw三种输入模式详解:prove、explore与from-papers你该选哪个

原创2026-11-02 13:59:231,455 阅读

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。

EurekaClaw 三种输入模式(prove、explore 与 from-papers)项目标识

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:

  1. 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
  2. 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
  3. 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

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:

登录后查看全文
EurekaClaw