AIRAS

AIRAS - 研究自動化のためのオープンソースプロジェクト

AIRAS は研究を自動化するためのオープンソースソフトウェアです。コーディングエージェント（Claude Code、Cursor、または任意の MCP クライアント）に、研究テーマを文献調査、仮説、実験を経て完成した論文に仕上げるために必要なすべてを提供します。また、論文の主張を検証可能にします。実験を実行する前に論文を git に事前登録し、報告されるすべての数値を実行結果から導出し、記録用 PDF を生成する前に CI ですべてを再チェックします。

AIRAS は、次の機能を提供する 1 つの PyPI パッケージ（airas）として配布されます。

• ワークフローに必要な研究ツール（論文検索、仮説と実験計画、実験結果、図のレンダリング、LaTeX、Overleaf、記録・検証ツール）を備えた MCP サーバー
• サーバーと auto-research ワークフロースキルをまとめた Claude Code プラグイン
• 実験リポジトリの CI が検証ゲートとして使用する、小規模な CLI（airas verify-record、airas verify-paper）

現在は、機械学習研究の自動化に重点を置いています。

クイックスタート

リポジトリのクローンも Docker も不要です。uv だけが必要で、初回実行時に uvx がパッケージを取得します。

1. インストール

AIRAS は、プラグインを通じて Claude Code から操作することを想定しています。このプラグインは、MCP サーバーと auto-research ワークフロースキル、およびエージェントの状態を記録するフックをインストールします。

/plugin marketplace add airas-org/airas
/plugin install airas@airas

スキルやフックを使わず、MCP サーバーだけを単独で使用することもできます。Claude Code では、次のようにします。

claude mcp add airas -- uvx airas

その他の MCP クライアントでは、クライアントの MCP 設定（例：.mcp.json）に追加します。

{
  "mcpServers": {
    "airas": {
      "command": "uvx",
      "args": ["airas"]
    }
  }
}

アップグレード。 uvx は初回に取得したバージョンを保持するため、既存のインストールは自動的に新しいリリースへ更新されません。最新バージョンを取得するには、uv cache clean airas（または uvx airas@latest）を一度実行してください。

2. 認証情報を設定する

認証情報は ~/.airas/credentials.json に保存され、ツールを呼び出すたびに再読み込みされるため、いつでもファイルを作成または編集できます。

mkdir -p ~/.airas
cat > ~/.airas/credentials.json <<'EOF'
{
  "GH_PERSONAL_ACCESS_TOKEN": "ghp_...",
  "SEYVAL_API_KEY": "..."
}
EOF
chmod 600 ~/.airas/credentials.json

キー	用途
GH_PERSONAL_ACCESS_TOKEN	必須です。実験リポジトリを作成し、操作します（repo + workflow スコープ、リポジトリの管理者権限が必要です）。
SEYVAL_API_KEY（任意の SEYVAL_COMPUTE_ID、SEYVAL_WORKSPACE_ID を含む）	backend="seyval" の場合に必要です。Seyval コンピューティングプラットフォームで実験を実行し、その来歴を照合します。実行プラットフォームを参照してください。
OPENAI_API_KEY / ANTHROPIC_API_KEY / GEMINI_API_KEY / OPENROUTER_API_KEY / AWS_BEARER_TOKEN_BEDROCK / VERCEL_AI_GATEWAY_API_KEY	ワークフローでは不要です。AIRAS を操作するエージェントが、スキルのガイドに従ってすべての成果物を自ら作成し、get_prompts は自分で作成するステップの執筆ガイダンスを提供します。キーが使用されるのは、バックエンド LLM ツール（analyze_experiment、model を指定した verify_paper_values）を直接呼び出す場合のみです。

3. 研究プロジェクトを開始する

Claude Code でオーケストレータースキルを呼び出し、テーマを指定します。

/airas:auto-research

以下のワークフローを進めながら、運用上の選択肢（リポジトリの公開範囲、実行プラットフォーム、コンピューティング対象）を最初に一度だけ確認します。その他の MCP クライアントでは、ツールを直接呼び出してください。各ツールの説明には、その前後に行うことが記載されており、MCP ドキュメントではワークフローを説明しています。

自動リサーチのフロー

auto-research が担うのは、ステップの順序と、複数のステップにまたがるルールだけです。各ステップは明示された契約を持つ独立したスキルなので、既存のリポジトリに対して単一のステップだけを呼び出すこともできます。

ステップ	スキル	リポジトリに残されるもの
1	setup-repository	airas-template から作成してクローンした実験リポジトリ。Actions のシークレットが設定され、main が保護されています。今後、研究に関するすべての状態はここに保存されます。
2	search-papers	airas-papers-db を含む複数の情報源から見つかった論文と、次のステップで読めるようにダウンロードされた全文です。
3	hypothesize-and-design	反証可能な仮説と、実行 ID、指標、モデル、データセット、計算環境を固定した実験設計です。
4	preregister-paper	実験を始める前に、番号付きの主張、評価基準、予測区間を含めて執筆した論文全文です。このコミットが凍結点となり、ここで .research/record.json が作成されます。
5	write-experiment-code	固定された実行契約（Hydra エントリーポイント、sanity ／ pilot ／ full モード）に沿った実験コードと、ロックファイルおよび Dockerfile で固定された環境です。指標はコード自体ではなく、airas-eval によって生成されます。
6	run-experiments	選択したバックエンド（GitHub Actions または Seyval）で実行された実験と、来歴情報とともに .research/results/ に戻された出力です。実行プラットフォームを参照してください。
7	analyze-results	分析結果と検証可能な図表（Vega-Lite チャート、テキストで定義された図）です。
8	publish-paper	記載された数値がすべて記録に基づいて実現され、ローカルでのコンパイルと検証が成功したうえで、プッシュされます。CI が検証を再実行し、保護されたブランチに paper.pdf をコミットします。これが正式な論文となります。

このフローで保証されること

• 実行前に宣言します。 事前登録コミットが存在するまでは何もディスパッチされず、すべての実行はそのコミットから派生します。修正は上にコミットし、決してリベースで消しません。
• 記録は増える一方です。 .research/record.json は、仮説、主張、設計、実行、結果を含む追記専用のツリーです。主張の言い換え、実行条件の変更、結果の削除は、すべて同じチェックで失敗します。評価基準を満たさなかった主張は、書き換えられるのではなく否定的な結果として報告されます。
• 実験の数値を手入力することはありません。 数値は、実行で測定された指標または宣言されたパラメーターへの \airasval{...} 参照を通してのみ論文に反映され、記録に基づいて描画されます。それ以外はすべて \unverified{...} としてマークされます。
• ゲートは助言ではなく、強制されます。 ブランチ保護により、検証ワークフローが必須チェックとなるため、失敗した実行を通過させてプッシュすることはできません。
• リポジトリが状態そのものです。 後続のステップで必要となるものはすべてコミットされるため、新しいセッションでもクローンだけで再開できます。

実行プラットフォームと LLM

実験は、どちらのバックエンドでも同じ 3 つの MCP ツールを通じて実行されます。dispatch_experiment で実行を開始し、get_experiment_run_status で進行状況を確認し、import_run_outputs でバックエンドの保存先（Seyval のストレージ、または GitHub Actions のワークフロー成果物）から出力をコピーし、来歴マニフェストとともに .research/results/ に保存します。記録ゲートでは、コミットされたバイト列を同じストア内のデータと照合し、ストアから実行結果が削除された後は、インポート時に記録された sha256 ハッシュと照合します。Seyval（独自の Slurm 計算環境を持ち込む方式）と GitHub Actions に対応しています。自分で運用するマシン（RunPod、研究室のクラスター）向けのバックエンドは、エージェントが書き換えられないストアが必要なため、まだ対応していません。

このフローに LLM キーは必要ありません。エージェントがスキルに導かれて、仮説、設計、分析、論文を作成します。バックエンド LLM ツール（analyze_experiment と、model を指定した verify_paper_values）および、クライアントに使用するプロンプトを渡す get_prompts は、フロー外での利用を目的としています。前者にはプロバイダーキーが必要です（get_available_llms で、保有するキーで利用可能なモデルを一覧できます）。対応プロバイダー：OpenAI、Anthropic、Google Gemini、OpenRouter、Amazon Bedrock、Vercel AI Gateway。

関連リポジトリ

AIRAS は、airas-org 組織内の 3 つの姉妹リポジトリに依存しています。それぞれが、ワークフローの一部をエージェントの手の届かないところで管理します。

リポジトリ	役割
airas-template	すべての実験リポジトリの作成元となるテンプレートです。CI ワークフロー、実行コントラクト、検証ゲートが含まれています。
airas-papers-db	エージェントが、OpenAlex、Semantic Scholar、arXiv とともに search_papers を使って検索できる、主要な学会の論文を収録した厳選データベースです。
airas-eval	評価ロジックを一元管理します。メトリクスは実験コードではなく、実行の評価入力から airas-eval が計算するため、エージェントが自分のスコアを改ざんすることはできません。

MCP ツール

auto-research フローでは、以下のツールを使用します。上記のスキルは、これらのツールに対する薄いコントラクトです。サーバーはほかにもツールを公開していますが、研究プロジェクトが利用するのは次のツールです。

ステップ	ツール
setup-repository	prepare_repository, set_github_actions_secrets
search-papers	search_papers, dispatch_literature_fetch
hypothesize-and-design	get_prompts, retrieve_models, retrieve_datasets, search_huggingface_hub
preregister-paper	preregister_record, get_prompts, append_to_record, update_record, verify_latex
write-experiment-code	get_prompts, get_library_docs
run-experiments	dispatch_experiment, get_experiment_run_status, import_run_outputs, fetch_experiment_results
analyze-results	fetch_experiment_results, analyze_experiment / get_prompts, render_chart, render_diagram, append_to_record, update_record
publish-paper	verify_record, verify_paper_values, verify_latex, open_in_overleaf, get_workflow_runs

説明、ツールごとの認証情報、設定オプションについては、MCP ドキュメントを参照してください。

CLI

uvx airas                 # MCP server on stdio (default)
uvx airas verify-record   # check .research/record.json against run outputs, git history, and the platform
uvx airas verify-paper    # check paper values and citations against the record and run outputs — no PDF build
uvx airas verify-record --implementation-verifier-model <name>   # review implementation against declared designs
uvx airas verify-paper --citation-verifier-model <name>   # judge unjudged passage citations
uvx airas publish-paper   # build the paper's PDF for publishing (values already verified by the gate)

verify-record は宣言と実行証跡をチェックし、verify-paper はそれらに照らして論文を個別にチェックします。これらは、保護ブランチで実験リポジトリの CI が実行する必須チェックです。publish-paper は、別途用意された必須ではない公開ワークフローで PDF をビルドします。

開発

cd backend
uv sync
uv run airas

Lint と型チェックは pre-commit を通じて実行されます（クローンごとに一度、pre-commit install を実行してください）。CONTRIBUTING.md を参照してください。

ロードマップ

AIRAS は段階的に開発されています。まず信頼性を確保します。自動化された研究パイプラインの規模を拡大する価値があるのは、その出力を信頼し、再現できるようになってからです。

1. 信頼性（進行中）。 記録により、論文中のすべての数値が宣言済みの実行とその出力にひも付いていること、各主張の判定が実行前に宣言した基準から導出されていることが保証され、CI でもそれが強制されるようになりました。これで論文は対象となりますが、その上流にあるすべてが対象となるわけではありません。ベンチマークを不正に操作したり、テストデータを漏えいさせたり、設計から逸脱したりする実験コードでも、依然としてゲートを通過します。このギャップを埋めるため、実験コードや評価入力から設計までさかのぼって検証することが、現在の焦点です。

• 事前登録：実験の実行前に、主張、基準、予測結果を git 上で固定
• 実行出力から確定した数値を記録し、CI で検証する追記専用の研究記録
• 実験コードと評価そのものの完全性（ベンチマークの不正操作、データ漏えい、設計からの逸脱）

2. 再現性。 エージェントが研究を進める場合、エージェントの実行経路も手法の一部です。それを保持し、その実行経路からワークフローを再実行できることは、結果を再現するための必須条件です。

• リポジトリの状態とともにエージェントの実行経路を保存
• 記録された実行経路から研究ワークフローを再実行

3. 研究の質。 信頼性と再現性を確保した後、より優れた仮説、強固な実験設計、より厳密な分析によって、研究そのものの質を高めます。

並行して：他の分野にも展開。 機械学習を最初の対象とするのは、実験がコードだからです。上記の各段階と並行して、ライフサイエンス、ロボティクス、材料科学などの他分野と連携し、同じ完全性モデルをそれぞれのワークフローに適用できるよう取り組んでいます。

お問い合わせ

人類がまだ到達していない科学的発見を可能にする、自動化研究のためのオペレーティングシステムの構築を目指しています。

このトピックに関心がある方は、[email protected] までお気軽にお問い合わせください。

AutoRes について

この OSS は、AutoRes プロジェクトの一環として開発されています。

ライセンス

このプロジェクトは MIT License のもとでライセンスされています。 詳細については、LICENSE ファイルをご覧ください。

貢献

このプロジェクトに貢献することで、あなたの貢献が Contributor License Agreement（CLA）の対象となり、商用、エンタープライズ、SaaS の各種提供を含め、プロジェクトの所有者によって使用、変更、再配布、再ライセンスされることに同意したものとみなされます。

詳細については、CLA.md をご覧ください。

関連プロジェクト

• AI-Research-SKILLs（Orchestra Research、MIT）— ライブラリ固有の ML エンジニアリングスキル集です。AIRAS の実験テンプレートはコード生成ランナーにこれをインストールし、エージェントがフレームワークレベルのガイダンス（ファインチューニング、分散トレーニング、推論）を利用できるようにします。AIRAS の get_library_docs MCP ツールは、各ライブラリの最新ドキュメント（llms.txt エンドポイント）をエージェントに案内することで、これを補完します。

引用

研究で AIRAS を使用する場合は、以下のとおり引用してください。

@software{airas2025,
  author = {Toma Tanaka, Takumi Matsuzawa, Yuki Yoshino, Ilya Horiguchi, Shiro Takagi, Ryutaro Yamauchi, Wataru Kumagai},
  title = {AIRAS},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/airas-org/airas}
}