hypogenic

# Hypogenic ## 概述 Hypogenic 提供使用大语言模型的自动化假设生成与测试功能，以加速科学发现。该框架支持三种方法：HypoGeniC（数据驱动的假设生成）、HypoRefine（文献与数据协同整合）以及 Union 方法（文献与数据驱动假设的机制结合）。 ## 快速入门 几分钟内即可开始使用 Hypogenic： bash # 安装包 uv pip install hypogenic # 克隆示例数据集 git clone https://github.com/ChicagoHAI/HypoGeniC-datasets.git ./data # 运行基础假设生成 hypogenic_generation --config ./data/your_task/config.yaml --method hypogenic --num_hypotheses 20 # 对生成的假设运行推理 hypogenic_inference --config ./data/your_task/config.yaml --hypotheses output/hypotheses.json **或使用 Python API：** python from hypogenic import BaseTask # 使用您的配置创建任务 task = BaseTask(config_path="./data/your_task/config.yaml") # 生成假设 task.generate_hypotheses(method="hypogenic", num_hypotheses=20) # 运行推理 results = task.inference(hypothesis_bank="./output/hypotheses.json") ## 何时使用此技能 在以下场景中使用此技能： - 从观测数据集中生成科学假设 - 系统地测试多个竞争性假设 - 将文献见解与经验模式相结合 - 通过自动化假设构思加速研究发现 - 需要假设驱动分析的领域：欺诈检测、AI 生成内容识别、心理健康指标、预测建模或其他经验研究 ## 关键特性 **自动化假设生成** - 在几分钟内从数据中生成 10-20+ 个可测试的假设 - 基于验证性能的迭代优化 - 支持基于 API（OpenAI, Anthropic）和本地 LLM **文献整合** - 通过 PDF 处理从研究论文中提取见解 - 将理论基础与经验模式相结合 - 使用 GROBID 的系统性文献到假设流水线 **性能优化** - Redis 缓存减少重复实验的 API 成本 - 大规模假设测试的并行处理 - 自适应优化，专注于具有挑战性的示例 **灵活配置** - 基于模板的提示词工程，支持变量注入 - 针对特定领域任务的自定义标签提取 - 模块化架构，易于扩展