● Comunidad
wanshuiyin
⚡ Instantáneo
ARIS (Auto-Research-In-Sleep)
por wanshuiyin · wanshuiyin/Auto-claude-code-research-in-sleep
Skills que convierten un agente de programación LLM en un investigador de ML autónomo — descubrimiento de ideas, bucles de revisión entre modelos, automatización de experimentos de noche.
ARIS (Auto-Research-In-Sleep) es un bundle de skills de solo Markdown para investigación autónoma de ML. Diseñado para ejecutarse sin atención — típicamente de noche — y producir una pila de candidatos de investigación validados, resultados de experimentos y notas de revisión. Sin bloqueo de framework: los skills funcionan con Claude Code, Codex, OpenCode y cualquier agente que cargue skills de Markdown. Construido para investigadores independientes y laboratorios pequeños que quieren que el cómputo y el razonamiento se acumulen mientras duermen.
Por qué usarlo
Características clave
- Descubrimiento de ideas con revisión entre modelos (consenso multi-LLM)
- Automatización de experimentos — escribir, ejecutar, evaluar, iterar
- Bucles de revisión para filtrar outputs de baja calidad
- Solo Markdown — sin framework opaco, fácil de hacer fork
- Funciona con cualquier harness de agente
Demo en vivo
Cómo se ve en la práctica
listo
Casos de uso
Usos del mundo real: ARIS (Auto-Research-In-Sleep)
Cuándo usarlo: Tienes una dirección de investigación y 12 horas; quieres despertar con experimentos candidatos.
Requisitos previos
- Acceso a cómputo (GPU/cloud) para experimentos — ARIS planifica; tú proporcionas el runner
Flujo
-
Acotar
Usa ARIS. Objetivo: explorar variantes de fine-tuning eficiente en parámetros para LLMs pequeños. Presupuesto: 12h, 5 ideas, 2 experimentos por idea.✓ Copiado
→ Plan con presupuestos por etapa
-
Descubrir
Genera 10 ideas candidatas. Haz revisión cruzada. Conserva las 5 mejores.✓ Copiado
→ Lista de ideas clasificada con críticas
-
Ejecutar
Para cada idea top, diseña un experimento, ejecútalo, registra métricas. Para cuando se agote el presupuesto.✓ Copiado
→ Experimentos completados; métricas registradas
Resultado: Informe matutino: ideas clasificadas con señal experimental real.
Errores comunes
- El uso de cómputo se dispara — Límites estrictos por presupuesto de experimento; ARIS los respeta
Cuándo usarlo: Necesitas mapear las afirmaciones y brechas de un subcampo.
Flujo
-
Acotar
Escanea papers de 2024-2026 sobre híbridos diffusion-LM. Extrae contribuciones afirmadas y benchmarks.✓ Copiado
→ Tabla de afirmaciones
-
Criticar
Revisa cruzadamente las afirmaciones entre sí. ¿Qué es contradictorio o está poco probado?✓ Copiado
→ Análisis de brechas
Resultado: Mapa del subcampo con brechas de investigación concretas.
Errores comunes
- Citas alucinadas — ARIS incluye un paso de verificación — combina con un MCP de arxiv para contrastar con la realidad
Combinaciones
Combínalo con otros MCPs para multiplicar por 10
Digest de literatura antes / después de la investigación
Usa NotebookLM para digerir los papers relacionados; ARIS para diseñar los experimentos.✓ Copiado
Persistir artefactos de experimentos bajo /research/<run-id>/
Guarda todos los logs y resultados bajo /research/2026-05-03/.✓ Copiado
Coste y límites
Lo que cuesta ejecutarlo
- Cuota de API
- Tokens + cómputo — ambos pueden ser sustanciales
- Tokens por llamada
- El descubrimiento de ideas y la revisión cruzada consumen muchos tokens
- Monetario
- Skill gratis; pagas cómputo y uso del modelo
- Consejo
- Establece límites estrictos de tokens / cómputo en la etapa de planificación
Seguridad
Permisos, secretos, alcance
Ámbitos mínimos: Compute runner access Read access to data
Almacenamiento de credenciales: Externo — gestionado por tu runner
Salida de datos: Depende de la configuración de tu modelo/runner
No conceder nunca: Production data to autonomous research loops
- Experimentos autónomos — revisa todo el código generado antes de dejarlo ejecutar en sistemas reales
Resolución de problemas
Errores comunes y soluciones
Bucles sin converger
Ajusta el presupuesto; ARIS respeta los límites y se detiene
La revisión cruzada colapsa a un solo punto de vista
Diversifica los modelos de revisión; si todos son de la misma familia, obtendrás opiniones correlacionadas
Los experimentos fallan silenciosamente
Ajusta el reporte de errores del runner; ARIS registra pero no puede arreglar runners defectuosos
Alternativas
ARIS (Auto-Research-In-Sleep) vs otros
| Alternativa | Cuándo usarla | Contrapartida |
|---|
| Experimentos ejecutados a mano | Necesitas control total | No escala más allá de tus horas disponibles |
| Plataformas AutoML alojadas | Quieres cómputo gestionado + UI | Menos flexibilidad; coste |