向AI转型的程序员都关注公众号 机器学习AI算法工程
ARIS 是一套用于自主机器学习研究的纯 Markdown 技能集合。它把文献调研、idea 发现、实验自动化、论文写作、同行评审回复串成一条流水线，交给 Claude Code 之类的 LLM Agent 在无人值守时执行。仓库目前包含 82 个可组合技能，每个技能就是一个 SKILL.md 文件。
项目的设计取向是「无框架、零锁定」：技能层全是 Markdown，不依赖数据库、Docker 或守护进程。除了 Claude Code，也可以在 Codex CLI、Cursor、Trae、Antigravity、GitHub Copilot CLI、OpenClaw、DeepSeek Harness 等宿主上运行。作者对此的表述是「ARIS is a methodology, not a platform」。
项目概况
|
|
|
|---|---|
|
|
SKILL.md）
|
|
|
|
|
|
xhigh / ultra），经 Codex MCP 调用
|
|
|
install_aris.sh），可选按组/按技能选择
|
|
|
|
|
|
|
核心机制：跨模型评审循环
ARIS 的流程由两个模型分工完成：一个负责执行，另一个负责批判性评审。默认组合是 Claude Code 执行、GPT-6-Astra 评审（通过 Codex MCP 调用）。
作者给出的理由是：让同一个模型既执行又评审会陷入 local minima——模型审查自己的输出会产生盲区。Claude Code 的优势是执行快、流程顺，Codex 较慢但在批判上更严格，两者是「speed × rigor」的互补。
评审模型的配置与回退：
-
默认评审模型 gpt-6-astra；7 个深度审查技能用ultra推理档位，其余为xhigh。 -
能力回退链： gpt-6-astra→gpt-5.6-sol→gpt-5.5（均为xhigh），账户没有新模型时自动降级，无需配置。 -
可显式指定 — reviewer: oracle-pro，改用 GPT-5.5 Pro（经 Oracle MCP）。 -
Codex 侧镜像方案若仍由 Codex 自审，结果会标记为 same-family / provisional，只有叠加 Claude/Gemini 评审或确定性验证器才会记为accepted。
工作流
技能可单独使用，也可串成完整流水线：
/research-lit → /idea-creator → /novelty-check → /research-refine → /experiment-bridge → /auto-review-loop → /paper-writing → submit → /rebuttal ↕ research-wiki（跨会话持久记忆） /meta-optimize（ARIS 自我改进，独立运行）
|
|
|
|
|---|---|---|
|
|
/idea-discovery |
|
|
|
/experiment-bridge |
|
|
|
/auto-review-loop |
|
|
|
/paper-writing |
|
|
|
/rebuttal |
|
|
|
/resubmit-pipeline |
|
|
|
/paper-talk |
|
|
|
/proof-orchestrator |
|
|
|
/research-wiki init |
|
|
|
/meta-optimize |
|
W1：idea 发现（8 步）
调研现状 → 头脑风暴 8–12 个具体 idea → 按可行性与算力成本过滤 → 深度新颖性校验 + devil's advocate 评审 → 对 top 2–3 个 idea 并行跑 GPU 试点（每个 30 分钟到 2 小时）→ 按实证信号排序 → 把最优 idea 精化为问题锚定的方案 → 规划带消融与预算的实验路线。产出 IDEA_REPORT.md、FINAL_PROPOSAL.md、EXPERIMENT_PLAN.md，并会记录失败方向。
W2：自动评审循环（过夜运行的核心）
流程为四步：GPT-6-Astra 深度评审找出弱点 → Claude 实施修复（改写章节、补 baseline 或跑新实验）→ 收集结果回喂评审者 → 重复，直到分数达到 POSITIVE_THRESHOLD（默认 6/10）或达到 MAX_ROUNDS（默认 4）。
两个实现细节：预计超过 4 GPU 小时的实验会自动跳过并标记人工跟进；上下文窗口写满时会从 REVIEW_STATE.json 自动续跑。
W4：Rebuttal 的三道约束
回复审稿意见时设了三条硬性约束：不编造（每条论断都能对应到论文/审稿意见/用户确认的结果）、不过度承诺（每项承诺都经用户确认）、全覆盖（每条审稿意见都被跟踪）。输出两个文件：PASTE_READY.txt（精确控制字符数，可直接粘贴）和 REBUTTAL_DRAFT_rich.md（供手动编辑的扩展版）。
常用参数：venue（默认 ICML）、character limit（必填）、quick mode（只做解析与策略，不起草）、auto experiment（审稿人要求新证据时自动补实验）、max stress test rounds（默认 1）、max followup rounds（默认 3）。
一次真实过夜运行的分数变化
README 记录了一次 4 轮自动循环的实际结果，分数从 5.0/10 提升到 7.5/10，期间自主跑了 20+ GPU 实验：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
这个过程中 Round 2 和 Round 3 都是模型自己发现 claim 站不住并主动转向——项目的价值点在于「会推翻自己」，而不只是「会写」。
安装与上手
先决条件
- Claude Code
（或其他宿主）。 - Codex CLI
——评审技能通过它调用 GPT。需 npm install -g @openai/codex并codex login，评审模型取自~/.codex/config.toml。 - LaTeX
——仅 W3 论文写作需要（ latexmk+pdfinfo）。只用 W1/W2 则不需要。Windows 用 MiKTeX 或 TeX Live，并单独装 Poppler 把pdfinfo.exe加进 PATH。
1. 安装技能
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git bash Auto-claude-code-research-in-sleep/tools/install_aris.sh ~/your-project # 项目级软链接到/.claude/skills/，清单记录在 .aris/installed-skills.txt # 全局安装：cp -r Auto-claude-code-research-in-sleep/skills/* ~/.claude/skills/ # 不需要全部 82 个：--list-groups / --groups X,Y / --skills X
2. 注册 Codex 评审者（新安装）
npm install -g @openai/codex && codex login claude mcp add codex -s user -- python3 "$(pwd)/Auto-claude-code-research-in-sleep/mcp-servers/codex-exec/server.py" # 重启 Claude Code，用 claude mcp list 确认： # codex: python3 …/codex-exec/server.py - ✔ Connected
2b. 已在 2026-09-11 前安装过（MCP 重新注册）
cd Auto-claude-code-research-in-sleep && git pull claude mcp remove codex -s user claude mcp add codex -s user -- python3 "$(pwd)/mcp-servers/codex-exec/server.py" # 重启并检查 claude mcp list；技能本身无需改动
3. 常用命令
# 在 Claude Code 中执行 /idea-discovery "factorized gap in discrete diffusion LMs" # 方向要具体，不要只写 "NLP" /experiment-bridge # 有计划？实现 + 部署 + 收结果 /auto-review-loop "your paper topic" # 过夜：评审 → 修复 → 再评审 /paper-writing "NARRATIVE_REPORT.md" # 叙事 → PDF /rebuttal "paper/ + reviews" — venue: ICML, character limit: 5000 /research-pipeline "your research direction" # W1 → 1.5 → 2 → 3 全链路 /research-wiki init # 开启持久记忆（一次性） /meta-optimize # 分析日志，提出技能改进
更新与卸载
cd Auto-claude-code-research-in-sleep && git pull bash tools/smart_update.sh --apply # 更新安全技能，并标记你的个人改动 # 卸载（不影响你自己的技能） cd Auto-claude-code-research-in-sleep && ls skills/ | xargs -I{} rm -rf ~/.claude/skills/{}
常用参数
所有流水线行为都可用 — key: value 内联覆盖，共 16 个参数。常用的几个：
|
|
|
|
|---|---|---|
effort |
|
lite 0.4x / balanced / max 2.5x / beast 5–8x
|
difficulty |
|
medium / hard / nightmare
|
gpu |
|
local
remote（SSH）/ vast（Vast.ai 按需租用）
|
human checkpoint |
|
|
AUTO_PROCEED |
|
|
DBLP_BIBTEX |
|
|
code review |
|
|
ref paper
base repo
|
|
|
sources |
|
zotero/obsidian/local/web/semantic-scholar/deepxiv/exa/gemini/openalex
|
定向改进的用法示例（给定论文 + 代码库）：
/research-pipeline "improve method X" — ref paper: https://arxiv.org/abs/2406.04329, base repo: https://github.com/org/project
没有 Claude / OpenAI API 也能用
ARIS 提供 10 条替代模型路线，保持同样的跨模型架构：Z.ai GLM、阿里云系（Kimi / Qwen / MiniMax）、经 ModelScope 的免费 DeepSeek-V3.1、OpenRouter 作为评审后端、Codex 执行 + Claude/Gemini 评审、Google Antigravity 等。完整的路由表与逐条配置见仓库 docs/MODEL_COMBINATIONS.md。
在 DeepSeek Harness 上可作为一个插件安装：dsh plugin --profile web add dsh-aris（自行从 npm 拉取，无需额外安装步骤，但 pnpm 需在 PATH 上）。此外还有 Rust 写的独立 CLI 版本 ARIS-Code，以及一个 macOS 上的 Tkinter 悬浮监控小窗 aris-monitor/（会话等待审批时亮红点，点击跳转终端）。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
【模型高效部署】tensorrtx 深度解读，yolov11高性能推理实战案例
实时语义分割ENet算法，提取书本/票据边缘
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
《大语言模型》PDF下载
动手学深度学习-（李沐）PyTorch版本
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《基于深度学习的自然语言处理》中/英PDF
Deep Learning 中文版初版-周志华团队
【全套视频课】最全的目标检测算法系列讲解，通俗易懂！
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
python就业班学习视频，从入门到实战项目
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
《深度学习之pytorch》pdf+附书源码
《Python数据分析与挖掘实战》PDF+完整源码
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
