深夜两点，你还在为论文格式调整焦头烂额；文献综述写了一周，却还在补充新的相关研究；审稿意见返回，要花整整三天修改……这些场景对ML研究者来说并不陌生。

机器学习研究流程通常包括：文献调研、想法生成、实验设计、代码实现、结果分析、论文撰写、审稿响应等环节。每个环节都需要大量时间和专业知识。

传统的AI编程助手（如GitHub Copilot、Cursor）主要提供代码建议，无法理解研究上下文，更不能完成完整的研究任务。简单的prompt工程也难以应对复杂的研究流程——你需要的不只是生成几段文字，而是需要AI理解研究目标、协调多个工具、持久化知识、持续优化策略。

ARIS（Auto-Research-In-Sleep）的出现正是为了解决这个问题。它是一个为Claude Code设计的ML研究自动化框架，能够实现从文献调研、想法生成、实验设计到论文撰写和审稿响应的全流程自动化。

架构设计：跨模型协作机制

2-Agent对抗模式

ARIS最独特的设计是其2-agent对抗模式：Claude Code作为执行Agent负责具体研究任务，GPT-5.4作为审稿Agent提供批评和改进建议。

这种设计源于一个关键洞察：单一模型难以同时扮演"创作者"和"评审者"两个角色。Claude Code擅长理解和执行复杂任务，但在自我评估时容易陷入思维盲区；而GPT-5.4经过专门训练，能够从审稿人的角度发现问题。

技术实现细节

具体实现上，ARIS通过Oracle MCP集成GPT-5.4 Pro。当Claude Code完成一个研究环节（如实验设计或论文初稿），系统会自动触发GPT-5.4进行评审。评审意见以结构化形式返回，Claude Code根据反馈进行迭代改进。

跨模型协作的优势

与单一模型方案相比，跨模型协作有两个明显优势：

• 减少自我强化的偏见：执行和评审由不同模型完成
• 利用不同模型的优势组合：Claude Code擅长长文本理解和代码生成，GPT-5.4擅长批判性分析

技能驱动架构：67个Markdown文件的研究工具链

核心设计理念

ARIS的核心是技能驱动（Skill-Driven）架构。全部67个技能以纯Markdown文件形式存在，没有复杂的依赖，没有lock-in框架。

每个技能文件定义了一个具体的研究能力，例如：

• idea_discovery.md：从OpenAlex检索相关文献，提取研究gap
• experiment_bridge.md：将研究想法转化为实验设计
• paper_writer.md：按照学术规范撰写论文各个部分
• review_response.md：分析审稿意见，生成逐条响应

工程优势

这种设计带来几个工程优势：

• 零依赖：不需要安装复杂的框架，只要有Claude Code就能运行
• 可读可改：Markdown格式让每个技能都透明可见，研究者可以轻松定制
• 版本可控：技能文件可以像代码一样进行git管理
• 易于扩展：添加新技能只需创建一个Markdown文件

研究者还可以通过Codex技能镜像获得完整的Codex CLI能力，这意味着ARIS可以直接操作命令行、管理项目、运行实验。

Research Wiki：知识持久化与跨会话复用

问题背景

研究是一个长期积累的过程。你可能今天想到了一个好主意，过两周才真正开始实验；或者在写新论文时，需要参考之前的研究成果。传统LLM的会话记忆无法满足这种需求。

解决方案

ARIS的解决方案是Research Wiki——一个专门的研究知识库系统。它记录你的论文、想法、实验、结论，并支持跨会话查询和复用。

具体来说，Research Wiki通过research_wiki.py维护一个结构化的知识图谱。每当你完成一个研究环节，相关内容会被自动索引和存储。下次启动ARIS时，系统会读取Wiki中的历史知识，为新任务提供上下文。

持续学习能力

这带来一个重要能力：研究者可以"教导"ARIS。通过Research Wiki，你可以告诉系统你的研究领域、偏好风格、常用方法，ARIS会在后续任务中应用这些知识。

此外，ARIS还提供/meta-optimize功能，通过分析使用日志自动改进技能。这意味着系统会根据你的使用反馈，不断优化自己的能力。

实践指南：从安装到使用

安装部署

ARIS的部署非常简单，只需要一个安装脚本：

bash install_aris.sh

安装完成后，系统会自动创建必要的目录结构和技能文件。

典型使用场景

场景1：快速启动一个研究项目

使用idea_discovery技能，帮我分析"transformer效率优化"领域的研究gap

场景2：自动化论文撰写

基于实验结果，使用paper_writer技能撰写方法部分

场景3：审稿响应

针对这些审稿意见，使用review_response技能生成逐条回复

实际案例

实际案例中，ARIS已经帮助研究者完成了一篇AAAI 2026论文。从最初的研究想法，到文献调研、实验设计、论文撰写，整个过程大部分由ARIS自动完成，研究者主要在关键决策点进行干预。

需要注意的是，ARIS并非完全替代人类研究者。它擅长的是重复性、标准化的工作，研究创新性和深度思考仍然需要人类主导。

开发者扩展指南

ARIS是开源的，开发者可以根据自己的需求进行定制：

• 自定义技能：创建新的Markdown技能文件，扩展ARIS的能力边界
• 集成其他模型：通过MCP协议集成GPT-4、Gemini等其他模型
• 连接实验平台：将ARIS与你的实验基础设施连接，实现从想法到结果的全自动化
• 团队协作：在研究团队中部署ARIS，统一研究流程和知识管理

项目的GitHub仓库（wanshuiyin/Auto-claude-code-research-in-sleep）提供了完整文档和示例。

总结

ARIS代表了AI研究自动化的一个重要方向：不是简单地用AI生成内容，而是构建一套完整的工作流系统，让AI真正理解研究上下文、协调多个工具、积累领域知识。

跨模型协作、技能驱动架构、Research Wiki持久化，这三个技术设计共同构成了ARIS的核心能力。对于ML研究者来说，ARIS提供了一个7×24小时的研究助手，能够在你睡觉时完成大量重复性工作。

更重要的是，ARIS的开源设计和零依赖架构，让研究者可以轻松定制和扩展。这不仅仅是一个工具，更是一个研究自动化的实验平台。随着更多研究者和开发者的参与，AI辅助科研很可能成为学术界的标配。