技能介绍

要解决什么问题

做实证或计算研究时，常见痛点是流程被拆散：先手工探索数据、再单独写方法小节、跑脚本出图、最后对着期刊模板改 LaTeX。中间产物（假设、方法文档、图表路径）往往缺少统一结构，难以复现，文献检索也常和写作脱节。

Denario 面向「从已有数据到可投稿手稿」这条链路，用多智能体把阶段化工作串起来，而不是只帮你写一段 prompt。

技能如何工作

系统基于 AG2 与 LangGraph 编排多个领域智能体，典型流程包括：

数据描述：声明可用数据与工具，界定研究上下文
思路生成：由描述推导研究问题/假设，或注入自定义思路
方法开发：生成结构化方法，也可传入 Markdown 方法稿
结果生成：执行计算、可视化；支持提交预计算结果
论文生成：输出指定期刊样式的完整 LaTeX 源码（含图集成），例如 Journal.APS 等格式

除 CLI 管线外，可启动 Web GUI 做交互式阶段管理。文献检索可嵌入工作流；各阶段输出偏结构化，便于版本管理与重复实验。LLM 侧需配置 OpenAI、Google Vertex AI 或兼容 AG2/LangGraph 的其它服务（密钥经环境变量或 .env）。

适用边界与注意点

依赖 Python 3.12+；LaTeX 编译需本地 TeX 或项目提供的 Docker 镜像（镜像内带 LaTeX 与依赖）。
自动化深度取决于数据描述质量、API 可用性与你在各阶段选择「全自动 / 半手动 / 预填结果」的混合策略。
期刊模板以文档列出的为准，并非任意刊物一键合规；复杂、长时会话或大规模文档分析，官方文档也指向 K-Dense Web 等托管环境作为可选升级，与本技能轻量本地编排的定位不同。