denario
Sistema multiagente de IA para assistência em pesquisa científica que automatiza fluxos de trabalho de pesquisa desde análise de dados até publicação. Esta skill deve ser usada ao gerar ideias de pesq
SKILL.mdskills/skills/scientific/denario/SKILL.md
GitHubDenario
Visão Geral
Denario é um sistema multiagente de IA projetado para automatizar fluxos de trabalho de pesquisa científica desde a análise inicial de dados até manuscritos prontos para publicação. Construído sobre os frameworks AG2 e LangGraph, ele orquestra múltiplos agentes especializados para lidar com geração de hipóteses, desenvolvimento de metodologia, análise computacional e redação de papers.
Quando Usar Esta Skill
Use esta skill quando:
- Analisar conjuntos de dados para gerar novas hipóteses de pesquisa
- Desenvolver metodologias estruturadas de pesquisa
- Executar experimentos computacionais e gerar visualizações
- Conduzir buscas de literatura para contexto de pesquisa
- Escrever papers em formato LaTeX a partir de resultados de pesquisa
- Automatizar o pipeline completo de pesquisa desde dados até publicação
Instalação
Instale denario usando uv (recomendado):
uv init
uv add "denario[app]"
Ou usando pip:
uv pip install "denario[app]"
Para implantação em Docker ou construção a partir do código-fonte, consulte references/installation.md.
Configuração da API LLM
Denario requer chaves de API de provedores de LLM suportados. Os provedores suportados incluem:
- Google Vertex AI
- OpenAI
- Outros serviços LLM compatíveis com AG2/LangGraph
Armazene chaves de API com segurança usando variáveis de ambiente ou arquivos .env. Para instruções detalhadas de configuração, incluindo setup do Vertex AI, consulte references/llm_configuration.md.
Fluxo de Trabalho de Pesquisa Essencial
Denario segue um pipeline de pesquisa estruturado em quatro etapas:
1. Descrição dos Dados
Defina o contexto da pesquisa especificando dados e ferramentas disponíveis:
from denario import Denario
den = Denario(project_dir="./my_research")
den.set_data_description("""
Available datasets: time-series data on X and Y
Tools: pandas, sklearn, matplotlib
Research domain: [specify domain]
""")
2. Geração de Ideias
Gere hipóteses de pesquisa a partir da descrição de dados:
den.get_idea()
Isso produz uma pergunta de pesquisa ou hipótese baseada nos dados descritos. Alternativamente, forneça uma ideia personalizada:
den.set_idea("Custom research hypothesis")
3. Desenvolvimento de Metodologia
Desenvolva a metodologia de pesquisa:
den.get_method()
Isso cria uma abordagem estruturada para investigar a hipótese. Também pode aceitar arquivos markdown com metodologias personalizadas:
den.set_method("path/to/methodology.md")
4. Geração de Resultados
Execute experimentos computacionais e gere análise:
den.get_results()
Isso executa a metodologia, realiza computações, cria visualizações e produz descobertas. Também pode fornecer resultados pré-calculados:
den.set_results("path/to/results.md")
5. Geração de Paper
Crie um paper em LaTeX pronto para publicação:
from denario import Journal
den.get_paper(journal=Journal.APS)
O paper gerado inclui formatação apropriada para o journal especificado, figuras integradas e código-fonte LaTeX completo.
Jornals Disponíveis
Denario suporta múltiplos estilos de formatação de journal:
Journal.APS- Formato da American Physical Society- Jornals adicionais podem estar disponíveis; consulte
references/research_pipeline.mdpara a lista completa
Iniciando a GUI
Execute a interface gráfica do usuário:
denario run
Isso inicia uma interface web para gerenciamento interativo do fluxo de trabalho de pesquisa.
Fluxos de Trabalho Comuns
Pipeline de Pesquisa End-to-End
from denario import Denario, Journal
# Initialize project
den = Denario(project_dir="./research_project")
# Define research context
den.set_data_description("""
Dataset: Time-series measurements of [phenomenon]
Available tools: pandas, sklearn, scipy
Research goal: Investigate [research question]
""")
# Generate research idea
den.get_idea()
# Develop methodology
den.get_method()
# Execute analysis
den.get_results()
# Create publication
den.get_paper(journal=Journal.APS)
Fluxo de Trabalho Híbrido (Personalizado + Automatizado)
# Provide custom research idea
den.set_idea("Investigate the correlation between X and Y using time-series analysis")
# Auto-generate methodology
den.get_method()
# Auto-generate results
den.get_results()
# Generate paper
den.get_paper(journal=Journal.APS)
Integração de Busca de Literatura
Para funcionalidade de busca de literatura e exemplos adicionais de fluxo de trabalho, consulte references/examples.md.
Recursos Avançados
- Orquestração multiagente: AG2 e LangGraph coordenam agentes especializados para diferentes tarefas de pesquisa
- Pesquisa reproduzível: Todas as etapas produzem saídas estruturadas que podem ser versionadas
- Integração com journals: Formatação automática para periódicos de publicação alvo
- Entrada flexível: Manual ou automatizada em cada etapa do pipeline
- Implantação em Docker: Ambiente containerizado com LaTeX e todas as dependências
Referências Detalhadas
Para documentação abrangente:
- Opções de instalação:
references/installation.md - Configuração de LLM:
references/llm_configuration.md - Referência completa de API:
references/research_pipeline.md - Fluxos de trabalho de exemplo:
references/examples.md
Resolução de Problemas
Problemas comuns e soluções:
- Erros de chave de API: Certifique-se de que as variáveis de ambiente estão definidas corretamente (consulte
references/llm_configuration.md) - Compilação LaTeX: Instale distribuição TeX ou use imagem Docker com LaTeX pré-instalado
- Conflitos de pacotes: Use ambientes virtuais ou Docker para isolamento
- Versão do Python: Requer Python 3.12 ou superior