ResearchStat AI

面向科研场景的 AI 原生统计分析与可复现性平台。它把自然语言分析请求转化为一条受 Protocol 约束、经人工评审、由 Python/R 双引擎交叉验证、并完整留痕的统计工作流。

English | 简体中文 | 日本語

项目简介

ResearchStat AI 的目标不是复制 GraphPad Prism、SPSS 或 Origin，而是建立一套科研级统计基础设施：所有方法都有明确 Protocol，所有结果都绑定审计记录，所有图形都可复现。

V1 已形成完整闭环：

AI 规划
  -> Protocol 绑定
  -> 人工 Review
  -> Python/R 双引擎
  -> 交叉验证
  -> Audit Trail
  -> 出版级 Figure

核心原则：

• 统计可信度优先于功能数量。
• 所有分析必须可复现。
• 所有统计结果必须绑定明确 Protocol。
• AI 只负责规划，不负责数值计算。
• 不逆向工程商业软件。

实战成果

下面的图由正式 Figure Engine 直接生成，使用真实分析结果绑定 analysis_id 和 Protocol。

单因素 ANOVA + Tukey 的 boxplot

输入：“compare three drugs on mouse tumor size”。

推荐并执行的协议：one_way_anova_tukey_v1。

实际结果：

统计量	值
F	223.92
df1 / df2	2 / 33
p	6.35e-20
eta_squared	0.931

输出文件：

• SVG：boxplot_figure.svg
• PDF：boxplot_figure.pdf
• TIFF：boxplot_figure.tiff
• 图表规格：boxplot_figure_spec.json

回归 scatter

输出文件：

• SVG：scatter_figure.svg
• PDF：scatter_figure.pdf
• TIFF：scatter_figure.tiff

Audit Trail 示例

每次分析生成 analysis_record.json：

{
  "analysis_id": "d7b939710e2c4d29938090d2de8df154",
  "user_input": "compare three drugs on mouse tumor size",
  "protocol_id": "one_way_anova_tukey_v1",
  "dataset_hash": "6a833b74cf008278...",
  "human_review": {
    "action": "accept",
    "final_protocol_id": "one_way_anova_tukey_v1"
  },
  "results": {
    "statistics": {
      "F": 223.91748907214628,
      "df1": 2,
      "df2": 33
    },
    "p_values": {
      "overall": 6.34665861154214e-20
    },
    "effect_size": {
      "eta_squared": 0.9313693855481177
    }
  }
}

核心模块

• Protocol Registry：YAML 定义方法、假设、posthoc、alpha、缺失值策略和效应量，V1 内置 11 个协议。
• AI Planner：自然语言转结构化计划，只能从 Registry 选择协议。
• Human Review：分析前接受或覆盖推荐协议，记录 (recommended, accepted, reason)。
• Multi Engine：同一请求可在 Python 和 R 上执行，并做交叉验证。
• Validation：NIST StRD、R 官方 datasets、边界数据，连续统计量容差 1e-8，p 值容差 1e-6。
• Audit Trail：每次分析生成 analysis_record.json。
• Figure Engine：SVG 可编辑、PDF、TIFF 300 DPI，支持 scatter、boxplot、violin、survival。
• Privacy：字段脱敏、标识符哈希、临时目录自动清理。
• MCP：stdio、sse、streamable-http 三种 transport。

快速开始

不想看代码？先读 新手教程，里面有可以直接复制给 Agent 的话术。

示例数据：examples/data/tutorial_data.csv

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -e ".[figure,test,mcp]"

import pandas as pd
from researchstat.workflow import run_analysis_workflow

data = pd.read_csv("examples/data/tutorial_data.csv")

output = run_analysis_workflow(
    user_input="compare three drugs on mouse tumor size",
    data=data,
    outcome="value",
    group="group",
    audit_dir="audit",
)
print(output["result"].model_dump())

运行后，你会得到：

• 控制台输出推荐 Protocol 和最终 Protocol
• audit/ 下的 analysis_record.json
• 可调用 Figure Engine 生成 SVG/PDF/TIFF

MCP 调用

.\.venv\Scripts\python.exe -m researchstat.mcp.cli --transport stdio
.\.venv\Scripts\python.exe -m researchstat.mcp.cli --transport streamable-http --port 8000

暴露工具：

• list_protocols
• plan_analysis
• execute_analysis
• render_figure

验证与性能

• 测试：87 passed。
• Python vs R 交叉验证全部通过。
• NIST StRD Norris 回归通过认证值校验。
• 10000 行 ANOVA 实测约 0.79s，满足 <10 秒目标。
• AI Planner 15 个 benchmark 场景全部通过。

文档

• 项目计划：PROJECT_PLAN.md
• 新手教程：docs/TUTORIAL.md
• V1 验收：docs/V1_ACCEPTANCE.md
• 论文稿：docs/PAPER.md
• 傻瓜式教程：docs/TUTORIAL.md
• 竞品调研：docs/RESEARCH_LESSONS.md
• 开源生态：docs/ECOSYSTEM.md
• 英文介绍：docs/README.en.md
• 日文介绍：docs/README.ja.md

License

MIT，详见 LICENSE。第三方依赖许可证见 NOTICE。