ARIS：让 AI Agent 在你睡觉时完成科研论文

你有没有过这样的经历：躺在床上，突然来了灵感，却懒得爬起来记下来？ARIS（Auto-claude-code-research-in-sleep，中文昵称"睡前研究助手"）正是来解决这个痛点的——它是一个基于纯 Markdown Skill 的自动化科研工作流框架，可以让 Claude Code、Codex CLI 或其他 AI Agent 在你睡眠时自动完成论文调研、实验设计、代码实现和论文写作的全流程。

图1：ARIS 核心工作流 — 五步 Loop 循环

想象一下，你今天下午花了两个小时读了一篇关于 Diffusion Model 的论文，留下了一些潦草的笔记。第二天早上醒来，Claude Code 已经帮你：找到了 20 篇相关领域最新工作、把你的想法写成了 3 个可验证的实验假设、在 GPU 服务器上跑完了基线对比、甚至还把论文草稿的第一章写完了。这就是 ARIS 在做的事情。

一、背景：为什么需要"睡前研究自动化"

2024 年到 2026 年，大模型（LLM）和 AI Agent 技术经历了爆发式增长。Claude Code、OpenAI Codex CLI 等工具让"AI 替你写代码"变成了现实。然而，这些工具在科研场景的应用却面临一个尴尬局面：科研工作流极度碎片化——需要检索论文、分析文献、跑实验、绘图、写论文，每一步都需要不同的工具和数据源，而且步骤之间存在强依赖关系。

开发者文水银（wanshuiyin）敏锐地捕捉到了这个需求空白。2024 年底，他开始构建 ARIS，最初只是一个 Claude Code skill 脚本，用来自动抓取 arXiv 论文并整理阅读笔记。随着功能扩展，逐渐演变成一个跨模型对抗协作的科研自动化框架，并在 VALSE 2026 学术会议上做了专题分享，论文被 Hugging Face 收录为 Daily Paper 第一名。

二、核心设计哲学：极致轻量 + 零锁定

ARIS 最令人印象深刻的设计理念，是它对"轻量"的极致追求。项目没有依赖任何 Python 包管理器之外的框架，没有数据库，没有 Docker，没有后台服务——整个系统就是一堆 Markdown 文件。每个功能模块（Skill）都是一个独立的 SKILL.md，包含了 prompt 模板、参数说明和执行逻辑。

这样做有什么好处？任何支持 Skill 机制的 AI Agent 都能运行 ARIS。 目前官方支持的平台包括：

• Claude Code（主平台，Anthropic 官方 CLI）
• OpenAI Codex CLI（通过 MCP 集成 GPT 作为审稿人）
• Cursor（IDE 内集成）
• Trae（国产 AI IDE）
• Antigravity（新兴 Agent 工具）
• GitHub Copilot CLI
• OpenClaw（跨平台 AI Agent 网关）

这种"方法论而非平台"的定位，让 ARIS 拥有了极强的迁移能力。你在 Claude Code 上配置的科研工作流，可以无缝迁移到 Codex CLI 或 OpenClaw 上运行。

图2：社区用户使用 ARIS 产出的研究成果

三、核心功能：77 个 Skill，涵盖科研全链路

ARIS 的 Skill 体系按功能可分为三大类：

3.1 文献与情报收集

这一类 Skill 解决的是"信息获取"问题。/arxiv 和 /deepexiv 自动追踪 arXiv 最新论文，按主题过滤并生成摘要卡片；/exa-search 和 /semantic-scholar 深入特定领域进行深度检索；/openalex 查询学术元数据；/paper-claim-audit 则专门验证论文中的引用是否准确，避免"幽灵引用"问题。对于中国用户，还特别适配了 /MODELSCOPE_GUIDE（ModelScope 论文搜索）和 /MINIMAX_MCP_GUIDE（MiniMax API 集成）。

3.2 实验自动化

/experiment-plan 根据研究方向自动设计实验方案，包括基线选择、超参数范围和评估指标；/experiment-queue 管理多组实验的队列执行；/run-experiment 在远程 GPU 服务器（支持 Modal、Vast.ai、自定义 SSH）上自动执行实验；/monitor-experiment 实时监控训练进度并自动告警；/analyze-results 汇总实验数据并生成可视化图表。这一套组合拳将"设计实验→跑实验→分析结果"从手动操作变成了自动化流水线。

3.3 论文写作

这是 ARIS 最引以为豪的部分。/paper-plan 构建论文叙事结构；/paper-write 和 /paper-writing 负责各章节撰写；/claims-drafting 生成有力的论点论据；/rebuttal 帮助撰写逐条回应审稿人的 rebuttal letter；/render-html 将 Markdown 自动渲染为精致的单文件学术主页，支持 LaTeX 公式和代码高亮；/paper-poster 和 /paper-slides 则负责生成学术海报和演讲幻灯片。

特别值得一提的是 /auto-review-loop，它实现了跨模型对抗评审——让 Claude 写的论文由 GPT-5.5 来审稿，反之亦然。这种"左右互搏"的机制能有效发现单模型视角下的论证盲点。

图3：ARIS 核心能力矩阵 — 覆盖科研全生命周期

四、技术架构：纯 Markdown Skill 的模块化设计

从代码结构看，ARIS 的架构非常清晰：

• skills/ — 77 个独立 Skill（Claude Code 版）
• skills-codex/ — Codex CLI 版 Skill 镜像
• shared-references/ — 全局引用（LaTeX 模板、评估基准等）
• templates/ — 论文、幻灯片、海报模板
• tools/ — 辅助脚本（install_aris.sh 等）
• tests/ — Skill 功能测试套件
• docs/ — 使用指南和适配文档

每个 Skill 的 SKILL.md 遵循统一格式，包含元信息（名称、描述、参数）、执行步骤和输出规范。这种规范设计让 Skill 之间可以自由组合：你可以用 /idea-discovery 产生想法，再用 /experiment-plan 把想法变成实验方案，然后交给 /run-experiment 执行，最后用 /paper-write 把结果写成论文。

技术栈方面，ARIS 本身是纯 Shell 脚本 + Markdown，但作为执行环境的 Claude Code/Codex CLI 依赖 Node.js。核心依赖只有 Git 和一个 LLM API 访问工具，对 GPU 没有直接要求——但如果需要跑实验，仍需访问远程 GPU 服务器。

五、上手体验：10 分钟配置完毕

ARIS 的安装流程极度简洁，只需三步：

1. 安装 Claude Code：brew install claude（macOS）或从官方下载二进制
2. 克隆 ARIS 仓库：git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git ~/aris_repo
3. 在研究项目中运行安装脚本：bash ~/aris_repo/tools/install_aris.sh

安装脚本通过符号链接将 ARIS skill 安装到项目目录，之后在项目目录内执行 /skill-name 即可调用任意 Skill。全程不到 10 分钟，没有任何令人困惑的配置项。

如需使用 GPT 跨模型审稿，还需安装 Codex CLI 并注册为 Claude Code 的 MCP server：

codex login
claude mcp add codex -s user -- codex mcp-server

完成后重启 Claude Code，即可通过 /auto-review-loop 调用 GPT-5.5 进行对抗评审。

六、局限与争议

任何工具都有其边界，ARIS 也不例外：

1. 实验执行依赖外部资源。 ARIS 的 Skill 只负责编排和调度，实际计算仍在远程 GPU 服务器上。如果用户没有访问 Vast.ai 或 Modal 的账号，实验自动化部分无法独立运行——这在一定程度上削弱了"睡前自动化"的完整性。

2. 论文质量依赖 Prompt 质量。 77 个 Skill 本质上是一堆 Prompt 模板。好的 Prompt 能生成结构清晰的论文框架，但"叙事逻辑"和"学术创新性"仍然是 AI 和人类共同负责的领域。有用户反馈，ARIS 生成的论文草稿在"讲故事"的能力上仍不如经验丰富的 PhD——这实际上是所有 LLM 写作工具的共同瓶颈。

3. LaTeX 环境配置有门槛。 如果需要使用 /render-html 或 /paper-compile 技能，必须安装完整的 LaTeX 发行版（macOS 上需要安装 MacTeX，约 5GB），对硬盘空间有一定要求。

七、行业意义与未来展望

ARIS 代表了一种新兴的"AI 原生科研范式"——不是用 AI 辅助写代码，而是用 AI 来管理和执行整个科研工作流。这种范式在 2026 年逐渐获得学术社区的认可。

从增长曲线看，ARIS 已成为 AI Agent 学术应用领域的标杆项目之一，GitHub Star 突破 10,000 大关，被 awesome-agent-skills、PaperWeekly 等权威资源列表收录，作者文水银也在多个技术社区（B 站、知乎）分享了使用经验。

姊妹项目 ARIS-Anything 将该框架推广到非学术研究场景——投资尽调、法律研究、市场调查、新闻调查等结构化研究任务都可以借鉴 ARIS 的对抗协作模式。ARIS-Homepage 则展示了该工作流在个人学术主页生成上的应用潜力。

总结来说，ARIS 是一个方法论驱动的科研自动化工具，它证明了"极致轻量 + 平台无关 + 社区共建"可以在 AI 工具领域形成有效的工程解决方案。对于希望用 AI 提升科研效率的研究者——尤其是 ML/CV/NLP 领域的学生和研究人员——ARIS 值得一试。