DeepScientist — ваш личный ИИ-ученый на локальной машине
Вспомните, сколько времени уходит на «грязную» работу в исследованиях. Пока доберешься до сути, приходится часами сражаться с зависимостями в чужих репозиториях, чинить сломанные бейзлайны и пытаться вспомнить, в каком терминале остались логи вчерашнего эксперимента. Часто запал пропадает еще на этапе настройки окружения. Именно эту проблему пытается решить DeepScientist — опенсорсный проект, который обещает развернуть полноценную исследовательскую студию прямо у вас на компьютере за 15 минут.
Почему обычных чат-ботов мало для науки
Мы привыкли закидывать PDF-файлы в ChatGPT или Claude, чтобы получить краткое содержание. Это работает, если нужно быстро «пробежаться» по статье. Но когда дело доходит до реальной работы, начинаются проблемы: контекст диалога быстро забивается, ИИ может насоветовать идей, но не поможет их реализовать, а ваши данные и черновики улетают на облачные серверы.
DeepScientist работает иначе. Это не просто чат, а система для длительных циклов исследования. Авторы проекта сделали упор на концепцию «Local-first». Все ваши эксперименты, код и черновики статей остаются у вас на диске. Система работает по принципу «одна задача — один репозиторий», превращая исследовательский процесс в структурированную историю коммитов.
Что умеет эта штука на практике
Проект предлагает уйти от разрозненных заметок и скриптов. Вот как выглядит рабочий процесс внутри DeepScientist:
- Воспроизведение бейзлайнов. Вы скармливаете системе ссылку на репозиторий из статьи, а она берет на себя подготовку окружения и фиксацию ошибок. Если что-то упало (а в научном коде это норма), ИИ запоминает причину и ваши исправления для будущих итераций.
- Непрерывное экспериментирование. Вместо того чтобы запускать скрипт и смотреть в монитор, вы можете поставить задачу: «Проверь следующую гипотезу на основе полученных метрик». Система предложит ветвление, проведет абляционные тесты и сохранит даже неудачные маршруты как ценный опыт.
- Сборка материалов для публикации. Когда результаты готовы, инструмент помогает собрать их в отчеты, графики или даже черновики для LaTeX.
Интерфейс в режиме Canvas позволяет наглядно видеть структуру исследования и связи между ветками кода.
Как это устроено внутри
DeepScientist — это не монолитная коробка. В основе лежит клиент-серверная архитектура, где управление идет через TUI (текстовый интерфейс в терминале), веб-студию или даже через мессенджеры (Telegram, WhatsApp). Последнее удобно, если вы запустили тяжелый эксперимент на сервере и хотите получать уведомления о прогрессе в дороге.
Интересно, что проект уже успел попасть в поле зрения научного сообщества — статья о нем представлена на ICLR 2026. Это добавляет веса инструменту, выделяя его на фоне бесконечных «оберток» над API OpenAI. Кстати, об LLM: DeepScientist поддерживает подключение разных провайдеров через Codex, так что вы вольны выбирать модель, которая лучше справляется с вашим стеком.
Кому это пригодится
Я вижу этот инструмент полезным для двух категорий людей:
- Студенты и аспиранты. Избавление от рутины с оформлением литературы и бесконечной починкой Python-зависимостей сэкономит кучу нервов перед дедлайнами.
- ML-инженеры в R&D. Когда нужно проверить десяток гипотез за неделю, автоматизация ведения логов и структуры веток Git становится критически важной.
При этом DeepScientist не пытается полностью заменить человека. В README подчеркивается: вы в любой момент можете перехватить управление, поправить код руками и вернуть задачу агенту. Это не «черный ящик», а скорее очень дотошный ассистент, который не забывает записывать результаты.
Быстрый старт
Установка довольно простая, через npm. Единственный нюанс — на Windows пока лучше использовать WSL2, нативно поддержка еще в статусе экспериментальной.
# Устанавливаем пакет глобально
npm install -g @researai/deepscientist
# Авторизуем провайдера моделей
codex --login
# Запускаем в текущей папке
ds --here
После этого по адресу http://127.0.0.1:20999 откроется локальный дашборд. Там можно нажать кнопку Start Research, вставить ссылку на статью или описание идеи и посмотреть, как ИИ начнет выстраивать план работы.
DeepScientist — амбициозный проект, который пытается превратить хаотичный процесс научного поиска в инженерную дисциплину. У него есть свои шероховатости, вроде зависимости от глобальных npm-пакетов, но сама философия «исследование как репозиторий» подкупает. Если вам надоело тонуть в сотнях вкладок браузера и ломать голову, почему код из статьи двухлетней давности не запускается, дайте этому инструменту шанс.
Ставить звезды проекту и следить за обновлениями можно здесь: ResearAI/DeepScientist.
