SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场aris-autonomous-ml-research

aris-autonomous-ml-research

智能体与模型

查看项目

更新于 10-16 13:52

技能介绍

用途

ARIS（Auto-Research-In-Sleep）是一套轻量级、基于 Markdown 的自主机器学习研究系统，通过编排跨模型协作，让 AI 智能体自动发现创意、评审论文、运行实验并撰写反驳信。它可与 Claude Code、Codex CLI、Cursor、Trae、Antigravity 或任意 LLM 智能体配合使用，作者为 ara.so，属于 Claude Code Skills 集合。

主要能力

  • 创意生成：从 arXiv 论文、GitHub 仓库或研究方向自动发现研究创意。
  • 跨模型评审：执行与评审使用不同 LLM，打破自博弈盲区（例如 Claude Code 执行、GPT-5.4 评审）。
  • 实验自动化：克隆代码库、运行实验、分析结果。
  • 论文写作：生成草稿并通过自动评审循环提升质量。
  • 反驳信生成：解析审稿意见、构建策略、在字数限制内起草反驳信。
  • 研究 Wiki：持久化知识库，跟踪论文、创意、实验与论断。

安装方式

作为 Claude Code 技能（编辑器内）

# Clone skills into your Claude Code skills directory
cd ~/claude-code-skills  # or your skills path
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git aris
cd aris/skills

# Skills are now available in Claude Code

作为独立 CLI（ARIS-Code）

# Download latest release
# Visit: https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/releases/latest

# Or install from source
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git
cd Auto-claude-code-research-in-sleep/aris-code
cargo build --release

# Run setup
./target/release/aris-code
# Follow interactive setup to configure API keys

环境配置

ARIS 需要 LLM 提供方的 API 密钥：

# For Claude (primary executor)
export ANTHROPIC_API_KEY=your_key_here

# For OpenAI (reviewer/alternative)
export OPENAI_API_KEY=your_key_here

# For alternative Chinese models (optional)
export MOONSHOT_API_KEY=your_key_here      # Kimi
export MINIMAX_API_KEY=your_key_here       # MiniMax
export GLM_API_KEY=your_key_here           # GLM
export DEEPSEEK_API_KEY=your_key_here      # DeepSeek
export DOUBAO_API_KEY=your_key_here        # Doubao

使用方式

独立 CLI 命令

# Interactive setup
/setup

# Run full research pipeline
/research-pipeline "your research direction"

# Run with reference paper and base repo
/research-pipeline "improve method X" -- ref paper: https://arxiv.org/abs/2406.04329, base repo: https://github.com/org/project

# Generate rebuttal from reviews
/rebuttal "paper/ + reviews" -- venue: ICML, character limit: 5000

# Plan mode (step-by-step breakdown)
/plan "implement transformer variant"

# Research Wiki operations
/wiki add paper <arxiv_url>
/wiki add idea "your idea description"
/wiki query "search term"
/wiki export

# Meta-optimization (self-improvement)
/meta-optimize

# Task management
/tasks
/tasks add "task description"
/tasks complete <id>

# Help and info
/help
/models  # List available models

Claude Code 技能命令

当以 Claude Code 技能方式使用 ARIS 时，通过自然语言触发工作流：

"Use ARIS to review this paper: https://arxiv.org/abs/2406.04329"
"Generate research ideas about discrete diffusion models"
"Run the research pipeline for improving attention mechanisms"
"Help me write a rebuttal for these ICML reviews"

核心工作流

1. 完整研究流水线

端到端自主研究：

/research-pipeline "factorized gap in discrete diffusion LMs"

执行内容：从 arXiv 发现相关论文；生成新颖研究创意；用外部 LLM 评审创意（跨模型）；对最优创意运行实验；撰写论文草稿；自动评审并改进草稿；输出最终论文与代码。

带参考论文与代码库：

/research-pipeline "improve attention efficiency" -- ref paper: https://arxiv.org/abs/2305.xxxx, base repo: https://github.com/org/attention-impl

ARIS 会阅读论文 → 找出弱点 → 使用该特定代码库 → 生成针对性改进。

2. 定向创意发现

从特定来源生成创意，可在 Claude Code 中引用技能，指定 arXiv 搜索、GitHub 仓库或本地论文。ARIS 会解析论文/代码、提取关键洞察、生成 5-10 个新创意、路由至外部评审器、返回带评分与批评的创意。

3. 论文评审循环

多轮评审与自动改进：

# Standalone CLI
/review-paper paper_draft.md --rounds 3

# In Claude Code
"Review this draft and improve it through 3 rounds: ./draft.md"

评审流程：外部 LLM 批评（如 GPT-5.4）；Claude Code 处理弱点；重复直至分数停滞或达到最大轮数；最终输出含分数进展图。

4. 反驳信生成

解析审稿意见并起草反驳信：

/rebuttal "paper_dir/" -- venue: ICML, character limit: 5000

阶段包括：解析审稿意见，提取所有审稿人关切；构建策略，将关切映射到回应；起草反驳信，生成结构化回复；格式检查，确保不超过字数限制。

快速模式（在起草前停止）：

/rebuttal "paper_dir/" -- venue: NeurIPS, character limit: 8000, quick mode: true

配置

模型选择

ARIS 支持多种执行器 + 评审器组合。独立 CLI 中通过 /setup 交互式选择 Anthropic、OpenAI、Kimi（Moonshot）、MiniMax、GLM（Zhipu）、DeepSeek、Doubao、LM Studio（本地）等。技能文件（YAML frontmatter）可配置执行器与评审器。可用执行器包括 claude-opus-4.7、claude-sonnet-4.5、gpt-5.5、gpt-5.4、o1、o3、o4、kimi-k2.5、kimi-k3、minimax-m2.7、minimax-pro、glm-5、glm-5-plus、deepseek-v3、deepseek-r1、doubao-lite、doubao-pro 等。评审器路由支持 oracle-pro、gpt-5.4、claude-opus、auto 等。

研究 Wiki 配置

可启用跨会话持久化记忆，配置路径、自动提交等。Wiki 结构包含 papers、ideas、experiments、claims 目录与 graph.json 关系图。

代理与自定义端点

支持 HTTP/HTTPS 代理、Anthropic 兼容代理（如 Bedrock）自定义 base URL，以及本地模型（LM Studio/Ollama）。

常见模式

  • 迭代改进循环：发现 → 评审 → 精炼 → 重复。
  • 多源创意生成：结合 arXiv + GitHub + 本地论文，去重后跨模型评审。
  • 定向论文改进：读取已有论文 → 找出缺口 → 生成修复。
  • 跨模型评审链：不同阶段使用不同模型，如执行用 claude-opus-4.7、批评用 gpt-5.4、最终压力测试用 oracle-pro。

故障排查

涵盖 API 密钥问题（如 ANTHROPIC_API_KEY 未找到）、模型可用性（使用 /models 查看）、速率限制（默认 3 次重试，指数退避，可在技能 YAML 中调整）、跨模型评审不工作（常见原因为评审器 API 密钥缺失，需单独配置评审器提供方）以及实验失败（如 Git 克隆失败，需检查仓库 URL、网络与鉴权）等。

适用场景与限制

ARIS 适合需要自动化机器学习研究流程、跨模型评审与实验自动化的研究者与开发者，可与多种 LLM 智能体和编辑器集成。其安装、命令与配置细节以资料为准；除资料明确提及的内容外，具体收费、价格、效果数据与更多使用步骤暂未提供。