Scientific research agent extension for OpenCode - turns research goals into reproducible Jupyter notebooks
npm install gyoshu> "每一位伟大的教授都需要一位优秀的助教。"
Gyoshu（교수，教授）负责统筹。Jogyo（조교，助教）负责执行。
它们共同构成了一个面向 OpenCode 的端到端研究自动化系统，能够将您的研究目标转化为可复现的 Jupyter notebook——包含完整的假设、实验、发现和可发表的研究报告。
---
| 智能体 | 角色 | 韩语 | 职责 |
|-------|------|------|------|
| Gyoshu | 🎩 教授 | 교수 | 规划研究、协调工作流程、管理会话 |
| Jogyo | 📚 助教 | 조교 | 执行 Python 代码、运行实验、生成输出 |
| Baksa | 🔍 博士审稿人 | 박사 | 对抗性验证者——质疑每个结论，计算可信度分数 |
| Jogyo Paper Writer | ✍️ 研究生 | 조교 | 将原始发现转化为流畅的研究报告 |
可以把它想象成一个研究实验室：
- 教授（Gyoshu）设定研究方向并审查进度
- 助教（Jogyo）执行实际的实验和分析工作
- 博士审稿人（Baksa）扮演"唱反调"的角色，质疑每一个结论
- 到了发表的时候，研究生将研究发现撰写成优美的论文
---
🎬 演示即将推出！请尝试快速入门教程体验 Gyoshu 的强大功能。
- 🔬 假设驱动研究 — 使用 [OBJECTIVE]、[HYPOTHESIS]、[FINDING] 标记来组织您的研究工作
- 🐍 持久化 Python REPL — 变量在会话间保持不变，就像真正的 Jupyter 内核一样
- 📓 自动生成 Notebook — 每个实验都被记录为可复现的 .ipynb 文件
- 🤖 自主模式 — 设定目标，离开去做其他事情，回来就能看到结果
- 🔍 对抗性验证 — 博士审稿人会在接受结论前质疑每一个论断
- 📝 AI 驱动的报告 — 将杂乱的输出转化为精美的研究叙述
- 🔄 会话管理 — 随时继续、回放或分支您的研究
---
``bash`
curl -fsSL https://raw.githubusercontent.com/Yeachan-Heo/My-Jogyo/main/install.sh | bash
📦 其他安装方式
克隆并安装（如果您想贡献或修改）
`bash`
git clone https://github.com/Yeachan-Heo/My-Jogyo.git
cd My-Jogyo && ./install.sh
npm/bunx（包管理器）
`bash`
npm install -g gyoshu && gyoshu install或
bunx gyoshu install
验证安装：
`bash`
./install.sh --check # 如果您克隆了仓库或直接运行 opencode 并尝试 /gyoshu
---
> 正在使用 Claude、GPT、Gemini 或其他 AI 助手配合 OpenCode？本节专为您准备。
安装方式相同 — 使用上述方法安装 Gyoshu，然后为您的 LLM 提供所需的上下文：
1. 将您的 LLM 指向指南：
> "阅读 Gyoshu 目录中的 AGENTS.md 以获取如何使用研究工具的完整上下文。"
2. 或者粘贴这个快速入门提示：
`
I've installed Gyoshu. Read AGENTS.md and help me run /gyoshu to analyze my data.
您的 LLM 应该知道的关键命令：
| 命令 | 功能 |
|-----|------|
| /gyoshu | 启动交互式研究 |/gyoshu-auto <目标>
| | 自主研究（无需干预） |/gyoshu doctor
| | 检查系统健康状态并诊断问题 |
> 提示： AGENTS.md 包含 LLM 所需的一切——智能体、命令、标记、故障排除等。
---
`bash启动 OpenCode
opencode
---
📖 命令
$3
| 命令 | 功能 |
|-----|------|
|
| 显示状态和下一步操作 |
| /gyoshu <目标> | 启动交互式研究 |
| /gyoshu-auto <目标> | 自主模式（设定后就不用管了！） |
| /gyoshu plan <目标> | 只创建计划，不执行 |
| /gyoshu continue | 继续上次的工作 |
| /gyoshu report | 生成研究报告 |
| /gyoshu list | 查看所有研究项目 |
| /gyoshu search <查询> | 在所有 notebook 中搜索内容 |
| /gyoshu doctor | 检查系统健康状态并诊断问题 |$3
| 模式 | 适用场景 | 命令 |
|-----|---------|-----|
| 🎓 交互式 | 学习、探索、迭代 |
/gyoshu <目标> |
| 🤖 自主式 | 明确目标、无需干预执行 | /gyoshu-auto <目标> |
| 🔧 REPL | 快速探索、调试 | /gyoshu repl <查询> |---
🔬 研究工作流程
$3
`
/gyoshu analyze wine quality factors and build a predictive model
$3
Gyoshu 创建一个结构化的研究计划，包含明确的目标和假设。$3
Jogyo 运行 Python 代码，使用结构化标记来组织输出：python
print("[OBJECTIVE] Predict wine quality from physicochemical properties")
print("[HYPOTHESIS] Alcohol content is the strongest predictor")... 分析代码 ...
print(f"[METRIC:accuracy] {accuracy:.3f}")
print("[FINDING] Alcohol shows r=0.47 correlation with quality")
print("[CONCLUSION] Hypothesis supported - alcohol is key predictor")
`$3
所有内容都被记录在 中，确保完全可复现。$3
Paper Writer 智能体将标记转化为叙述性报告：> "我们对 1,599 个葡萄酒样本的分析表明，酒精含量是质量评分的主要预测因子（r = 0.47）。最终的随机森林模型达到了 87% 的准确率..."
---
📁 项目结构
`
your-project/
├── notebooks/ # 📓 研究 notebook
│ ├── wine-quality.ipynb
│ └── customer-churn.ipynb
├── reports/ # 📝 生成的报告
│ └── wine-quality/
│ ├── report.md # AI 撰写的叙述性报告
│ ├── figures/ # 保存的图表
│ └── models/ # 保存的模型
├── data/ # 📊 您的数据集
└── .venv/ # 🐍 Python 环境
运行时文件（套接字、锁）存放在操作系统临时目录中——不会污染您的项目！🧹
$3
当您运行研究时，Gyoshu 会在您的项目中创建这些产出物：
your-project/
├── notebooks/
│ └── your-research.ipynb ← 研究 notebook（真实来源）
├── reports/
│ └── your-research/
│ ├── figures/ ← 保存的图表（.png, .svg）
│ ├── models/ ← 训练好的模型（.pkl, .joblib）
│ └── report.md ← 生成的研究报告
└── (您现有的文件保持不变！)
> 注意： Gyoshu 永远不会修改您的
、data/ 或其他现有项目文件。---
🎯 输出标记
助教使用结构化标记来组织研究输出：
| 标记 | 用途 | 示例 |
|-----|-----|-----|
|
[OBJECTIVE] | 研究目标 | [OBJECTIVE] Classify iris species |
| [HYPOTHESIS] | 待验证的假设 | [HYPOTHESIS] Petal length is most predictive |
| [DATA] | 数据集信息 | [DATA] Loaded 150 samples |
| [METRIC:name] | 定量结果 | [METRIC:accuracy] 0.95 |
| [FINDING] | 关键发现 | [FINDING] Setosa is linearly separable |
| [CONCLUSION] | 最终结论 | [CONCLUSION] Hypothesis confirmed |---
🐍 Python 环境
Gyoshu 使用您项目的
.venv/ 虚拟环境：| 优先级 | 类型 | 检测方式 |
|-------|-----|---------|
| 1️⃣ | 自定义 |
GYOSHU_PYTHON_PATH 环境变量 |
| 2️⃣ | venv | .venv/bin/python 存在 |快速设置：
`bash
python3 -m venv .venv
.venv/bin/pip install pandas numpy scikit-learn matplotlib seaborn
`> 注意： Gyoshu 使用您项目的虚拟环境，永远不会修改系统 Python。
---
🛠️ 系统要求
- OpenCode v0.1.0+
- Python 3.10+
- 可选：
（用于内存跟踪）$3
| 平台 | 状态 | 备注 |
|-----|-----|-----|
| Linux | ✅ 主要支持 | 在 Ubuntu 22.04+ 上测试 |
| macOS | ✅ 支持 | Intel 和 Apple Silicon |
| Windows | ⚠️ 仅限 WSL2 | 不支持原生 Windows |
---
🔄 更新
$3
`bash
curl -fsSL https://raw.githubusercontent.com/Yeachan-Heo/My-Jogyo/main/install.sh | bash
`$3
bash
cd My-Jogyo
git pull
./install.sh
`$3
bash
opencode
/gyoshu doctor
`查看 CHANGELOG.md 了解每个版本的更新内容。
---
🎓 为什么叫 "Gyoshu" 和 "Jogyo"？
在韩国学术界：
- 교수 (Gyoshu/Kyosu) = 教授——指导、规划和监督的人
- 조교 (Jogyo) = 助教——执行、实验和承担繁重工作的人
这反映了系统架构：Gyoshu 是规划和管理研究流程的协调智能体，而 Jogyo 是实际运行 Python 代码并产生结果的执行智能体。
这是一种合作关系。教授有远见，助教将其实现。他们一起发表论文。📚
---
🤝 可选配套工具：Oh-My-OpenCode
> Gyoshu 完全独立运行。 它拥有自己的智能体栈，不需要其他 OpenCode 扩展（如 oh-my-opencode）。
对于数据驱动的产品开发工作流程，您可以选择将 Gyoshu 与 Oh-My-OpenCode 结合使用：
| 工具 | 聚焦领域 | 独立运行？ |
|-----|---------|----------|
| Gyoshu（本项目） | 📊 研究与分析 | ✅ 完全独立 |
| Oh-My-OpenCode | 🏗️ 产品开发 | ✅ 完全独立 |
$3
Gyoshu 包含研究所需的一切：
| 智能体 | 角色 | 职责 |
|-------|-----|-----|
|
| 教授 | 规划研究、协调工作流程 |
| @jogyo | 助教 | 执行 Python 代码、运行实验 |
| @baksa | 博士审稿人 | 质疑结论、验证证据 |
| @jogyo-insight | 证据收集者 | 搜索文档、查找示例 |
| @jogyo-feedback | 学习探索者 | 回顾过往会话寻找模式 |
| @jogyo-paper-writer | 报告撰写者 | 将发现转化为叙述性报告 |$3
如果您选择同时使用这两个工具：
1. 使用 Gyoshu 进行研究：
`
/gyoshu-auto analyze user behavior and identify churn predictors
→ 产出洞察："7 天内未使用功能 X 的用户流失率高 3 倍"2. 使用 Oh-My-OpenCode 进行构建：
/planner implement onboarding flow that guides users to feature X
→ 发布解决该洞察的功能数据指导决策，代码实现解决方案。 🚀
> 注意： 使用 Gyoshu 不需要 Oh-My-OpenCode。每个工具都可以独立工作。
---
🔧 故障排除
| 问题 | 解决方案 |
|-----|---------|
| "No .venv found" | 创建虚拟环境：
|
| "Bridge failed to start" | 检查 Python 版本（需要 3.10+）：python3 --version。检查套接字路径权限。 |
| "Session locked" | 在确认没有进程运行后使用 /gyoshu unlock |
| OpenCode not in PATH | 从 opencode-ai/opencode 安装 |还有问题？运行
/gyoshu doctor` 来诊断问题。---
MIT — 使用它、分叉它、用它来教学！
---