Что это такое?
Автономный AI-агент на Python, который автоматически запускает и контролирует эксперименты по глубокому обучению, используя LLM для принятия решений.
Проект / Python
Xiangyue-Zhang/auto-deep-researcher-24x7: Deep Researcher Agent — автономный агент для круглосуточных экспериментов с глубоким обучением
Автоматический помощник, который ставит и контролирует ваши ML-эксперименты 24/7, пока вы спите.
Агент работает по архитектуре Leader-Worker: лидер-агент на основе LLM (Claude Code, Codex) анализирует проект, ставит задачи, а воркеры выполняют инструменты — запускают обучение, логируют метрики, управляют GPU. Память агента имеет постоянный размер,...
Для кого это
Для исследователей машинного обучения, data scientists и разработчиков, которые устали вручную запускать и отслеживать десятки экспериментов с разными гиперпараметрами.
Проблема / задача
Ручной запуск экспериментов по глубокому обучению отнимает время, требует постоянного мониторинга GPU и логирования, а ночные сессии убивают продуктивность.
Как это работает
Агент работает по архитектуре Leader-Worker: лидер-агент на основе LLM (Claude Code, Codex) анализирует проект, ставит задачи, а воркеры выполняют инструменты — запускают обучение, логируют метрики, управляют GPU. Память агента имеет постоянный размер, контекст сбрасывается между циклами, чтобы избежать роста токенов. Система самостоятельно решает, когда эксперимент завершён или требует корректировки.
Что видно по README
Это open-source фреймворк на Python для полной автоматизации исследовательского цикла в deep learning. Вы описываете цель исследования, ограничения по GPU и структуру кода в проекте, а агент берёт на себя планирование, запуск, мониторинг и анализ экспериментов круглосуточно. Проект позиционируется как альтернатива дорогим коммерческим MLOps-платформам с «нулевой стоимостью мониторинга».
Ключевые возможности
Технологии
Темы и ключи
Интересный факт
Агент умеет отличать реальные вызовы инструментов от примеров кода в тексте LLM — блоки внутри тройных бэктиков игнорируются, чтобы иллюстрации в ответах модели случайно не исполнились.
С чего начать
- Создать папку проекта и написать краткое описание цели в PROJECT_BRIEF.md
- Скопировать и настроить config.yaml под свои GPU и LLM-провайдер
- Запустить цикл: python -m core.loop --project . --gpu 0
Оценка GitRadar
Удобство
6/10
Свежесть
9/10
Перспектива
8/10
Монетизация
7/10
Общая оценка
7/10
Вердикт GitRadar
Стоит попробовать, если вы готовы разбираться с сыроватой, но амбициозной системой. Идея свежая, архитектура продумана, но проект молодой (122 звезды, мало форков), требует настройки и доверия к автономному агенту.
Наблюдения по обновлениям
Проект активно развивается: недавно добавили поддержку локальных CLI-провайдеров для экономии на API, улучшили цикл использования инструментов, исправили уязвимости. Последние коммиты — апрель 2026 года.
Что мы проверили
Карточка собрана по данным GitHub, README и структуре репозитория. Это не официальная документация проекта.
- Исходный репозиторий
- https://github.com/Xiangyue-Zhang/auto-deep-researcher-24x7
- Официальный сайт
- https://arxiv.org/abs/2604.05854
- Лицензия
- Apache-2.0
- Создан на GitHub
- 7 апреля 2026 г.
- Последнее обновление репо
- 8 апреля 2026 г.
- Последняя проверка GitRadar
- 8 апреля 2026 г.
- Изученные файлы
- examples/single_gpu/README.md, README.md, requirements.txt, paper/main.tex, paper/main.bib, core/__init__.py
FAQ
Для кого подходит?
Для исследователей и инженеров ML, которые проводят множественные эксперименты с гиперпараметрами и хотят автоматизировать рутину.
Источники
- GitHub исходный код и активность
- Официальный сайт позиционирование и демо
- README описание, ссылки, стартовые материалы
Нужна помощь с Xiangyue-Zhang/auto-deep-researcher-24x7?
Если проект подходит под ваш сценарий, можем помочь с установкой, интеграцией, доработкой или аккуратным форком под вашу инфраструктуру.