ARIS ⚔️（Auto-Research-In-Sleep）是一套面向机器学习自主研究的轻量级方案，其主体为纯 Markdown 编写的技能（Skills）。根据项目说明，ARIS 强调“这是一种方法论，而非一个平台”，重点在于研究工作流本身，用户可以将其带到不同工具中使用。它不依赖特定框架，也不产生平台锁定，可与 Claude Code、Codex CLI、Cursor、Trae、Antigravity、GitHub Copilot CLI、OpenClaw、DeepSeek Harness 等 LLM 智能体配合使用。
用途方面，ARIS 面向机器学习研究场景，涵盖跨模型评审循环、研究想法发现与实验自动化。其基本运作方式是：由执行器（executor）推进研究工作，再由一个独立模型进行审查（默认评审方为 Codex MCP）。项目提到可使用替代模型组合，包括由 ModelScope 托管的模型，因此无需 Claude 或 OpenAI API 也可以使用。
使用方式方面，ARIS 提供两种路径：一是将技能直接安装到上述智能体环境中使用；二是通过独立 CLI 或插件形式一键安装使用。仓库中还包含 ARIS-Code CLI 的独立安装版，并提供下载入口与中英文文档。CLI 具有版本更新记录，涉及评审桥接、会话管理、模型切换、代理支持等能力。例如 v0.4.25 说明 codex-cli 0.154.0 移除了 codex mcp-server，ARIS 改为通过自建 bridge 在 codex exec 之上调用，技能数量与结果保持一致，并提示用户按 Quick Start 步骤重新注册。
适用场景包括：需要在无人值守或“睡眠”时段继续推进 ML 研究任务；需要由不同模型交叉审查研究结论与代码；需要把想法发现、实验执行与结果评审串成可复用流程；以及在多种智能体宿主之间迁移同一套研究工作流。
限制方面：资料未提供具体的收费方案、价格明细与商业条款；ARIS 本身被描述为轻量方案，核心是 Markdown 技能而非完整平台，因此其能力边界依赖所接入的智能体与模型。资料中提及的注册步骤、模型组合、版本变更等属于项目自身的安装与维护要求，具体可用性可能随宿主工具与依赖版本变化。对于评测数据、支持语言、并发规模、准确率等指标，资料暂未提供。
