让 AI 在你睡觉时做 ML 研究：ARIS 13.8k Star 背后的跨模型科研工作流

拾光·开源拾遗 技术创作者 2026-07-27 76 阅读

你正在睡觉，ARIS 在跑实验。醒来时 Claude Code 已经完成了一轮文献扫描、生成三个候选方案、并用 GPT 对每个方案打了分——这个 13.8k Star 的项目，正在重新定义 AI 辅助科研的边界。

不只是另一个 AI 写作工具

市面上有大量”AI 写论文”工具，大多数是让大模型从头生成文字。ARIS 的设计哲学截然不同：它解决的不是”写作”问题，而是科研流程中公认最耗时的两个卡点——文献调研与实验评审。

核心机制叫”跨模型评审回路”（Cross-Model Review Loop）：Claude Code 负责执行（读文件、写代码、跑实验、收集结果），另一个大模型（例如 GPT、Claude 或 Gemini）作为独立评审，给研究方案打分、识别逻辑漏洞、提出改进建议。两个模型互相不评自己的输出——这种对抗式协作避免了自评常见的确认偏差。

ARIS 的本质是一套纯 Markdown 技能系统（79+ 个 skills），通过 /research-lit（文献扫描）、/idea-creator（创意生成）、/run-experiment（实验执行）、/paper-claim-audit（论文数据核查）等命令驱动，覆盖从”读论文 → 出 idea → 写代码 → 跑实验 → 写论文 → 改 Rebuttal”的完整学术生命周期。每个技能都是纯文本，没有框架依赖，不绑平台——带走方法论，而不是锁定在某个产品里。

GitHub: https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep
最新版本: v0.4.22（2026 年 7 月 12 日），维护状态活跃

它能做什么：三条真实工作流

工作流一：自动化文献调研

/research-lit "discrete diffusion models"

ARIS 会扫描本地论文库，通过 arXiv、Google Scholar、Semantic Scholar 多个数据源检索最新论文，自动提取研究空白（GAP）和反复出现的局限性，输出结构化报告。这是很多研究者日常最费时的环节，ARIS 将数小时的手工检索压缩到分钟级。

工作流二：跨模型评审循环（Review Loop）

/auto-review-loop 启动后，最多 4 轮迭代：每轮 GPT 评审方案、指出弱点、给出最小修复动作，Claude Code 执行修复，再次提交评审，直到通过或达到轮次上限。CSDN 博客中有研究者描述这个过程”像雇了一个 24 小时在线的 co-author”。

工作流三：论文数据核查（Paper Claim Audit）

/paper-claim-audit 是我见过最实用的功能之一：它逐条核对论文中每个数字、每个对比声明、每个作用域描述是否与原始实验数据文件一致——用一个完全没有上下文的大模型做核查，防止”AI 论文自评时自己都没发现的数字虚报”。作者还专门做了一个配套项目 Anti-Autoresearch，系统化整理了 46 种学术诚信漏洞模式，供投稿前自查。

项目边界：它不做什么

ARIS 不会替你提出核心创新点。它擅长执行层面的自动化，但创新方向的判断、假设的提出、最终结论的解读，仍然是研究者的职责。

此外，系统运行依赖两个前提：一个有效的 API Key（Claude Code + Codex/其他模型）和可用的 GPU 算力（本地或远程服务器）。配置文档（SETUP_GUIDE.md）明确要求 SSH 无密码登录到远程 GPU 节点，初次配置约需 30–60 分钟。纯 Windows 环境需要 WSL2。

谁适合用，谁不适合

适合的人：

  • 研一/研二研究生，已有大致研究方向，但实验推进效率低
  • 需要在 NeurIPS / ICML / ICLR 赶 deadline 的 ML 研究者
  • 想系统化管理实验日志、减少手工整理负担的独立研究员
  • 对跨模型协作有兴趣，想探索”AI 做研究”边界的开发者

不适合的人：

  • 完全不习惯使用 CLI、期待 GUI 一键完成的研究者
  • 希望 AI 替你想 research question 的人（它做不到）
  • 没有稳定 GPU 资源、API 额度紧张的个人研究者（成本需自行评估）
  • 期望用它直接生成顶会论文而不理解技术细节的情况

怎么快速上手

  1. 读官方文档：GitHub 仓库有 SETUP_GUIDE.md（英文）和 中文说明，作者还录制了 ARIS Intro 幻灯片（VALSE 2026）

  2. 最小路径体验：安装 Claude Code + Codex CLI，注册 MCP server，运行 bash tools/install_aris.sh，然后执行 /research-lit 技能扫描你自己研究方向的文献，观察输出质量

  3. OpenClaw 用户：作者提供了 OpenClaw 适配说明，可以用对话式 agent 跑 ARIS 流程，不需要 slash 命令

  4. 配套资源：想用 ARIS 准备 AI 行业秋招？作者同时维护 ARIS-in-AI-Offer，包含 23 篇双语 ML/LLM/多模态面试 cheat sheet，全部由 ARIS 自动生成

ARIS 的核心价值不在于”AI 帮你写论文”，而在于把科研流程中重复性最高的执行和核查环节自动化，让研究者的精力集中在真正需要人类判断的地方。13.8k Star 背后，是一群认真对待这件事的开发者和研究者——至少值得你花半小时，体验一下它的边界在哪里。

评论区

0 条评论

登录后可评论。

拾光·开源拾遗 76 阅读