让 LLM 把 研究方案 / 论文草稿 一键转成 论文初稿正文(paper.md) 与 真实执行验证的 Jupyter Notebook。 实验数值全部来自代码真实运行结果,为论文提供可信的实验支撑。
不再"纸面生成代码"——所有代码都在真实 Jupyter 内核中执行验证,论文中的实验数值全部来自真实运行结果。
LunwenToCode 是一个基于大语言模型(LLM)的论文初稿生成系统。输入一份研究方案 / 论文草稿(+ 可选数据文件),输出可直接投稿修改的 论文初稿正文(paper.md) 与 真实执行验证的 Jupyter Notebook。
有别于让模型"纸上谈兵"地写代码的传统做法,本系统采用了 多 Agent(Multi-Agent)协作 + 真实执行闭环 的架构:它像一位严谨的研究助理那样,先拆解方案为可验证的支撑任务,再在持久 Jupyter 内核中真实跑出数据与图表,最后才以第一作者口吻把这些真实结果写成论文正文。
# 1. 安装依赖
pip install -r requirements.txt
# 2. 配置环境变量
cp .env.example .env
# 编辑 .env,填写各 LLM 的 API Key / Model / Base URL
# 3. 命令行
python main.py --md proposal.md
python main.py --md proposal.pdf --data ./data --output ./output
# 4. 或启动 Web
python app.py
# 浏览器打开 http://localhost:7860,实时查看执行进度
# 5. 或启动公网版 Web 应用(FastAPI + 自研前端)
pip install -r requirements-web.txt && pip install ipykernel
python -m uvicorn server.main:app --host 127.0.0.1 --port 8000
# 浏览器打开 http://127.0.0.1:8000💡 PDF 准备小贴士:可先用 Mineru 把 PDF 转成 Markdown 再作为输入,解析质量更高。
Web 版(server/ + web/)可部署到云服务器供多人使用。一键脚本:
# Docker(最省事)
sudo bash deploy/deploy.sh --docker --token 你的访问令牌
# systemd + Nginx + HTTPS(推荐用于正式环境)
sudo bash deploy/deploy.sh --domain thesis.example.com --token 你的访问令牌完整步骤、API 说明、自检清单与常见问题见 deploy/DEPLOY.md。
关键配置(.env):
| 变量 | 说明 |
|---|---|
SITE_TOKEN |
访问令牌,用户需在页面填写才可提交任务。公网部署必设 |
MAX_CONCURRENT_TASKS |
同时运行的任务数(每任务 = 1 个 Jupyter 内核 + 1 线程) |
MAX_UPLOAD_MB |
单文件上传上限,需与 Nginx client_max_body_size 匹配 |
RATE_LIMIT_PER_MINUTE |
每 IP 每分钟最大提交数,防刷 |
TASK_TTL_HOURS |
产出保留时长,超时自动清理 |
⚠️ Jupyter 内核执行的是 LLM 生成的代码,本质是任意代码执行。请用低权限用户运行、设置SITE_TOKEN、限制内存,并确保--workers 1(任务管理器为进程内状态)。
LunwenToCode 是基于大语言模型(LLM)的论文初稿生成系统:输入研究方案/论文草稿(+可选数据),输出
| 产出 | 说明 |
|---|---|
paper.md |
论文初稿正文:题目/摘要/关键词、引言、各章节(模型叙述+实验数值+图表)、结论 |
notebook.ipynb |
全部验证代码,按任务分节,含执行输出 / 图片 / 错误,可直接重跑 |
*.png |
论文图表(300dpi 学术规范) |
analysis_result.json |
方案分析与任务拆解结果 |
requirements.txt / README.md |
依赖与说明 |
研究方案 (MD/PDF/TXT) + 数据 (Excel/CSV, 可选)
│
▼
ParserAgent ──► AnalyzerAgent ──► 拆解论文支撑任务(方案/对应章节/预期结论)
│
┌─────────────────────▼─────────────────────┐
│ for each task: │
│ CoderAgent ── Jupyter内核真实执行 │
│ └─ 出错→反思→重试(≤5次) │
│ WriterAgent ── 以第一作者口吻撰写该章节 │
│ └─ 强制插入实验图片+解读 │
└───────────────────────────────────────────┘
│
▼
包装章节(题目摘要/引言/结论)
│
▼
paper.md + notebook.ipynb + 图表 + README
| LLM | 用途 | 服务的 Agent |
|---|---|---|
| Analyzer LLM | 方案解析、任务拆解 | AnalyzerAgent、ParserAgent |
| Coder LLM | 代码生成与执行修复 | CoderAgent |
| Writer LLM | 论文正文撰写(默认复用 Analyzer 配置) | WriterAgent |
均遵循 OpenAI 兼容协议。配置优先级:CLI 参数 > 环境变量 > .env > 默认值。
lunwentocode/
├── app/
│ ├── agents/ # Analyzer / Coder / Parser / Writer
│ ├── core/ # LLM / Workflow / 事件总线
│ ├── tools/ # Jupyter解释器 / notebook序列化 / matplotlib注入
│ ├── schemas/ # Pydantic 模型
│ ├── config/ # 配置 + 论文章节模板(toml)
│ └── utils/ # 文件 / JSON / 日志
├── main.py # CLI 入口
├── app.py # Web 入口 (Gradio, 实时进度)
└── requirements.txt
| 机制 | 说明 |
|---|---|
| 执行闭环 | Coder 通过 Function Calling 调用 execute_code,代码在持久 Jupyter 内核执行、变量跨轮保留;报错→反思提示→重试,超限如实记录失败 |
| 上下文压缩 | Coder 对话历史累积,估算 token 超过上下文窗口 75% 时自动压缩(保留系统提示与最近消息) |
| 图片闭环 | 解释器对工作目录做图片集合 diff 得到每任务新增图片;Writer 收到图片列表后强制  插入并逐图解读 |
| 绘图预注入 | 内核启动时注册中文字体、注入 COLORS/FIG_* 常量与 rcParams(300dpi、去上右边框),代码禁止重复设置 |
| 论文模板 | app/config/paper_template.toml 定义各章节写作模板,可自由定制 |
| 进度推送 | 事件总线(app/core/events.py)发布 system/code/report 事件,CLI 走日志、Gradio 流式展示,可扩展 Redis/WebSocket |
复制 .env.example 为 .env 后填写:
# Mineru API(PDF 解析,可选)
MINERU_API_TOKEN=your-mineru-token
# 分析 LLM
ANALYZER_LLM_API_KEY=your-api-key
ANALYZER_LLM_MODEL=gpt-4o
ANALYZER_LLM_BASE_URL=https://api.openai.com/v1
# 代码 LLM
CODER_LLM_API_KEY=your-api-key
CODER_LLM_MODEL=gpt-4o
CODER_LLM_BASE_URL=https://api.openai.com/v1
# 写作 LLM(留空复用分析 LLM)
WRITER_LLM_API_KEY=
WRITER_LLM_MODEL=
# 执行配置
MAX_CODE_RETRIES=5 # 代码错误最大反思重试次数
MAX_CHAT_TURNS=30 # 每任务最大对话轮次
CODER_CONTEXT_WINDOW=128000只设一组时也可:LLM_API_KEY / LLM_MODEL / LLM_BASE_URL(两边共用)。
- 定制论文章节:编辑
app/config/paper_template.toml,占位符在 Workflow 中替换 - 新增 Agent:继承
BaseAgent,实现system_prompt与run,注册到 Workflow - 切换执行环境:
LocalCodeInterpreter可替换为云端沙箱(如 E2B),实现相同接口即可 - 接入实时推送:订阅
EventBus,转发到 Redis/WebSocket 即可实现多端进度展示