NeuroClaw：面向可执行与可复现神经影像研究的闭环智能体 AI

📖 概述

NeuroClaw 是一个面向可执行、可复现神经影像研究的 Research Assistant。其核心优势在于 神经影像数据集与模型适配：将原始扫描快速转化为可用输入，并使临床与研究人员以最小配置成本运行深度学习模型。

神经影像数据集需要专业的预处理，而预处理质量直接决定模型有效性。许多流程假设数据已被严格整理，而 MedicalClaw 对开源模型执行的自动化支持有限（主要集中在 TimesFM 和 AlphaFold 等大型项目），导致用户需投入大量时间在环境配置上。

NeuroClaw 强调 数据处理 与 模型配置/执行。它既提供独立可用的 GUI 和 CLI 工具，也可以作为技能库集成到 OpenClaw、Hermes、Claude Code 等 agent 项目中。

说明

我们构造了 NeuroBench 用于评估 multi-agent 在神经影像工作流（特别是原始数据处理和模型执行）中的性能，并计划完善基准、评测现有 medical claw 与 general claw 系统。
每个 SKILL.md 的末尾标注作者信息，如有问题请向对应作者提交 issue。

🚀 更新日志

[2026.05.23]：NeuroBench 现已覆盖数据处理与模型运行。
[2026.05.20]：neurooracle.atoms 形式化 7 原子 × 15 标准任务 + 4 条中介链
[2026.05.15]：NeuroOracle 上线，知识图谱探索器与假设引擎，在线 demo 见 https://huggingface.co/spaces/zxcvb20001/NeuroOracle。
[2026.05.06]：新增 19 个数据集和模态技能及配套脚本；全部 86 个技能统一元数据格式（layer、skill_type、dependencies）；skill_loader DAG 验证确保依赖图无环。
[2026.04.28]：我们的技术报告已上线 arXiv：https://arxiv.org/abs/2604.24696
[2026.04.22]：v1.0 发布，稳定版发布，包含改进与完整文档。
[2026.04.17]：项目首页已上线，欢迎访问：https://cuhk-aim-group.github.io/NeuroClaw/
[2026.04.08]：NeuroBench 发布，用于 multi-agent 神经影像工作流评估。
[2026.04.02]：v0.1 发布，NeuroClaw 框架和核心功能完成。

✨ 核心特性

🔄 数据感知编排

数据集上下文规划：围绕数据集结构、元数据和工作流阶段来组织能力，而不是简单围绕“调用哪个工具”
自动技能推荐：用户指定目标数据集后，NeuroClaw 会推荐相关技能并生成可执行工作流
预处理约束感知：在编排过程中考虑特定数据集的模态可用性和预处理要求

适配的数据集概况

数据集	支持模态	附加数据	队列规模	官方链接
ABCD Study	T1w; T2w; dMRI; rs-fMRI; task-fMRI	身体与心理健康、物质使用、文化/环境、神经认知、生物学数据	目标队列约 11,500 名儿童；完整批次通过 NIMH Data Archive 发布	https://abcdstudy.org/
ABIDE	T1w; rs-fMRI	ASD/对照表型数据	来自 17 个国际站点的 1,112 份数据集	https://fcon_1000.projects.nitrc.org/indi/abide/
ADHD-200	T1w; rs-fMRI	诊断状态、ADHD 症状量表、人口统计学信息、用药史、质控指标	8 个成像站点共 776 名参与者/数据集	https://fcon_1000.projects.nitrc.org/indi/adhd200/
AIBL	T1w; PET (PiB, FDG, tau)	认知评估、血液生物标志物、生活方式与人口统计学数据、APOE 基因型	约 1,100+ 名参与者（健康对照、MCI、AD）	https://aibl.csiro.au/
AOMIC	T1w; rs-fMRI; task-fMRI	人格特质（大五人格）、流体智力、人口统计学数据	约 1,000+ 名参与者	https://nilab-uva.github.io/AOMIC.github.io/
ADNI	T1w; T2w; FLAIR; dMRI; rs-fMRI; PET	遗传/组学数据、临床与认知评估	ADNI 各阶段累计约 2,000+ 名参与者	https://adni.loni.usc.edu/
BOLD5000	T1w; task-fMRI	视觉图像刺激、类别与图像元数据	4 名参与者，完成 5,000 张图像的视觉 fMRI 实验	https://bold5000-dataset.github.io/
Cam-CAN	T1w; T2*w; rs-fMRI; task-fMRI; MEG	覆盖成人寿命跨度的认知、感觉与健康测量	约 700 名 18-88 岁参与者	https://www.cam-can.org/
COBRE	T1w; rs-fMRI	人口统计学信息、利手信息、诊断信息	147 名参与者：72 名精神分裂症患者和 75 名健康对照	https://fcon_1000.projects.nitrc.org/indi/retro/cobre.html
DMT-HAR-MED	rs-fMRI	致幻剂干预条件、行为与生理测量	OpenNeuro ds006644 中的 40 名参与者	https://openneuro.org/datasets/ds006644/versions/1.0.1
HBN	T1w; T2w; dMRI; rs-fMRI; task-fMRI; EEG	精神病学、行为、认知、生活方式、遗传学、活动记录	已发布约 3,900+ 名参与者；目标资源不少于 10,000 名 5-21 岁个体	https://fcon_1000.projects.nitrc.org/indi/cmi_healthy_brain_network/
HCP Aging	T1w; T2w; dMRI; rs-fMRI; task-fMRI	行为、认知、健康与人口统计学测量	约 700+ 名 36-100 岁成人	https://www.humanconnectome.org/study/hcp-lifespan-aging
HCP Development	T1w; T2w; dMRI; rs-fMRI; task-fMRI	行为、认知、健康与人口统计学测量	约 600+ 名 5-21 岁儿童与青少年	https://www.humanconnectome.org/study/hcp-lifespan-development
HCP Early Psychosis	T1w; T2w; dMRI; rs-fMRI; task-fMRI	诊断、临床、行为与认知测量	约 250 名早期精神病与对照参与者	https://www.humanconnectome.org/study/hcp-early-psychosis
HCP Young Adult	T1w; T2w; dMRI; rs-fMRI; task-fMRI	行为与认知测量	约 1,200 名青年成人参与者	https://www.humanconnectome.org/study/hcp-young-adult
IXI	T1w; T2w; MRA	来自伦敦三家医院的健康脑 MRI 数据	约 600 名受试者	https://brain-development.org/ixi-dataset/
MS Challenge	T1w; T2w; FLAIR; PD	专家手动病灶分割标注，用于 MS 分割基准	5 名 MS 患者的多时间点纵向数据	https://smart-stats-tools.org/lesion-challenge
MND	rs-fMRI; task-fMRI	运动神经元病诊断与临床测量	OpenNeuro ds005874 中的 59 名参与者	https://openneuro.org/datasets/ds005874/versions/1.1.0
Natural Scenes Dataset	T1w; task-fMRI	自然图像刺激、行为反应、图像标注	8 名参与者的高密度重复视觉 fMRI 数据	https://naturalscenesdataset.org/
NIFD	T1w; fMRI; DTI; PET	FTD 临床与认知数据，UCSF 记忆与衰老中心	额颞叶痴呆及相关病变队列	https://ida.loni.usc.edu/
OASIS	T1w; PET (PiB)	临床与认知评估、痴呆诊断、人口统计学数据	横断面（400+）和纵向（150+）参与者，年龄 18-96 岁	https://www.oasis-brains.org/
PNC	T1w; dMRI; ASL; rs-fMRI; task-fMRI	基因分型、临床与神经精神评估、计算机化神经认知电池	青少年队列超过 9,500 人；其中 1,445 人具有神经影像数据	https://www.med.upenn.edu/bbl/philadelphianeurodevelopmentalcohort.html
PPMI	T1w; rs-fMRI; DAT-SPECT; PET	帕金森病的临床、遗传、生物样本和可穿戴传感器数据	约 2,000+ 名参与者，覆盖全球 30+ 个临床站点	https://www.ppmi-info.org/
REST-meta-MDD	rs-fMRI	MDD 诊断、临床与人口统计学测量	25 个队列共 2,428 名参与者	http://rfmri.org/REST-meta-MDD
SEED-IV	EEG	四类情绪标签、试次级会话元数据	15 名受试者，覆盖 3 次会话，用于情绪解码基准	https://bcmi.sjtu.edu.cn/home/seed/
SEED-VIG	EEG	警觉性/疲劳标签、连续清醒度标注、行为元数据	23 名受试者的持续注意驾驶场景警觉性记录	https://bcmi.sjtu.edu.cn/home/seed/
TCP	rs-fMRI	精神科诊断访谈、认知与临床评估	245 名跨诊断参与者	https://openneuro.org/datasets/ds004215
UCLA CNP	T1w; dMRI; rs-fMRI; task-fMRI	诊断分组、神经心理与表型评估	OpenNeuro ds000030 中的 272 名参与者	https://openneuro.org/datasets/ds000030
UK Biobank	T1w; T2w; FLAIR; dMRI; rs-fMRI; task-fMRI	基因型/基因组数据、问卷、医院记录、环境数据、社会人口学数据、体格测量	约 50,000 名参与者具有多模态影像数据	https://www.ukbiobank.ac.uk/

🎯 可执行性与可复现性

自动依赖管理：无需手动安装，系统自动检测并解决依赖
真实模型执行：不仅提供文档，还引导并执行复现
环境隔离：虚拟环境与容器化避免系统污染
可验证流程：完整日志与结果追踪
影子检查点：基于 Git 的文件快照，支持回滚和差异对比，不污染项目仓库
子代理编排：生成专业子代理（生物统计学家、临床神经科学家、方法学专家）进行多视角任务执行
反思学习：自动反思工具失败和任务完成，持久化记忆支持跨会话学习

🧠 端到端科研覆盖

文献检索：arXiv 搜索、PubMed 获取、学术资源整合
实验设计：文献分析、方法学评估、研究方案生成
数据处理：多格式转换（DICOM ↔ NIfTI）、自动化预处理流水线
模型执行：运行已发表模型，深度学习框架集成
结果可视化：科学数据可视化、统计图表生成
论文写作：自动草稿生成、格式标准化

🤝 灵活集成

NeuroClaw 可作为独立 Research Assistant 使用，自带 GUI 和 CLI，无需依赖其他宿主项目即可直接运行。
skills/、materials/、USER.md、SOUL.md 也可以作为技能库安装到 OpenClaw、Hermes、Claude Code 等现有 agent 系统中。
内置 core/ 引擎为独立部署提供完整的对话循环、技能加载器和工具运行时。
非神经科学连接器（WhatsApp、Telegram、Slack、日历、电商、SaaS 鉴权）已通过 core/config/features.json 默认禁用，如需启用可修改配置。

🚀 快速开始

前置条件

Python >= 3.10
Git
（可选） Conda/Mamba，用于环境隔离
（可选） nvidia-smi / nvcc，用于 GPU 支持
（推荐用于 Web UI 附件解析） pypdf、python-docx、openpyxl、python-pptx

NeuroClaw 可独立运行，自带 GUI 和 CLI。内置安装程序会自动配置 Python 环境、CUDA 版本、神经影像工具链和 LLM 后端。

安装步骤

克隆仓库

git clone https://github.com/CUHK-AIM-Group/NeuroClaw.git
cd NeuroClaw

运行安装向导
```
python installer/setup.py
```

该步骤会安装可直接用于 GUI 与 CLI 的独立 NeuroClaw 运行环境。向导将引导你完成：

Python 运行时选择（系统 Python / conda / Docker）
CUDA / GPU 配置，以及可选的 PyTorch 自动安装
神经科学工具链路径（FSL、FreeSurfer、dcm2niix 等）
LLM 后端选择（OpenAI、Anthropic 或本地模型）
默认 BIDS 和输出目录
Web UI 依赖与附件解析组件（PDF/DOCX/XLSX/PPTX）

配置保存到 neuroclaw_environment.json，每次会话自动加载。安装阶段不再要求输入 API key。请在运行时通过 --api-key 传入，或在启动前导出配置对应的环境变量。

使用自动检测默认值快速配置（无需交互）：

python installer/setup.py --non-interactive

如果你跳过了可选的 Web UI 依赖，可手动安装：
```bash
pip install "fastapi[standard]" uvicorn pypdf python-docx openpyxl python-pptx
```

启动 NeuroClaw

方式 A — 终端交互模式

python core/agent/main.py --api-key "$OPENAI_API_KEY"


**方式 B — 浏览器 Web UI**（推荐）
```bash
python core/agent/main.py --web --api-key "$OPENAI_API_KEY"

启动后在浏览器中打开 **http://localhost:7080**。Web UI 提供对话界面、技能侧边栏、Markdown 渲染和代码语法高亮。

如果你更倾向于环境变量方式，也可以先导出对应 provider 的 key，再不带 --api-key 启动。

Web UI 附件解析当前支持：
- 文本/配置/代码：`.txt`、`.md`、`.markdown`、`.json`、`.yaml`、`.yml`、`.csv`、`.tsv`、`.py`、`.js`、`.ts`、`.tsx`、`.jsx`、`.sh`、`.bash`、`.zsh`、`.sql`、`.html`、`.css`、`.xml`、`.log`、`.rst`、`.ini`、`.toml`、`.cfg`
- 文档类型：`.pdf`、`.docx`、`.xlsx`、`.pptx`

Web UI 文件选择器会限制为以上受支持格式。

如需自定义端口或绑定所有网络接口（如远程访问）：

python core/agent/main.py --web --port 8080 --host 0.0.0.0 --api-key "$OPENAI_API_KEY"

验证安装

# 检查环境配置文件是否有效
python installer/setup.py --check

# 列出已注册的神经科学技能
python -c "
from core.skill_loader.loader import SkillLoader
from pathlib import Path
skills = SkillLoader(Path('skills')).load_all()
for s in skills:
    print(s['name'])
"

Benchmark 测试

NeuroBench 任务位于 neurobench/，每个任务目录都包含一个 task.md 指令文件。

NeuroBench 目前接受以下几种测试设定：

with-skills：Agent 可以使用 skills/ 目录中加载的技能
no-skills：不启用技能的基线测试
with-skills + no-skills 配对对比：使用 --benchmark-compare-skills 对同一批任务同时运行两种设定

评分阶段使用 --score-benchmark 单独完成：它会读取 output/ 里的报告，使用 GPT-5.4 的加权评分规则，为计划完整性、工具/技能使用合理性以及命令/代码正确性生成分数。为保证公平，同一 task 会把所有可比模型放在同一批次联合打分，尽量降低评分标准漂移。报告里会单独记录 skill 调用次数，用于效率分析。

要对已有报告进行打分：

python core/agent/main.py --score-benchmark

如果希望在较大规模结果上加速打分：

python core/agent/main.py --score-benchmark --score-workers 8

Web benchmark 模式

python core/agent/main.py --web --benchmark

命令行 benchmark 批处理模式

python core/agent/main.py --benchmark

如果要在命令行下运行成对的 skill 对比测试：

python core/agent/main.py --benchmark --benchmark-compare-skills

在命令行 benchmark 模式下，NeuroClaw 会先询问：

benchmark 目录路径
benchmark 模型名

然后会自动：

递归读取该目录下所有 task.md
按任务文件夹名称字母顺序排序
逐个执行任务，中途不再要求用户确认
终端中只显示执行进度
报告按模型名保存到 output/<model_name>/ 目录下，并为每个 case 与 run 分别生成 markdown 报告

报告会包含思路、使用的技能、skill 调用次数，以及实际使用或建议的命令/代码。

📁 项目结构

NeuroClaw/
├── README.md                       # 英文版说明
├── README_zh.md                    # 中文版说明
├── USER.md                         # 用户配置与偏好
├── SOUL.md                         # 系统行为准则与原则
│
├── core/                           # 自包含 NeuroClaw 引擎（无需 OpenClaw）
│   ├── agent/                      # LLM 对话循环与工具调用调度器
│   │   └── main.py                 # 入口；--web 参数启动 Web UI
│   ├── web/                        # 浏览器端 Web UI（FastAPI + WebSocket）
│   │   ├── server.py               # FastAPI 应用：WebSocket 聊天、/api/skills、/api/env
│   │   └── static/
│   │       └── index.html          # 深色主题聊天界面（Markdown + 语法高亮）
│   ├── skill_loader/               # 技能扫描器：读取 skills/*/SKILL.md 并注册工具
│   │   └── loader.py
│   ├── tool-runtime/               # 执行 handler.js / Python handlers
│   │   └── runtime.py
│   ├── session/                    # 会话持久化与上下文窗口压缩
│   │   └── manager.py
│   ├── checkpoint/                 # Shadow-git 文件系统检查点管理器
│   │   ├── __init__.py
│   │   └── manager.py
│   └── config/
│       └── features.json           # 功能开关（禁用 WhatsApp/Slack 等；启用 web_ui）
│
├── installer/                      # 自定义安装程序（替换 OpenClaw 默认向导）
│   ├── setup.py                    # 入口：python installer/setup.py
│   ├── config_wizard.py            # 交互式 6 步配置向导（含 Web UI 依赖安装）
│   └── neuro_defaults.json         # 神经科学专用默认参数模板
│
├── skills/                         # 86 个技能：base (38) / subagent (42) / interface (6)
│   ├── abide-skill/
│   ├── aibl-skill/
│   ├── abcd-skill/
│   ├── academic-research-hub/
│   ├── adhd200-skill/
│   ├── adni-skill/
│   ├── aomic-skill/
│   ├── asl-skill/
│   ├── bids-organizer/
│   ├── beautiful-log/
│   ├── bnt/
│   ├── bold5000-skill/
│   ├── brain-visualization/
│   ├── brain_gnn/
│   ├── claw-shell/
│   ├── cobre-skill/
│   ├── camcan-skill/
│   ├── combraintf/
│   ├── conda-env-manager/
│   ├── conn-tool/
│   ├── dcm2nii/
│   ├── dependency-planner/
│   ├── detrending/
│   ├── dictlearning/
│   ├── dipy-tool/
│   ├── dmt-har-med-skill/
│   ├── docker-env-manager/
│   ├── dwi-skill/
│   ├── eeg-skill/
│   ├── experiment-controller/
│   ├── filtering/
│   ├── fm_app/
│   ├── fmri-skill/
│   ├── fmriprep-tool/
│   ├── freesurfer-tool/
│   ├── fsl-tool/
│   ├── git-essentials/
│   ├── git-workflows/
│   ├── glm/
│   ├── harmonization-tool/
│   ├── harness-core/
│   ├── hbn-skill/
│   ├── hcpa-skill/
│   ├── hcpd-skill/
│   ├── hcpep-skill/
│   ├── hcpya-skill/
│   ├── hcppipeline-tool/
│   ├── hierarchical/
│   ├── ibgnn/
│   ├── ica/
│   ├── ixi-skill/
│   ├── kmeans/
│   ├── knowledge-graph-builder/
│   ├── lggnn/
│   ├── method-design/
│   ├── mne-eeg-tool/
│   ├── meg-skill/
│   ├── mnd-skill/
│   ├── mschallenge-skill/
│   ├── multi-search-engine/
│   ├── neurostorm/
│   ├── nibabel-skill/
│   ├── nifd-skill/
│   ├── nsd-skill/
│   ├── nii2dcm/
│   ├── nilearn-tool/
│   ├── oasis-skill/
│   ├── overleaf-skill/
│   ├── paper-writing/
│   ├── pet-skill/
│   ├── pnc-skill/
│   ├── ppmi-skill/
│   ├── qsiprep-tool/
│   ├── research-idea/
│   ├── rest-mneta-mdd-skill/
│   ├── run_models/
│   ├── seed-iv-skill/
│   ├── seed-vig-skill/
│   ├── skill-updater/
│   ├── smri-skill/
│   ├── spacenet/
│   ├── svm/
│   ├── tcp-skill/
│   ├── ukb-skill/
│   ├── ucla-cnp-skill/
│   └── wmh-segmentation/
│
├── neurobench/                    # NeuroBench 评估任务（T01-T120）
│   ├── T00_installer_validation/   # 验证安装程序输出
│   └── …
│
├── materials/                      # 研究材料与参考资源
│   ├── CVPR_2026/
│   └── benchmark_results/
│
└── LICENSE                         # 许可证

🛠️ 技能速览

提示：在 Web UI 的任何技能卡片上点击 ℹ️ 图标可查看展开的文档、使用示例和最近的执行日志。

基础层

Skill	功能	状态
`dcm2nii`	DICOM → NIfTI 转换并保留元数据	✅
`nii2dcm`	NIfTI → DICOM 转换以支持临床互操作	✅
`git-essentials`	协作所需的核心 Git 命令	✅
`git-workflows`	高级 Git 工作流（rebase/worktree/bisect）	✅
`multi-search-engine`	无需 API Key 的多引擎搜索	✅
`conda-env-manager`	Conda 环境生命周期管理	✅
`docker-env-manager`	Docker 环境管理	✅
`dependency-planner`	依赖规划与安全安装流程	✅
`claw-shell`	专用会话下的安全命令执行入口	✅
`overleaf-skill`	Overleaf 同步与协作写作操作	✅
`academic-research-hub`	多来源学术检索与论文获取	✅
`bids-organizer`	原始数据组织为 BIDS 结构	✅
`beautiful-log`	将 User/NeuroClaw 直接对话导出为美观 HTML 日志	✅
`knowledge-graph-builder`	从文献和数据库构建领域知识图谱	✅
`skill-updater`	技能更新与管理工具	✅

接口层（任务编排）

Skill	功能	状态
`research-idea`	基于文献生成研究想法	✅
`method-design`	形式化网络结构并推导理论组件	✅
`experiment-controller`	查找并执行可复现实验	✅
`paper-writing`	从 IDEA/METHOD/EXPERIMENT 生成分层稿件	✅

子智能体层

NeuroClaw 的子智能体包括四类：tool、model、dataset、modality。

Tool

Skill	功能	状态
`brain-visualization`	将处理后神经影像输出转为发表级图像与 3D 资产（连接组、分区激活、FreeSurfer PLY 导出）	✅
`harmonization-tool`	跨站点 / 跨扫描仪特征和谐化（ComBat、ComBat-GAM、CovBat、site-as-covariate），自带 site-stratified 与 leave-site-out 切分；多站点队列 mega-analysis 的前置依赖	✅
`harness-core`	核心 Harness SDK（验证、检查点、漂移检测、审计日志）	✅
`mne-eeg-tool`	EEG 的 MNE-Python 基础实现	✅
`fsl-tool`	基于 FSL 的 sMRI/fMRI/DWI 处理工具	✅
`fmriprep-tool`	fMRIPrep 流水线封装与执行	✅
`qsiprep-tool`	qsiPrep 扩散 MRI 流水线封装	✅
`hcppipeline-tool`	HCP 风格处理流水线工具	✅
`dipy-tool`	基于 DIPY 的扩散 MRI 处理	✅
`nibabel-skill`	底层神经影像文件 I/O 与几何处理（NIfTI、仿射、FreeSurfer I/O）	✅
`nilearn-tool`	快速影像特征提取与解码准备	✅
`conn-tool`	功能连接计算与分析	✅
`freesurfer-tool`	基于 FreeSurfer 的 MRI 处理与分割	✅

Model

Skill	功能	状态
`run_models`	模型注册与执行编排	✅
`wmh-segmentation`	白质高信号分割（MARS-WMH nnU-Net）	✅
`brain_gnn`	BrainGNN：用于 fMRI 分类的图神经网络	✅
`bnt`	BrainNetworkTransformer：基于稠密 FC 矩阵的 Transformer，配合 DEC 池化做表型预测	✅
`combraintf`	Com-BrainTF：稠密 FC 输入下的两级（社区内 + 全局）社区感知 Transformer	✅
`ibgnn`	IBGNN：基于 PyG 的可解释 GNN，使用 MLP 消息函数并支持边遮罩解释	✅
`lggnn`	LG-GNN：基于 PyG 的 GNN，集成 SABP 自注意力脑池化与互信息正则化	✅
`fm_app`	FM-APP：fMRI+sMRI 多阶段表型预测	✅
`neurostorm`	NeuroStorm：神经影像基础模型	✅
`glm`	用于任务态 fMRI 激活分析与组水平推断的一二级 GLM	✅
`ica`	基于独立成分分析的静息态网络分解	✅
`dictlearning`	基于字典学习的稀疏静息态网络分解	✅
`svm`	基于 ROI/表格特征的经典神经影像疾病分类	✅
`spacenet`	带稀疏系数图的体素级神经影像疾病分类	✅
`kmeans`	基于 K-means 聚类的脑区划分	✅
`hierarchical`	基于层次聚类的多尺度脑区划分	✅
`filtering`	面向神经影像时序信号的时间滤波去噪	✅
`detrending`	面向神经影像时序信号的时间漂移去除	✅

Dataset

Skill	功能	状态
`abide-skill`	ABIDE 数据集下载、BIDS 整理与 sMRI/rs-fMRI 处理	✅
`aibl-skill`	AIBL 数据集访问、BIDS 整理与 sMRI/PET 处理	✅
`abcd-skill`	ABCD Study 数据集下载、BIDS 整理与多模态处理	✅
`adhd200-skill`	ADHD-200 数据集下载、BIDS 整理与 sMRI/rs-fMRI 处理	✅
`adni-skill`	ADNI 数据集自动化处理流程	✅
`aomic-skill`	AOMIC 数据集验证、BIDS 整理与 sMRI/rs-fMRI/task-fMRI 处理	✅
`bold5000-skill`	BOLD5000 数据集 BIDS 验证与视觉任务态 fMRI 处理	✅
`camcan-skill`	Cam-CAN 数据集 BIDS 验证与多模态 sMRI/rs-fMRI/task-fMRI/dMRI 处理	✅
`cobre-skill`	COBRE 数据集 BIDS 整理与精神分裂症对照 fMRI 处理	✅
`dmt-har-med-skill`	DMT-HAR-MED 数据集 BIDS 验证与致幻剂 rs-fMRI 处理	✅
`hbn-skill`	HBN 数据集下载、BIDS 整理与多模态 sMRI/fMRI/dMRI/EEG 处理	✅
`hcpa-skill`	HCP Aging 数据集下载、BIDS 整理与多模态 sMRI/fMRI/dMRI 处理	✅
`hcpd-skill`	HCP Development 数据集下载、BIDS 整理与多模态 sMRI/fMRI/dMRI 处理	✅
`hcpep-skill`	HCP Early Psychosis 数据集下载、BIDS 整理与多模态 sMRI/fMRI/dMRI 处理	✅
`hcpya-skill`	HCP Young Adult (HCP1200) 数据集下载、BIDS 整理与多模态 sMRI/fMRI/dMRI 处理	✅
`ixi-skill`	IXI 数据集 BIDS 验证与多模态 sMRI/MRA/dMRI 处理	✅
`mnd-skill`	MND 数据集 BIDS 验证、rs-fMRI/task-fMRI 处理与表型数据提取	✅
`mschallenge-skill`	MS 病灶挑战赛 BIDS 验证、病灶分析与纵向追踪	✅
`nsd-skill`	Natural Scenes Dataset BIDS 验证、task-fMRI 处理与 COCO 刺激元数据提取	✅
`nifd-skill`	NIFD 数据集 BIDS 验证与多模态 sMRI/rs-fMRI/dMRI 处理（额颞叶痴呆）	✅
`oasis-skill`	OASIS 数据集 BIDS 验证、sMRI 处理与表型数据提取（老化/AD 研究）	✅
`pnc-skill`	PNC 数据集 BIDS 验证与多模态 sMRI/rs-fMRI/task-fMRI/dMRI 处理（发育研究）	✅
`ppmi-skill`	PPMI 数据集 BIDS 验证与多模态 sMRI/rs-fMRI/dMRI 处理（帕金森病）	✅
`rest-mneta-mdd-skill`	REST-meta-MDD 多站点 rs-fMRI 处理、站点协调与抑郁症表型数据提取	✅
`seed-iv-skill`	SEED-IV EEG 情绪识别（4 类情绪）、特征提取与分类	✅
`seed-vig-skill`	SEED-VIG EEG 警觉度/疲劳检测、特征提取与困倦分类	✅
`tcp-skill`	Transdiagnostic Connectome Project BIDS 验证与多模态 sMRI/rs-fMRI/dMRI 处理	✅
`ucla-cnp-skill`	UCLA CNP BIDS 验证、多模态 sMRI/task-fMRI/dMRI 处理与多障碍表型分析	✅
`ukb-skill`	UKB 脑影像自动化处理流程	✅

Modality

Skill	功能	状态
`eeg-skill`	EEG 预处理与特征提取流程	✅
`fmri-skill`	功能 MRI 预处理与分析流程	✅
`smri-skill`	结构 MRI 预处理与分析流程	✅
`dwi-skill`	扩散 MRI 预处理与分析流程	✅
`pet-skill`	PET 影像处理流程（SUVR 计算、参考区域、部分容积校正）	✅
`asl-skill`	ASL 灌注 MRI 处理流程（CBF 量化、Buxton 模型）	✅
`meg-skill`	MEG 处理流程（源定位、时频分析、连接性）	✅

图例：✅ 已实现 | 🏗️ 开发中 | ⏳ 规划中

🙏 致谢

感谢：

OpenClaw
Hermes
Claude Code
Karcen/rs-fMRI-Pipeline-Tutorial
nature-skills
开源神经科学工具社区（MNE-Python、FreeSurfer、FSL 等）

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

NeuroClaw：面向可执行与可复现神经影像研究的闭环智能体 AI

📖 概述

🚀 更新日志

✨ 核心特性

🔄 数据感知编排

适配的数据集概况

🎯 可执行性与可复现性

🧠 端到端科研覆盖

🤝 灵活集成

🚀 快速开始

前置条件

安装步骤

验证安装

Benchmark 测试

📁 项目结构

🛠️ 技能速览

基础层

接口层（任务编排）

子智能体层

Tool

Model

Dataset

Modality

🙏 致谢

FilesExpand file tree

README_zh.md

Latest commit

History

README_zh.md

File metadata and controls

NeuroClaw：面向可执行与可复现神经影像研究的闭环智能体 AI

📖 概述

🚀 更新日志

✨ 核心特性

🔄 数据感知编排

适配的数据集概况

🎯 可执行性与可复现性

🧠 端到端科研覆盖

🤝 灵活集成

🚀 快速开始

前置条件

安装步骤

验证安装

Benchmark 测试

📁 项目结构

🛠️ 技能速览

基础层

接口层（任务编排）

子智能体层

Tool

Model

Dataset

Modality

🙏 致谢