Denario

Denario

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.md para 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