呵

一声棒喝，本不立文字；
偏要著録，已是二义。

GitHub · 项目涌现

wanshuiyin/睡眠中自动 Claude Code 研究

wanshuiyin/Auto-claude-code-research-in-sleep

二〇二六年五月十二日·★ 8,395·⑂ 783·Python·MIT ·最新发布 v0.4.4 · 2026-04-20 · GitHub 原仓库
摘要

Auto-claude-code-research-in-sleep (ARIS) 是一个用于自主机器学习研究工作流的开源工具集，通过Claude Code与外部LLM（如GPT-5.4）的跨模型协作实现。系统包含67个可组合技能，支持从文献调研、想法发现、实验部署、论文写作到反驳回复的完整流水线。v0.4.4版本修复了设置用户体验与审稿人路由问题，支持第三方Anthropic兼容代理、计划模式、研究Wiki持久化知识库及自我进化功能。项目已用于多篇会议投稿，社区贡献了13个领域特定技能和12个外部集成项目。

Auto-claude-code-research-in-sleep (ARIS ⚔️🌙)

💡 在 Claude Code / Cursor / Trae 中以技能工作流的方式使用 ARIS，或通过独立 CLI 获得完整体验——随心所欲！

🤖 AI agents（AI 代理）： 请阅读 AGENT_GUIDE.md——专为 LLM 消费而非人类浏览而结构化。

🔥 ARIS-Code CLI — 独立安装版 · English | ⬇️ 下载

📰 ARIS-Code v0.4.4 (2026-04-20) — Setup UX + reviewer routing fixes（设置用户体验 + 审稿人路由修复） (解决 #158, #162) | /setup 不再强制要求 Anthropic + 自定义 URL 使用 Bearer（修复 ModelScope / code.newcli.com 等） | 提供 Provider 感知的代理 URL 提示 | 切换 Provider 时不再泄漏过期状态 | LlmReview 智能回退

v0.4.3 (2026-04-17) — 第三方 Anthropic 兼容代理支持 (Bedrock 等) | 跳过代理拒绝的 beta 标志 | 为 anthropic provider 传播自定义 base URL | 致谢 @screw-44

v0.4.2 (2026-04-17) — 自动压缩损坏修复 | 在 OpenAI 兼容执行器上保留压缩摘要 | Shell 提供的 API 密钥在启动时不再被擦除

v0.4.1 (2026-04-15) — 计划模式 (/plan) | 协作式 Ctrl+C 中断 | 自动重试 (429/5xx/network) | 研究 Wiki 📚 (持久化知识库) | 自我进化 🧬 (/meta-optimize) | 本地模型 (LM Studio/Ollama) | 同步 62 个技能

v0.3.11 (2026-04-13) — 审稿人 Anthropic 兼容模式 (通过代理使用 Claude)

v0.3.9 (2026-04-11) — 代理/自定义 base URL (CCSwitch) | 本地模型 (LM Studio/Ollama) | Windows (实验性)

v0.3.5 (2026-04-08) — 研究 Wiki (持久化论文/想法/实验/声明 + 关系图) | Meta-Optimize 自我进化 (分析日志 → 提出 SKILL.md 补丁)

v0.3.0 (2026-04-03) — 多文件记忆索引 | 丰富的任务系统 (TodoWrite) | /plan | 安全加固

v0.2.2 (2026-04-03) — /plan 逐步规划 | /tasks 持久化追踪

v0.2.1 (2026-04-03) — 持久化记忆 | Kimi K2.5 多轮修复 | CJK 光标修复

v0.2.0 (2026-04-02) — 开源 | 支持 Kimi + MiniMax + GLM | 智能 LlmReview 路由 | CI/CD

v0.1.0 (2026-04-02) — 初始发布 | 多执行器与审稿人 | 42 个内置技能

ARIS Logo

Hero

中文版 README | English

Score Progression

🌙 让 Claude Code 在你睡觉时做研究。 醒来时，你的论文已被评分、弱点已被识别、实验已运行、叙事已被重写——全自动完成。

🪶 极致轻量——零依赖、零锁定。 整个系统就是纯 Markdown 文件。无需学习框架、无需维护数据库、无需配置 Docker、无需守护进程。每个技能都是一个 SKILL.md，任何 LLM 都能读取——将 Claude Code 替换为 Codex CLI、OpenClaw、Cursor、Trae、Antigravity、Windsurf 或你自己的 agent，工作流依然有效。Fork 它、重写它、适配到你的技术栈。

💡 ARIS 是一种方法论，而非一个平台。重要的是研究工作流——无论你走到哪里，都能带着它。🌱

Featured on PaperWeekly · PaperWeekly — MiniMax-M2.7 · Featured in awesome-agent-skills · AI Digital Crew - Project of the Day · 💬 加入社区 · Cite

用于自主 ML 研究工作流的自定义 Claude Code 技能。这些技能编排了跨模型协作——Claude Code 驱动研究，而外部 LLM（通过 Codex MCP）充当关键审稿人。🔀 也支持替代模型组合（Kimi、LongCat、DeepSeek 等）——无需 Claude 或 OpenAI API。 例如，MiniMax-M2.7 + GLM-5 或 GLM-5 + MiniMax-M2.7。🤖 Codex CLI 原生——完整技能集也适用于 OpenAI Codex。🖱️ Cursor——同样适用于 Cursor。🖥️ Trae——字节跳动 AI IDE。🚀 Antigravity——Google 的 agent-first IDE。🆓 通过 ModelScope 免费使用——零成本、零锁定。

💭 为什么不用单一模型自对弈？ 使用 Claude Code 子 agent 或 agent 团队同时负责执行和评审在技术上是可行的，但容易陷入局部最优——同一模型评审自己的模式会产生盲点。

可以将其类比为对抗性老虎机与随机老虎机：单一模型自我评审是随机情况（可预测的奖励噪声），而跨模型评审是对抗性的（审稿人主动探测执行者未预料到的弱点）——对抗性老虎机从根本上更难被利用。

💭 为什么是两个模型，而不是更多？ 两个是打破自对弈盲点所需的最小数量，而 2 人博弈收敛到 Nash 均衡的效率远高于 n 人博弈。增加更多审稿人会增加 API 成本和协调开销，且收益递减——最大的收益来自 1→2，而非 2→4。

Claude Code 的优势在于快速流畅的执行；Codex (GPT-5.4 xhigh) 较慢，但在批判上更审慎、更严谨。这些互补的风格——速度 × 严谨——比任一模型自言自语产生更好的结果。

🧿 想要最强的审稿人？ 在任何技能中添加 — reviewer: oracle-pro，即可通过 Oracle MCP 将评审路由到 GPT-5.4 Pro。用于证明验证、实验审计和最终压力测试的 Pro 级推理。支持 API 密钥或免费浏览器模式。设置 →

🎯 不仅仅是提示词

这些是完整的流水线——你也可以独立使用每个工作流。已有想法？跳到工作流 1.5。已有结果？跳到工作流 3。已有评审意见？跳到工作流 4。想要持久化记忆？启用研究 Wiki。所有命令请参见快速开始，完整分解请参见工作流。

基础模式——给 ARIS 一个研究方向，它处理一切：

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

🔥 定向模式——有一篇想改进的论文？给 ARIS 论文 + 代码：

/research-pipeline "improve method X" — ref paper: https://arxiv.org/abs/2406.04329, base repo: https://github.com/org/project

ARIS 阅读论文 → 发现其弱点 → 克隆代码库 → 生成专门修复那些弱点与那个代码的想法 → 运行实验 → 撰写你的论文。就像告诉研究助理："阅读这篇论文，使用这个仓库，找出缺失之处，然后修复它。"

混合搭配：仅 ref paper = "哪些地方可以改进？"，仅 base repo = "我能用这段代码构建什么？"，两者都提供 = "使用这个代码改进这篇论文。"

🔥 反驳模式——评审意见刚出来？别慌。ARIS 阅读每一条关切，构建策略，并起草一份有依据、结构清晰且不超过字符限制的反驳：

/rebuttal "paper/ + reviews" — venue: ICML, character limit: 5000
参数 默认值 作用
venue ICML 目标会议 (ICML/NeurIPS/ICLR/CVPR/ACL/AAAI/ACM)
character limit — 必填。 反驳文本的硬字符限制
quick mode false 在解析 + 策略阶段后停止（阶段 0-3）。在起草前查看审稿人想要什么
auto experiment false 当审稿人要求新证据时，通过 /experiment-bridge 自动运行补充实验
max stress test rounds 1 GPT-5.4 xhigh 对草稿进行压力测试的次数
max followup rounds 3 每位审稿人的后续轮次限制

三道安全门——如果任何一道未通过，反驳将不会定稿：

两个输出：PASTE_READY.txt（精确字符数，可直接粘贴到会议系统）+ REBUTTAL_DRAFT_rich.md（扩展版本，供手动编辑）。

录用后——论文已接收，现在准备演示：

/paper-slides "paper/"     # → Beamer PDF + PPTX + 演讲者备注 + Q&A 准备
/paper-poster "paper/"     # → A0/A1 海报 PDF + 可编辑 PPTX + SVG

💡 从想法到论文再到讲台——一个工具链。🌱

🏆 使用 ARIS 构建的社区投稿

论文 AI 评审信号 状态 作者 技术栈
CS 论文投稿 CSPaper 模拟评审：8/10；AI 审稿人推荐："clear accept" 已投稿至某 CS 会议；等待官方反馈 @DefanXue & @Monglitay Claude Code + GPT-5.4
AAAI 2026 论文投稿 Stanford Agentic Reviewer AAAI 风格评审：7/10；AI 审稿人推荐："good paper, accept" 已投稿至 AAAI 2026 Main Technical；等待官方决定 @xinbo820-web 纯 Codex CLI
UAV-CC 审稿中 已投稿至 IEEE TGRS @wxx827 Claude Opus 4.6 + Codex 5.4 xhigh + Cursor

使用 ARIS 构建——从想法到投稿。AI 评审分数是社区报告的来自模拟/第三方评审工具的信号，并非官方同行评审或录用结果。由于 ARIS 明确针对 AI 审稿人进行迭代，较高的 AI 评审分数是预期的，应视为压力测试反馈；人类审稿人可能带来更新的视角、会议偏好以及这些系统未捕捉到的关切。完整详情 + 评审截图 →

📢 最新动态

🚀 快速开始

# 1. 安装技能
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git
mkdir -p ~/.claude/skills/    # 如果不存在则创建（新的 Claude Code 版本）
cp -r Auto-claude-code-research-in-sleep/skills/* ~/.claude/skills/

# 1b. 更新技能（当上游有新版本时）
cd Auto-claude-code-research-in-sleep && git pull
bash tools/smart_update.sh          # 试运行：显示新增/更改/安全的内容
bash tools/smart_update.sh --apply  # 应用：添加新的 + 更新安全的

# 可选的 Codex 镜像管理项目安装
bash tools/install_aris_codex.sh ~/your-codex-project

# 管理的 Codex 项目更新
cd Auto-claude-code-research-in-sleep && git pull
bash tools/install_aris_codex.sh ~/your-codex-project --reconcile

# 仅限复制的 Codex 安装（不适用于由 install_aris_codex.sh 安装的项目）
bash tools/smart_update_codex.sh --local ~/.codex/skills
bash tools/smart_update_codex.sh --local ~/.codex/skills --apply

# 2. 设置 Codex MCP（用于评审技能）
npm install -g @openai/codex
codex setup                    # 提示时将模型设置为 gpt-5.4
claude mcp add codex -s user -- codex mcp-server

# 3. 在 Claude Code 中使用
claude
> /idea-discovery "your research direction"  # 工作流 1 — 要具体！不是 "NLP" 而是 "factorized gap in discrete diffusion LMs"
> /experiment-bridge                         # 工作流 1.5 — 有计划？实现 + 部署 + 收集结果
> /auto-review-loop "your paper topic or scope"  # 工作流 2：评审 → 修复 → 隔夜重新评审
> /paper-writing "NARRATIVE_REPORT.md"       # 工作流 3：叙事 → 润色 PDF
> /rebuttal "paper/ + reviews" — venue: ICML    # 工作流 4：解析评审 → 起草反驳 → 后续
> /research-pipeline "your research direction"  # 完整流水线：工作流 1 → 1.5 → 2 → 3 端到端
> /research-wiki init                           # 📚 启用持久化研究记忆（一次性）
> /meta-optimize                                # 元：分析使用日志 → 提出技能改进

📚 研究 Wiki（可选）： 为 ARIS 提供跨会话的持久化记忆。论文、想法、失败的实验——都不会被遗忘：

# 在 Claude Code 中：
> /research-wiki init                         # 在你的项目中创建 research-wiki/
# 就这样。从现在开始，/research-lit 自动摄取论文，/idea-creator 在头脑风暴前
# 读取 wiki（并将想法写回），/result-to-claim 更新声明状态。失败的想法成为
# 未来构思的反重复记忆。

完整指南请参见研究 Wiki。

🧬 元优化（可选）： 在你的普通终端（而不是 Claude Code 内部）运行以下命令以启用被动使用日志记录：

# 在你的项目目录中一次性设置
mkdir -p .claude .aris/meta tools/meta_opt
cp Auto-claude-code-research-in-sleep/templates/claude-hooks/meta_logging.json .claude/settings.json
cp Auto-claude-code-research-in-sleep/tools/meta_opt/*.sh tools/meta_opt/
chmod +x tools/meta_opt/*.sh
# 然后启动 Claude Code — hooks 立即生效
claude

事件被记录到项目级别 (.aris/meta/events.jsonl) 和全局 (~/.aris/meta/events.jsonl) 日志中。在 5+ 次工作流运行后，运行 /meta-optimize 以查看数据驱动的改进提案。使用 /meta-optimize --global 分析所有项目的趋势。详情请参见工作流 M。

📝 模板可用！ 参见 templates/ 获取每个工作流的即用输入模板——研究简报（工作流 1）、实验计划（工作流 1.5）、叙事报告（工作流 3）、论文计划（工作流 3）。

🔎 可选：DeepXiv 渐进式检索

pip install deepxiv-sdk

然后直接使用 /deepxiv 或通过 /research-lit 的 — sources: deepxiv 或 — sources: all, deepxiv 选择加入。

🔎 可选：Exa AI 驱动的网络搜索

pip install exa-py
export EXA_API_KEY=your-key-here

然后直接使用 /exa-search 或通过 /research-lit 的 — sources: exa 或 — sources: all, exa 选择加入。涵盖博客、文档、新闻和研究论文，内置内容提取。

🗑️ 卸载： 要移除 ARIS 技能而不影响你自己的个人技能：

cd Auto-claude-code-research-in-sleep && ls skills/ | xargs -I{} rm -rf ~/.claude/skills/{}

提示： 所有流水线行为均可通过内联覆盖进行配置——将 — key: value 附加到任何命令：

参数 默认值 作用
AUTO_PROCEED true 在想法选择门控处自动继续。设置为 false 以手动选择要追求的想法，然后再投入 GPU 时间
human checkpoint false 在每轮评审后暂停，以便你可以阅读分数、给出自定义修改说明、跳过特定修复或提前停止
sources all 要搜索的文献来源：zotero、obsidian、local、web、semantic-scholar、deepxiv、exa 或 all。注意：semantic-scholar、deepxiv 和 exa 必须显式列出——不包含在 all 中
arxiv download false 在文献调查期间下载最相关的 arXiv PDF。当为 false 时，仅获取元数据（标题、摘要、作者）
DBLP_BIBTEX true 从 DBLP/CrossRef 获取真实 BibTeX，而不是 LLM 生成的条目。消除幻觉引用。零安装
code review true GPT-5.4 xhigh 在 GPU 部署前评审实验代码。设置为 false 以跳过
wandb false 自动向实验脚本添加 W&B 日志记录。设置为 true 并在 CLAUDE.md 中配置 wandb_project。/monitor-experiment 从 W&B 拉取训练曲线
illustration gemini 工作流 3 中的 AI 插图：gemini（默认，需要 GEMINI_API_KEY）、mermaid（免费）或 false（跳过）
venue ICLR 目标会议：ICLR、NeurIPS、ICML、CVPR、ACL、AAAI、ACM。确定 LaTeX 样式文件和页面限制
base repo false 要克隆为基础代码库的 GitHub 仓库 URL（例如，— base repo: https://github.com/org/project）。没有代码？在开源项目之上构建
gpu local GPU 目标：local（默认）、remote（SSH 服务器）或 vast（从 Vast.ai 按需租赁——自动配置、自动销毁）
compact false 为短上下文模型和会话恢复生成紧凑摘要文件（IDEA_CANDIDATES.md、findings.md、EXPERIMENT_LOG.md）
ref paper false 要基于其构建的参考论文（PDF 路径或 arXiv URL）。首先总结，然后想法扩展/改进它。与 base repo 结合用于论文+代码工作流
effort balanced 工作强度：lite (0.4x tokens)、balanced（默认）、max (2.5x)、beast (5-8x)。控制广度/深度/迭代次数。Codex 推理始终 xhigh。参见工作量级别
reviewer codex 审稿人后端：codex (GPT-5.4 xhigh，默认)、oracle-pro (通过 Oracle 的 GPT-5.4 Pro——最强推理)。参见设置 →
difficulty medium 审稿人对抗级别：medium（默认）、hard（+ 记忆 + 辩论）、nightmare（+ GPT 通过 codex exec 读取仓库） 
/research-pipeline "your topic" — AUTO_PROCEED: false                          # 在想法选择门控处暂停
/research-pipeline "your topic" — human checkpoint: true                       # 在每轮评审后暂停以提供反馈
/research-pipeline "your topic" — sources: zotero, web                         # 仅搜索 Zotero + web（跳过本地 PDF）
/research-pipeline "your topic" — sources: all, deepxiv                        # 默认来源加上 DeepXiv 渐进式检索
/research-pipeline "your topic" — sources: all, exa                            # 默认来源加上 Exa AI 驱动的网络搜索
/research-pipeline "your topic" — arxiv download: true                         # 在文献调查期间下载最相关的 arXiv PDF
/research-pipeline "your topic" — difficulty: nightmare                        # 提交前的最大对抗性评审
/research-pipeline "your topic" — effort: beast                               # 所有旋钮调到最大——顶级会议冲刺
/research-pipeline "your topic" — effort: beast, reviewer: oracle-pro         # beast + GPT-5.4 Pro 审稿人——终极模式
/research-pipeline "your topic" — effort: lite                                # 快速探索，节省 tokens
/research-pipeline "your topic" — effort: max, review_rounds: 3               # 最大 effort 但将评审限制在 3 轮
/research-pipeline "your topic" — AUTO_PROCEED: false, human checkpoint: true  # 组合选项
/proof-checker "paper/" — reviewer: oracle-pro                                # Pro 级证明验证

重要： Codex MCP 使用 ~/.codex/config.toml 中的模型，而不是技能文件中的模型。确保它显示 model = "gpt-5.4"（推荐）。其他选项：gpt-5.3-codex、gpt-5.2-codex、o3。运行 codex setup 或直接编辑文件。

想要 Codex 执行但 Claude Code 评审？ 参见 docs/CODEX_CLAUDE_REVIEW_GUIDE.md。该路径安装基础 skills/skills-codex/*，然后覆盖 skills/skills-codex-claude-review/*，并将评审密集型技能通过本地 claude-review MCP bridge 路由。

想要 Codex 执行但 Gemini 本地评审？ 参见 docs/CODEX_GEMINI_REVIEW_GUIDE.md 和 CN。该路径安装基础 skills/skills-codex/*，然后覆盖 skills/skills-codex-gemini-review/*，并将审稿人感知的预定义技能通过本地 gemini-review MCP bridge 路由，默认使用直接 Gemini API。

想要 Codex 镜像安装链？ 使用 tools/install_aris_codex.sh 进行管理的项目安装，使用 tools/smart_update_codex.sh 进行复制的 Codex 安装。Claude 脚本仍然是 Claude 项目的主线入口点。

详情请参见完整设置指南，如果你没有 Claude/OpenAI API，请参见替代模型组合。

🧠 稍后更新技能？ 智能更新分析哪些是安全的：

cd Auto-claude-code-research-in-sleep
git pull
bash tools/smart_update.sh          # 试运行：显示新增/更改/安全的内容
bash tools/smart_update.sh --apply  # 应用：添加新的 + 更新安全的

比较本地技能与上游，检测个人自定义（服务器路径、API 密钥等），并且仅更新安全可替换的技能。包含你个人信息的技能会被标记为手动审查。

✨ 特性

📈 分数进展（真实运行）

一个 ML 研究项目上真实的隔夜 4 轮运行，从边缘拒稿到可提交：

轮次 分数 发生了什么
初始 5.0/10 边缘拒稿
第 1 轮 6.5/10 添加了标准指标，发现了指标解耦
第 2 轮 6.8/10 关键声明未能复现，调整了叙事
第 3 轮 7.0/10 大规模种子研究杀死了主要改进声明
第 4 轮 7.5/10 ✅ 诊断证据得到巩固，可提交

该循环自主运行了 20+ GPU 实验，重写了论文的叙事框架，并杀死了不成立的声明——全部无需人工干预。

🏆 社区展示——使用 ARIS 构建的论文

端到端使用 ARIS 流水线生成投稿手稿的真实项目。除非某行明确说明，否则本节不声称官方录用： 评分和引用的裁决是来自 CSPaper 和 Stanford Agentic Reviewer 等工具的 AI/第三方评审信号，而非会议决定。一个重要注意事项：ARIS 旨在通过 AI 评审循环进行优化，因此升高的 AI 评审分数是工作流的正常结果，而非独立接受的证明。人类审稿人仍然可以带来更新的文献知识、社区背景、会议特定偏好以及 AI 审稿人未建模的反对意见。如果你使用 ARIS 完成了一篇论文，我们很乐意在此展示——请打开 issue 或 PR！

论文 AI 评审信号 提交状态 构建者 备注
CS 论文投稿 CSPaper 8/10 — AI 审稿人推荐："Top 50% of accepted papers, clear accept" 已投稿至某 CS 会议；等待官方反馈 @DefanXue & @Monglitay 完整 ARIS 流水线：想法 → 实验 → 自动评审 → 论文写作。引文来自 CSPaper 的模拟评审，而非官方会议评审。
AAAI 2026 论文投稿 Stanford Agentic Reviewer 7/10 — AI 审稿人推荐："Good paper, accept" 已投稿至 AAAI 2026 Main Technical；等待官方决定 @xinbo820-web 纯 Codex CLI (ARIS-Codex skills)。7/10 信号来自 AAAI 风格的 Stanford Agentic Reviewer 运行，而非官方 AAAI 录用结果。
UAV-CC 审稿中 已投稿至 IEEE TGRS @wxx827 UAV 变化字幕基准。Claude Opus 4.6 (执行器) + Codex GPT-5.4 xhigh (审稿人) + Cursor Opus 4.6 (辅助)。PDF →

使用 ARIS 构建的论文——从想法到投稿。知道更多？请告诉我们！

🧩 Awesome 社区技能与扩展

社区贡献的领域特定技能和外部项目。欢迎 PR——只需添加一个 skills/your-skill/SKILL.md 并打开 PR！

💡 如何使用： 社区技能不会自动接入核心工作流。要使用一个，请让你的执行器（Claude Code / OpenClaw 等）读取技能的 SKILL.md，然后根据下面的描述将其插入到适当的工作流阶段。

🎉 社区技能 (13): research-refine · experiment-plan · grant-proposal · paper-poster · paper-slides · mermaid-diagram · proof-writer · comm-lit-review · dse-loop · idea-discovery-robot · formula-derivation · paper-illustration · writing-systems-papers

🌐 外部项目与文档 (12): rosetta · open-source-hardening-skills · CitationClaw · auto-hparam-tuning · paper-to-course · Antigravity Adaptation Guide · OpenClaw Adaptation Guide · Cursor Adaptation Guide · Codex+Claude Review Bridge · Trae Adaptation Guide · paper-illustration · MiniMax-AI/cli

🙌 感谢每一位贡献者！我们将下面的表格折叠以保持 README 可读——但这里的每个技能和项目都同样受到重视。PR 永远欢迎！

名称 领域 描述 Codex MCP?
🔬 research-refine 通用 将模糊想法转化为以问题锚定的、面向实现的方法提案。最好插入在 /idea-discovery 和 /auto-review-loop 之间 是
🧪 experiment-plan 通用 将精炼的提案转化为声明驱动的实验路线图，附带消融实验、预算和运行顺序 否
🧭 research-refine-pipeline 通用 一次性链：/research-refine → /experiment-plan，用于方法精炼加实验规划 是
📝 grant-proposal 通用 基金提案起草 (KAKENHI/NSF/NSFC/ERC/DFG/SNSF/ARC/NWO)。链式连接 /research-lit → /novelty-check → /research-review → /paper-illustration 是
🎤 paper-slides 通用 会议演讲幻灯片 (beamer → PDF + PPTX)，附带演讲者备注、完整演讲脚本 + Q&A 准备。根据演讲类型自动计算幻灯片数量 是
🖼️ paper-poster 通用 会议海报 (article + tcbposter → A0/A1 PDF + 组件 PPTX + SVG)。会议特定颜色、视觉评审循环、Codex MCP 评审 是
📐 proof-writer ML 理论 严格的定理/引理证明起草——可行性分类、依赖图、诚实的阻塞报告 否
📡 comm-lit-review 通信/无线 领域特定文献综述——IEEE/ACM/ScienceDirect 优先、会议分级、PHY/MAC/transport/NTN 分类法 否
🏗️ dse-loop 架构/EDA 自主设计空间探索——迭代运行、分析和调整参数 (gem5, Yosys 等) 否
🤖 idea-discovery-robot 机器人/具身 AI 工作流 1 适配——将想法发现扎根于具身、基准、sim2real 路径和真实机器人安全约束 是
📐 mermaid-diagram 通用 Mermaid 图表 (20+ 种类型)——paper-illustration 的免费替代方案，无需 API 密钥 否
🔢 formula-derivation 通用 研究公式开发——推导、验证和 LaTeX 格式化 否
🖥️ writing-systems-papers 系统 10-12 页系统论文 (OSDI/SOSP/ASPLOS/NSDI/EuroSys) 的段落级蓝图——页面分配、写作模式、自我检查 是
名称 领域 描述
🪨 rosetta Pro 级 ChatGPT MCP 从 Node 通过 Chrome CDP Fetch 拦截 + WebSocket 第二段流式传输，以编程方式访问 ChatGPT Pro / gpt-5.5-pro / DeepResearch。附带一个用于 Claude Code / Codex / Cline 的 MCP 服务器——Oracle MCP 的替代实现路径，用于 — reviewer: oracle-pro 风格的高级别评审。支持多轮、并行并发、实时 token delta、15 分钟空闲超时看门狗（长 Pro 思考存活）。MIT，作者 @SyntaxSmith
🛡️ open-source-hardening-skills DevOps / OSS 10 技能流水线，将研究代码加固为生产就绪的开源项目——审计、重构、测试、CI、文档、评审
📊 CitationClaw 通用 引用影响分析——输入论文标题 → 引用爬取、学者识别、分层分析、HTML 仪表板
🚀 Antigravity Adaptation Guide 通用 在 Google Antigravity 中使用 ARIS 技能——原生 SKILL.md 支持、双模型 (Claude Opus 4.6 / Gemini 3.1 Pro)、MCP 设置、EN + CN 指南
🐾 OpenClaw Adaptation Guide 通用 在 OpenClaw 中使用 ARIS 工作流方法论——技能到阶段映射、基于文件的编排、无需 Claude Code CLI
🖱️ Cursor Adaptation Guide 通用 在 Cursor 中使用 ARIS 技能——@-引用技能、MCP 设置、工作流映射、跨会话状态文件恢复
🖥️ Trae Adaptation Guide 通用 在 Trae (字节跳动 AI IDE) 中使用 ARIS 技能——EN + CN 指南
🎨 paper-illustration 通用 通过 Gemini 的 AI 生成架构图。基于 PaperBanana。集成到工作流 3
🤖 skills-codex 通用 主要研究技能的 Codex CLI 同步包，现在包括 training-check、result-to-claim、ablation-planner、rebuttal，以及 shared-references/ 支持目录
🎛️ auto-hparam-tuning 通用 自动超参数调优——AI agent 读取项目、规划策略、运行实验、分析 TensorBoard、从结果中学习。基于 Hydra
🔁 Codex+Claude Review Bridge 通用 Codex 执行 + Claude 通过本地 claude-review MCP bridge 评审，带异步轮询
📚 paper-to-course 教育 将研究论文 (PDF/LaTeX) 转换为交互式六模块 HTML 课程，附带公式分解、文献时间线、测验和词汇表工具提示——单个捆绑文件，无需服务器
🤖 MiniMax-AI/cli 通用 官方 MiniMax CLI——文本、图像、视频、语音和音乐生成 + 网络搜索。skill/SKILL.md 遵循 agentskills.io 标准。即插即用，用于 Alt B (MiniMax 审稿人) 设置

🔄 工作流

这些技能组合成一个完整的研究生命周期。四个工作流可以独立使用或链接在一起：

⚠️ 重要： 这些工具加速研究，但它们不能替代你自己的批判性思维。始终用你的领域专业知识评审生成的想法，质疑假设，并自己做出最终决定。最好的研究来自人类洞察 + AI 执行，而非完全自动驾驶。

完整流水线 🚀

/research-lit → /idea-creator → /novelty-check → /research-refine → /experiment-bridge → /auto-review-loop → /paper-writing → submit → /rebuttal → accept! 🎉
  (survey)      (brainstorm)    (verify novel)   (refine method)   (implement+deploy)  (review & fix)      (write paper)   (send)   (reply to reviewers)
  ├────────────── Workflow 1: Idea Discovery ──────────────┤ ├ Workflow 1.5 ─┤ ├── Workflow 2 ──┤ ├── Workflow 3 ──┤         ├── Workflow 4 ──┤

                                     📚 research-wiki (persistent memory — papers, ideas, experiments, claims)
                                        ↕ reads before ideation, writes after every stage, failed ideas = anti-repetition memory

                                              /meta-optimize (Workflow M — runs independently, improves ARIS itself)
                                                 ↑ reads .aris/meta/events.jsonl (accumulated from all runs above)

📝 博客文章： 梦中科研全流程开源

工作流 1：想法发现与方法精炼 🔍

"当前技术水平如何？差距在哪里？我们如何解决？"

还没有具体想法？只需给出一个研究方向——/idea-discovery 处理其余部分：

  1. 📚 调查领域现状（近期论文、开放问题、反复出现的局限性）
  2. 🧠 头脑风暴 8-12 个具体想法，通过 GPT-5.4 xhigh
  3. 🔍 过滤可行性、计算成本和快速新颖性搜索
  4. 🛡️ 验证顶级想法，进行深度新颖性检查 + 魔鬼代言人评审
  5. 🧪 试点前 2-3 个想法在不同的 GPU 上并行运行（每个 30 分钟 - 2 小时）
  6. 🏆 排名根据经验信号——具有积极试点结果的想法升至顶部
  7. 🔬 精炼顶级想法为以问题锚定的提案，通过迭代 GPT-5.4 评审
  8. 🧪 规划声明驱动的实验，附带消融实验、预算和运行顺序

输出是一个排名的 IDEA_REPORT.md，加上顶级想法的精炼提案 (refine-logs/FINAL_PROPOSAL.md) 和实验计划 (refine-logs/EXPERIMENT_PLAN.md)。死胡同想法也被记录，为未来探索节省时间。

┌─────────────────────────────────────────────────────────────────┐
│              想法发现与方法精炼                                    │
│                                                                  │
│   /research-lit    /idea-creator    /novelty-check               │
│   (find papers)    (brainstorm)     (verify novelty)             │
│         │               │                │                       │
│         ▼               ▼                ▼                       │
│   ┌──────────┐    ┌──────────┐     ┌──────────┐                │
│   │ 扫描     │───▶│ 生成     │────▶│ 检查     │                │
│   │ 本地     │    │ 8-12     │     │ 想法     │                │
│   │ 论文 +   │    │ 想法     │     │ 是否     │                │
│   │ 搜索     │    │ + 排名   │     │ 新颖    │                │
│   └──────────┘    └──────────┘     └──────────┘                │
│                         │                │                       │
│                         ▼                ▼                       │
│                   ┌──────────┐     ┌──────────┐                │
│                   │ 过滤     │────▶│ 外部     │                │
│                   │ 按成本、 │     │ LLM      │                │
│                   │ 新颖性   │     │ 评估     │                │
│                   └──────────┘     └──────────┘                │
│                                          │                       │
│                   /research-refine       ▼                       │
│                   (精炼方法)        ┌──────────┐                │
│                         │          │ 冻结     │                │
│                         ▼          │ 问题     │                │
│                   ┌──────────┐     │ 锚点 +   │                │
│                   │ 迭代     │◀───▶│ 精炼     │                │
│                   │ 直到     │     │ 方法     │                │
│                   │ 分数≥9   │     └──────────┘                │
│                   └──────────┘          │                       │
│                         │               ▼                       │
│                   /experiment-plan  ┌──────────┐                │
│                         │          │ 声明     │                │
│                         ▼          │ 驱动的   │                │
│                   ┌──────────┐     │ 实验     │               │
│                   │ 规划     │────▶│ 路线图   │                │
│                   │ 运行     │     └──────────┘                │
│                   └──────────┘                                  │
│                                                                  │
│   典型流程：                                                      │
│   1. /research-lit "discrete diffusion models"                   │
│   2. /idea-creator "DLLMs post training"                         │
│   3. 评审排名想法，选择前 2-3 个                                   │
│   4. /novelty-check "top idea" (深度验证)                         │
│   5. /research-review "top idea" (批判性反馈)                     │
│   6. /research-refine "top idea" (问题锚点 + 方法)                │
│   7. /experiment-plan (声明驱动的路线图)                           │
│   8. /run-experiment → /auto-review-loop                         │
└─────────────────────────────────────────────────────────────────┘

涉及的技能： research-lit + idea-creator + novelty-check + research-review + research-refine-pipeline

💡 一键快捷方式： /idea-discovery "your research direction" 自动运行此完整工作流。

🔄 人在回路中： 每个阶段呈现结果并等待你的反馈。不满意？告诉它缺少什么——它会精炼 prompt 并重新生成。信任默认值？它会自动继续使用排名最高的选项。你决定参与程度。

⚙️ 试点实验预算（最大小时数、超时时间、GPU 预算）是可配置的——参见自定义。

📝 博客文章： Claude Code 两月 NeurIPS 指北

工作流 1.5：实验桥接 🔗

"我有一个计划。现在实现它、部署它，并给我初步结果。"

已经有一个实验计划（来自工作流 1 或你自己的）？/experiment-bridge 将其转化为运行中的代码：

  1. 📋 解析实验计划 (refine-logs/EXPERIMENT_PLAN.md)
  2. 💻 实现实验脚本（重用现有代码，添加适当的 argparse/日志记录/种子）
  3. 🔍 GPT-5.4 代码评审——跨模型评审在浪费 GPU 小时之前捕获逻辑 bug（code review: true 默认）
  4. ✅ 健全性检查——首先运行最小的实验以捕获运行时 bug
  5. 🚀 部署完整实验套件到 GPU，通过 /run-experiment
  6. 📊 收集初步结果并更新实验追踪器
┌─────────────────────────────────────────────────────────────────┐
│                工作流 1.5：实验桥接                                │
│                                                                  │
│   EXPERIMENT_PLAN.md                                             │
│         │                                                        │
│         ▼                                                        │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ Claude   │────▶│ GPT-5.4  │────▶│ 健全性   │               │
│   │ Code     │     │ xhigh    │     │ 检查     │               │
│   │ 编写     │     │ 评审     │     │ (1 GPU)  │               │
│   │ 代码     │     │ 代码     │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                          │                       │
│                                          ▼                       │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 收集     │◀────│ 监控     │◀────│ 部署     │               │
│   │ 结果     │     │          │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                                                  │
│   典型流程：                                                      │
│   1. /experiment-bridge (解析 EXPERIMENT_PLAN.md)                 │
│   2. Claude Code 编写实验脚本                                     │
│   3. GPT-5.4 评审代码（捕获逻辑 bug）                               │
│   4. 健全性检查（最小实验）                                        │
│   5. 部署到 GPU 服务器                                            │
│   6. 收集结果 → 更新 EXPERIMENT_LOG.md                            │
└─────────────────────────────────────────────────────────────────┘

涉及的技能： experiment-bridge + run-experiment + experiment-audit

💡 一键快捷方式： /experiment-bridge 自动运行此工作流。

🔄 人在回路中： 在代码评审和部署阶段暂停以获取你的批准。AUTO_PROCEED=true 跳过暂停。

⚙️ GPU 服务器配置在 CLAUDE.md 中——参见设置指南。

工作流 2：自动评审循环 🔄

"我的论文有多好？如何让它更好？"

已有结果和草稿？/auto-review-loop 迭代改进它：

  1. 📝 解析当前论文（LaTeX 或叙事报告）
  2. 🔍 GPT-5.4 xhigh 评审——结构化评分（5 个维度：新颖性、质量、清晰度、可复现性、重要性）
  3. 🛠️ Claude Code 修复——根据评审意见修复弱点
  4. 🔄 重复直到分数稳定或达到最大轮次
  5. 📊 报告分数进展和剩余弱点
┌─────────────────────────────────────────────────────────────────┐
│                工作流 2：自动评审循环                               │
│                                                                  │
│   论文 (LaTeX/叙事)                                              │
│         │                                                        │
│         ▼                                                        │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ GPT-5.4  │────▶│ Claude   │────▶│ 分数     │               │
│   │ xhigh    │     │ Code     │     │ 稳定？   │               │
│   │ 评审     │     │ 修复     │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│         │               │               │                        │
│         ▼               ▼               ▼                        │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 结构化   │     │ 修复     │     │ 是 →     │               │
│   │ 评分     │     │ 弱点     │     │ 最终报告 │               │
│   │ (5 维度) │     │          │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                          │                       │
│                                          ▼                       │
│                                     ┌──────────┐               │
│                                     │ 分数进展 │               │
│                                     │ + 剩余   │               │
│                                     │ 弱点     │               │
│                                     └──────────┘               │
│                                                                  │
│   典型流程：                                                      │
│   1. /auto-review-loop "paper/" (解析论文目录)                    │
│   2. GPT-5.4 评审 → 结构化评分 + 具体反馈                          │
│   3. Claude Code 修复弱点                                         │
│   4. 重复直到分数稳定或达到最大轮次                                 │
│   5. 最终报告：分数进展 + 剩余弱点                                  │
└─────────────────────────────────────────────────────────────────┘

涉及的技能： auto-review-loop + research-review + paper-claim-audit

💡 一键快捷方式： /auto-review-loop "paper/" 自动运行此工作流。

🔄 人在回路中： 每轮评审后暂停以提供自定义修复说明。human checkpoint: true 启用此功能。

⚙️ 评审轮次、难度和审稿人模型是可配置的——参见自定义。

工作流 3：论文写作 📝

"我有结果和叙事。现在写一篇顶级会议论文。"

已有叙事报告和结果？/paper-writing 将其转化为润色的 PDF：

  1. 📋 规划论文结构（大纲、章节分配、图表位置）
  2. 🎨 生成图表（架构图、结果图）
  3. ✍️ 编写LaTeX（章节、定理、算法）
  4. 🔧 编译PDF（修复 LaTeX 错误）
  5. 🔄 自动改进循环（评审 → 修复 → 重新编译）
  6. 📊 最终审计（声明验证、引用检查）
┌─────────────────────────────────────────────────────────────────┐
│                工作流 3：论文写作                                  │
│                                                                  │
│   NARRATIVE_REPORT.md + 结果                                      │
│         │                                                        │
│         ▼                                                        │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 规划     │────▶│ 图表     │────▶│ 编写     │               │
│   │ 论文     │     │ 生成     │     │ LaTeX    │               │
│   │ 结构     │     │          │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                          │                       │
│                                          ▼                       │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 最终     │◀────│ 自动     │◀────│ 编译     │               │
│   │ 审计     │     │ 改进     │     │ PDF      │               │
│   │          │     │ 循环     │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                                                  │
│   典型流程：                                                      │
│   1. /paper-writing "NARRATIVE_REPORT.md"                        │
│   2. 规划论文结构                                                 │
│   3. 生成图表（架构图、结果图）                                     │
│   4. 编写 LaTeX（章节、定理、算法）                                 │
│   5. 编译 PDF（修复 LaTeX 错误）                                   │
│   6. 自动改进循环（评审 → 修复 → 重新编译）                         │
│   7. 最终审计（声明验证、引用检查）                                  │
└─────────────────────────────────────────────────────────────────┘

涉及的技能： paper-plan + paper-figure + paper-write + paper-compile + auto-paper-improvement-loop + paper-claim-audit + citation-audit

💡 一键快捷方式： /paper-writing "NARRATIVE_REPORT.md" 自动运行此工作流。

🔄 人在回路中： 在每个阶段暂停以提供反馈。human checkpoint: true 启用此功能。

⚙️ 会议模板、图表样式和审计级别是可配置的——参见自定义。

工作流 4：反驳 📝

"评审意见出来了。如何回应？"

收到评审意见？/rebuttal 起草一份安全、结构化的反驳：

  1. 📋 解析评审意见（提取每个关切）
  2. 🧠 策略（分类关切：容易修复、需要实验、无法解决）
  3. ✍️ 起草反驳（逐点回应）
  4. 🛡️ 压力测试（GPT-5.4 xhigh 检查弱点）
  5. 📊 最终反驳（字符限制、格式）
┌─────────────────────────────────────────────────────────────────┐
│                工作流 4：反驳                                     │
│                                                                  │
│   论文 + 评审意见                                                 │
│         │                                                        │
│         ▼                                                        │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 解析     │────▶│ 策略     │────▶│ 起草     │               │
│   │ 评审     │     │ 分类     │     │ 反驳     │               │
│   │ 意见     │     │ 关切     │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                          │                       │
│                                          ▼                       │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 最终     │◀────│ 压力     │◀────│ 后续     │               │
│   │ 反驳     │     │ 测试     │     │ 轮次     │               │
│   │          │     │          │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                                                  │
│   典型流程：                                                      │
│   1. /rebuttal "paper/ + reviews" — venue: ICML                  │
│   2. 解析评审意见（提取每个关切）                                   │
│   3. 策略（分类关切：容易修复、需要实验、无法解决）                    │
│   4. 起草反驳（逐点回应）                                          │
│   5. 压力测试（GPT-5.4 xhigh 检查弱点）                            │
│   6. 后续轮次（回应审稿人的后续问题）                                │
│   7. 最终反驳（字符限制、格式）                                     │
└─────────────────────────────────────────────────────────────────┘

涉及的技能： rebuttal

💡 一键快捷方式： /rebuttal "paper/ + reviews" — venue: ICML 自动运行此工作流。

🔄 人在回路中： 在起草和压力测试阶段暂停以获取你的批准。AUTO_PROCEED=true 跳过暂停。

⚙️ 会议、字符限制和压力测试轮次是可配置的——参见自定义。

工作流 M：元优化 🧬

"ARIS 如何变得更好？"

ARIS 可以优化自身。/meta-optimize 分析使用日志并提出技能改进：

  1. 📊 分析使用日志（技能调用、工具调用、失败、参数覆盖）
  2. 🧠 提出SKILL.md 改进（基于数据）
  3. 🛡️ 审稿人门控（GPT-5.4 xhigh 评审提案）
  4. ✅ 用户批准（你决定是否应用）
┌─────────────────────────────────────────────────────────────────┐
│                工作流 M：元优化                                    │
│                                                                  │
│   .aris/meta/events.jsonl                                        │
│         │                                                        │
│         ▼                                                        │
│   ┌──────────┐     ┌──────────┐     ┌──────────┐               │
│   │ 分析     │────▶│ 提出     │────▶│ 审稿人   │               │
│   │ 使用     │     │ 改进     │     │ 门控     │               │
│   │ 日志     │     │          │     │          │               │
│   └──────────┘     └──────────┘     └──────────┘               │
│                                          │                       │
│                                          ▼                       │
│                                     ┌──────────┐               │
│                                     │ 用户     │               │
│                                     │ 批准     │               │
│                                     └──────────┘               │
│                                                                  │
│   典型流程：                                                      │
│   1. 在正常终端中启用日志记录（一次性）                              │
│   2. 运行 5+ 个工作流以积累数据                                     │
│   3. /meta-optimize (分析日志 → 提出改进)                          │
│   4. 审稿人门控 (GPT-5.4 xhigh 评审提案)                           │
│   5. 用户批准 (你决定是否应用)                                      │
└─────────────────────────────────────────────────────────────────┘

涉及的技能： meta-optimize

💡 一键快捷方式： /meta-optimize 自动运行此工作流。

🔄 人在回路中： 在应用改进前需要你的批准。

⚙️ 日志记录在正常终端中启用——参见快速开始。

⚙️ 设置

先决条件

安装

# 1. 克隆仓库
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git
cd Auto-claude-code-research-in-sleep

# 2. 安装技能
mkdir -p ~/.claude/skills/
cp -r skills/* ~/.claude/skills/

# 3. 设置 Codex MCP
npm install -g @openai/codex
codex setup                    # 提示时将模型设置为 gpt-5.4
claude mcp add codex -s user -- codex mcp-server

# 4. 验证安装
claude
> /idea-discovery "test"       # 应该显示帮助信息

GPU 服务器设置（用于自动实验）

在 CLAUDE.md 中配置你的 GPU 服务器：

## GPU 服务器

- 主机：your-server.com
- 用户：your-username
- 端口：22
- 路径：/path/to/projects
- Conda 环境：your-env
- GPU 数量：4

可选：GPT-5.4 Pro 通过 Oracle

# 安装 Oracle MCP
git clone https://github.com/steipete/oracle.git
cd oracle
npm install
# 按照 Oracle 文档设置 API 密钥或浏览器模式

# 在 Claude Code 中配置
claude mcp add oracle -s user -- node /path/to/oracle/build/index.js

然后在任何技能中使用 — reviewer: oracle-pro。

可选：Codex Plugin 用于代码评审

# 安装 Codex CLI
npm install -g @openai/codex
codex setup                    # 提示时将模型设置为 gpt-5.4

# 在 Claude Code 中配置
claude mcp add codex -s user -- codex mcp-server

可选：飞书/Lark 集成

# 设置飞书 webhook
export FEISHU_WEBHOOK_URL=https://open.feishu.cn/open-apis/bot/v2/hook/your-webhook-id

# 设置飞书交互式模式（可选）
export FEISHU_APP_ID=your-app-id
export FEISHU_APP_SECRET=your-app-secret

可选：Zotero 集成

# 设置 Zotero API 密钥
export ZOTERO_API_KEY=your-api-key
export ZOTERO_USER_ID=your-user-id

可选：Obsidian 集成

# 设置 Obsidian vault 路径
export OBSIDIAN_VAULT_PATH=/path/to/your/vault

🔧 自定义

工作量级别

级别 Tokens 论文 想法 评审轮次 写作深度
lite 0.4x 5-10 4-6 1 快速
balanced 1x 10-20 8-12 2-3 标准
max 2.5x 20-40 12-16 3-4 深度
beast 5-8x 40-80 16-20 4-6 极致

审稿人难度

级别 描述
medium 标准评审，无记忆
hard 审稿人记忆 + 辩论协议
nightmare GPT 通过 codex exec 直接读取仓库

会议模板

会议 样式文件 页面限制
ICLR iclr2026.sty 8 页
NeurIPS neurips_2026.sty 8 页
ICML icml2026.sty 8 页
CVPR cvpr_2026.sty 8 页
ACL acl2026.sty 8 页
AAAI aaai2026.sty 7 页
ACM acm2026.sty 10 页

🤝 贡献

欢迎贡献！请参见 CONTRIBUTING.md 了解详情。

添加新技能

  1. 在 skills/ 中创建一个新目录
  2. 添加一个 SKILL.md 文件，描述技能及其用法
  3. 可选：添加一个 SKILL.md 的 Codex 版本到 skills/skills-codex/
  4. 打开一个 PR

报告问题

请使用 GitHub Issues 报告 bug 或请求功能。

📄 许可

本项目采用 MIT 许可证——参见 LICENSE 文件了解详情。

📖 引用

如果你在研究中使用了 ARIS，请引用：

@software{aris2026,
  author = {Wanshui Yin and Contributors},
  title = {Auto-claude-code-research-in-sleep (ARIS)},
  year = {2026},
  url = {https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep}
}

💬 社区

🙏 致谢

ARIS — 让你在睡觉时做研究。🌙

同时见于 gh-search:llm、gh-search:mcp
译自 GitHub · 项目涌现 · 录于 二〇二六年五月十二日