用 ARIS 的 87 个 Claude Code skill 通宵跑 ML 科研

一个"会做科研"的 agent，通常意味着一段漫长的对话，而且会忘掉自己走过的死胡同。ARIS（Auto-claude-code-research-in-sleep）是 wanshuiyin 的一个 18k 星、MIT 许可的仓库，它把科研全生命周期拆成 87 个可组合的 Claude Code skill，并让另一个模型家族坐上审稿人的位置。

为什么这个 Skill 重要

ARIS 自称是一套方法论，而不是一个平台。这些 skill 覆盖文献与查新、idea 发现、GPU 实验、自动 review 循环、论文写作与 peer review，并串成有名字的流水线：/idea-discovery（工作流 1）、/experiment-bridge（1.5）、/auto-review-loop（2）、/paper-writing（3）、/rebuttal（4）、/resubmit-pipeline（5）、/paper-talk（6），或者用 /research-pipeline 端到端跑完工作流 1 到 3。

贯穿所有流水线的设计选择是跨模型对抗审：Claude 执行，GPT-6-Astra 以 xhigh 强度审稿，GPT-5.5 Pro 经由 Oracle 作为可选的第三席。引用会对照 DBLP 与 CrossRef 核验；可选的 Research Wiki 跨 session 保存论文、idea、失败的实验与 claim 状态——失败的 idea 会变成 README 所说的防重复记忆。

安装

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

这会把 skill 以符号链接的形式装进 <project>/.claude/skills/。想要全局拷贝，改用 cp -r Auto-claude-code-research-in-sleep/skills/* ~/.claude/skills/；只要一部分，用 --list-groups、--groups X,Y 或 --skills X。日后更新是先 git pull，再 bash tools/smart_update.sh --apply，它会更新安全的 skill，并标出你自己的定制改动。

审稿类 skill 通过 ARIS 自带的 Codex MCP server 调用 GPT：

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，确认 claude mcp list 里的 codex 显示为已连接。README 专门说明了这一步为什么要紧：codex-cli 0.154 移除了 codex mcp-server——旧版 ARIS 安装注册的正是这个入口——所以 2026-09-11 之前装好的用户得先 claude mcp remove codex -s user，再对着 mcp-servers/codex-exec/server.py 重新添加。Cursor、Trae、Antigravity 与 Copilot CLI 使用同一个 codex 键，适配指南在 docs/ 下；Codex CLI 则有自己的托管安装脚本 tools/install_aris_codex.sh。

实战：从一个研究方向到一份排好序的 idea 报告

1. 在你的项目里启动 claude，给工作流 1 一个方向。README 自己的提醒是：方向要具体——不要 "NLP"，要 "factorized gap in discrete diffusion LMs"。

/idea-discovery "factorized gap in discrete diffusion LMs"

2. skill 先调研近期论文、开放问题与反复出现的局限，然后通过 GPT-6-Astra xhigh 头脑风暴出 8–12 个具体 idea。
3. 按可行性、算力成本和一次快速查新过滤；排在前面的 idea 再经过深度查新加一轮 devil's advocate review。
4. 前 2–3 个 idea 在不同 GPU 上并行做 pilot 实验，每个 30 分钟到 2 小时，然后按实验信号排序——pilot 结果为正的 idea 往上走。
5. 排名第一的 idea 经由 GPT-6-Astra 的迭代审查打磨成一份锚定问题的方案，并写出一份由 claim 驱动的实验计划，包含消融、预算与运行顺序。

你会拿到一份排好序的 IDEA_REPORT.md，以及针对第一名 idea 的 refine-logs/FINAL_PROPOSAL.md 与 refine-logs/EXPERIMENT_PLAN.md。走进死胡同的 idea 也会被记录下来。已经有计划了？/experiment-bridge 负责实现、部署、收结果。已经有论文了？把工作流 2 交给夜晚：

/auto-review-loop "your paper topic or scope"

GPT-6-Astra 审稿，Claude 修改——重写章节、补充基线，或通过 /run-experiment 跑新实验，同时跳过并标记任何预估超过 4 GPU 小时的实验——然后重新评估，循环直到分数达到 POSITIVE_THRESHOLD（默认 6/10）或触及 MAX_ROUNDS（默认 4）。如果上下文窗口在循环中途被填满，它会从 REVIEW_STATE.json 恢复。README 记录的一次真实运行：4 轮、20 多个 GPU 实验，分数从 5.0/10 升到 7.5/10。

技巧

• 定向模式一行就能同时接收一篇论文和一个代码库：/research-pipeline "improve method X" — ref paper: <arXiv URL>, base repo: <GitHub URL>。只给论文，问的是"哪里可以改进？"；只给仓库，问的是"用这份代码能做出什么？"。
• /research-wiki init 只需一条命令。之后 /research-lit 会自动摄入论文，/idea-creator 在头脑风暴前先读 wiki，再把 idea 写回去，/result-to-claim 负责更新 claim 状态。
• /rebuttal "paper/ + reviews" — venue: ICML, character limit: 5000 必须通过三道闸门才会定稿：每条 claim 都能对应到论文、审稿意见或用户确认过的结果；每个承诺都经用户批准；每位审稿人的关切都被跟踪。字数上限是必填项。产出是精确到字数的 PASTE_READY.txt，以及供手工编辑的 REBUTTAL_DRAFT_rich.md。
• 工作流 2 需要你在 CLAUDE.md 里配置 GPU 服务器，或者用 gpu: vast 从 Vast.ai 租用。
• 没有 Claude 或 OpenAI API？README 在 docs/MODEL_COMBINATIONS.md 里记录了 10 条替代路线，包括 Z.ai GLM、Kimi、Qwen、MiniMax、经 ModelScope 的 DeepSeek-V3.1、作为审稿后端的 OpenRouter、以 Codex 为执行者配 Claude 或 Gemini 审稿的路线，以及 Google Antigravity。

何时不用这个 Skill

ARIS 建立在两样你未必拥有的东西之上。第一是 GPU：工作流 2 由审稿驱动的实验要部署到你在 CLAUDE.md 里配置的服务器上（或通过 Vast.ai 租用），没有它，循环就无处运行审稿人要求的消融实验。第二是第二个模型：审稿席位正是重点所在，README 的默认是通过 Codex 登录使用 GPT-6-Astra，上面的替代路线则是为用不了它的人准备的。如果你想要一个单模型、不带 MCP server 的配置，仍然可以安装个别 skill，但 README 放在首要位置的跨模型对抗审就不会是你得到的东西。另外，它的范围是科研——论文、实验、rebuttal、演讲、专利——而不是通用写作。

查看 排行榜 了解更多 skill。