【热点项目】Paper2Code：一个从论文到代码的自动化Agent

一、基本介绍（https://github.com/going-doer/Paper2Code）

1.1 项目背景

Paper2Code是基于大语言模型的创新性代码生成框架，旨在解决学术界与工业界长期存在的"论文复现难题"。项目通过多智能体协作机制，将科研论文自动转化为可执行代码仓库，在arXiv论文测试集上实现87.3%的代码生成完整度，相比传统单模型方案提升32%。

1.2 核心功能

• 三阶段流水线：规划（Planning）、分析（Analyzing）、编码（Coding）的递进式处理
• 多模式输入：支持PDF原始论文和LaTeX源码两种输入方式
• 智能评估系统：提供基于参考（与官方实现对比）和无参考两种评估模式
• 混合模型架构：兼容OpenAI API与开源模型（默认使用DeepSeek-Coder-V2）

1.3 技术架构

Planning Agent
├── 论文结构解析
├── 模块依赖分析
└── 生成开发计划书

Analyzing Agent
├── 数学公式转译
├── 算法伪代码解析
└── API接口设计

Coding Agent
├── 代码框架生成
├── 单元测试编写
└── 文档自动生成

二、快速上手

2.1 环境配置

# 基础环境（Python 3.10+）
pip install -r requirements.txt

# OpenAI模式
export OPENAI_API_KEY="sk-xxx"

# 开源模型模式（需配置vLLM）
docker run --runtime nvidia --gpus all \
    -v ~/model_cache:/model_cache \
    -p 8000:8000 \
    -it vllm/vllm-openai:latest \
    --model deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct

2.2 运行示例

以Transformer论文为例生成代码仓库：

# 使用OpenAI接口（约消耗$0.6）
python scripts/run.py --paper examples/Transformer.pdf

# 使用开源模型
python scripts/run_llm.py --port 8000

生成结果目录结构示例：

Transformer_repo
├── model
│   ├── attention.py      # 多头注意力实现
│   └── transformer.py    # 完整模型架构
├── data
│   └── tokenizer.py      # BPE分词器实现
├── tests
│   └── test_attention.py # 自生成的单元测试
└── requirements.txt       # 自动推断的依赖项

三、简单示例

3.1 教育领域

# 自动生成课程实验框架
paper2code --input "CS231n Lecture Notes" --output_dir ./assignment

# 输出结果包含：
# - 图像分类模型模板代码
# - CIFAR-10数据加载器
# - 训练流程脚手架

3.2 工业研发

# 复现最新论文模型
paper2code --input "arxiv:2405.1234" --mode fast

# 生成结果包含：
# - 分布式训练适配代码
# - Triton推理优化实现