/ Verzeichnis / Playground / ARIS (Auto-Research-In-Sleep)
← Alle Server ↗ GitHub
● Community wanshuiyin ⚡ Sofort

ARIS (Auto-Research-In-Sleep)

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

Skills, die einen LLM-Coding-Agent in einen autonomen ML-Forscher verwandeln — Ideen-Entdeckung, Cross-Modell-Review-Schleifen, nächtliche Experiment-Automatisierung.

ARIS (Auto-Research-In-Sleep) ist ein nur-Markdown-Skill-Bundle für autonome ML-Forschung. Konzipiert für unbeaufsichtigten Betrieb — typischerweise über Nacht — und produziert einen Stapel geprüfter Forschungskandidaten, Experiment-Ergebnisse und Review-Notizen. Kein Framework-Lock-in: die Skills funktionieren mit Claude Code, Codex, OpenCode und jedem Agent, der Markdown-Skills lädt. Gebaut für Solo-Forscher und kleine Labs, die möchten, dass Compute und Reasoning sich vervielfältigen während sie schlafen.

▶ Demo ansehen 📦 Installieren 💡 Anwendungsfälle

Warum nutzen

Hauptfunktionen

Live-Demo

In der Praxis

bereit

Installation

Repository des Autors · Offizielle Dokumentation zu Claude Skills

Anwendungsfälle

Praxisnahe Nutzung: ARIS (Auto-Research-In-Sleep)

Eine autonome Forschungssession über Nacht laufen lassen

👤 Solo-Forscher / kleine Labs ⏱ ~720 min advanced

Wann einsetzen: Du hast eine Forschungsrichtung und 12 Stunden; du willst morgens mit Kandidaten-Experimenten aufwachen.

Voraussetzungen
  • Compute-Zugang (GPU/Cloud) für Experimente — ARIS plant; du stellst den Runner bereit
Ablauf
  1. Eingrenzen
    Use ARIS. Goal: explore parameter-efficient fine-tuning variants for small LLMs. Budget: 12h, 5 ideas, 2 experiments per idea.✓ Kopiert
    → Plan mit Budgets pro Stage
  2. Entdecken
    Generate 10 candidate ideas. Cross-review. Keep the top 5.✓ Kopiert
    → Priorisierte Ideen-Liste mit Kritiken
  3. Ausführen
    For each top idea, draft an experiment, run it, log metrics. Stop when budget exhausted.✓ Kopiert
    → Experimente abgeschlossen; Metriken protokolliert

Ergebnis: Morgenbericht: priorisierte Ideen mit echten experimentellen Signalen.

Fallstricke
  • Compute-Nutzung läuft davon — Harte Limits pro Experiment-Budget; ARIS respektiert diese
Kombinieren mit: filesystem

Einen Literatur-Scan durchführen und experimentelle Behauptungen extrahieren

👤 Forscher, die ein neues Gebiet betreten ⏱ ~90 min intermediate

Wann einsetzen: Du musst Behauptungen und Lücken eines Teilfelds kartieren.

Ablauf
  1. Eingrenzen
    Scan papers from 2024-2026 on diffusion-LM hybrids. Extract claimed contributions and benchmarks.✓ Kopiert
    → Behauptungs-Tabelle
  2. Kritisieren
    Cross-review claims against each other. What's contradictory or under-tested?✓ Kopiert
    → Lückenanalyse

Ergebnis: Karte des Teilfelds mit konkreten Forschungslücken.

Fallstricke
  • Halluzinierte Zitate — ARIS beinhaltet einen Verifikationsschritt — mit arxiv MCP für Ground Truth kombinieren
Kombinieren mit: notebooklm-py-skill

Kombinationen

Mit anderen MCPs für 10-fache Wirkung

aris-research-skill + notebooklm-py-skill

Literatur-Digest vor / nach der Forschung

Use NotebookLM to digest related papers; ARIS to design experiments.✓ Kopiert
aris-research-skill + filesystem

Experiment-Artefakte unter /research/<run-id>/ persistieren

Save all logs and results under /research/2026-05-03/.✓ Kopiert

Werkzeuge

Was dieses MCP bereitstellt

WerkzeugEingabenWann aufrufenKosten
plan_research goal, budget Session-Beginn tokens
discover_ideas topic, n Ideengenerierungsphase tokens
cross_review idea, models[] Ideen filtern tokens × n models
run_experiment idea, runner config Validierung compute + tokens

Kosten & Limits

Was der Betrieb kostet

API-Kontingent
Tokens + Compute — beide können erheblich sein
Tokens pro Aufruf
Ideen-Entdeckung und Cross-Review sind token-schwer
Kosten in €
Kostenloser Skill; du zahlst Compute und Model-Nutzung
Tipp
Harte token-/Compute-Limits in der Planungsphase setzen

Sicherheit

Rechte, Secrets, Reichweite

Minimale Scopes: Compute runner access Read access to data
Credential-Speicherung: Extern — durch deinen Runner gehandhabt
Datenabfluss: Hängt von deinem Model/Runner-Setup ab
Niemals gewähren: Production data to autonomous research loops

Fehlerbehebung

Häufige Fehler und Lösungen

Loops without converging

Budget straffen; ARIS respektiert Limits und stoppt

Cross-review collapses to one viewpoint

Reviewer-Modelle diversifizieren; bei derselben Familie erhältst du korrelierte Sichten

Experiments fail silently

Runner-Fehlerberichterstattung straffen; ARIS protokolliert, kann aber fehlerhafte Runner nicht reparieren

Alternativen

ARIS (Auto-Research-In-Sleep) vs. andere

AlternativeWann stattdessenKompromiss
Manuell ausgeführte ExperimenteVollständige Kontrolle nötigSkaliert nicht über deine Stunden hinaus
Gehostete AutoML-PlattformenManaged Compute + UI gewünschtWeniger Flexibilität; Kosten

Mehr

Ressourcen

📖 Offizielle README auf GitHub lesen

🐙 Offene Issues ansehen

🔍 Alle 400+ MCP-Server und Skills durchsuchen