● Communauté
wanshuiyin
⚡ Instantané
ARIS (Auto-Research-In-Sleep)
par wanshuiyin · wanshuiyin/Auto-claude-code-research-in-sleep
Skills qui transforment un agent LLM de code en chercheur ML autonome — découverte d'idées, boucles de review multi-modèles, automatisation d'expériences nocturnes.
ARIS (Auto-Research-In-Sleep) est un bundle de skills Markdown-only pour la recherche ML autonome. Conçu pour tourner sans surveillance — typiquement la nuit — et produire une pile de candidats de recherche vétérifiés, de résultats d'expériences et de notes de review. Pas de verrouillage de framework : les skills fonctionnent avec Claude Code, Codex, OpenCode et tout agent qui charge des skills markdown. Construit pour les chercheurs solo et les petits labos qui veulent que le calcul et le raisonnement se cumulent pendant qu'ils dorment.
Pourquoi l'utiliser
Fonctionnalités clés
- Découverte d'idées avec review multi-modèles (consensus LLM croisé)
- Automatisation d'expériences — écrire, lancer, évaluer, itérer
- Boucles de review pour filtrer les sorties de faible qualité
- Markdown-only — pas de framework opaque, facile à forker
- Fonctionne avec tout harness d'agent
Démo en direct
Aperçu en pratique
prêt
Cas d'usage
Usages concrets : ARIS (Auto-Research-In-Sleep)
Quand l'utiliser : Vous avez une direction de recherche et 12 heures ; vous voulez vous réveiller avec des expériences candidates.
Prérequis
- Accès calcul (GPU/cloud) pour les expériences — ARIS planifie ; vous fournissez le runner
Déroulement
-
Cadrer
Utilise ARIS. Objectif : explorer les variantes de fine-tuning parameter-efficient pour les petits LLMs. Budget : 12h, 5 idées, 2 expériences par idée.✓ Copié
→ Plan avec budgets par étape
-
Découvrir
Génère 10 idées candidates. Cross-review. Garde les 5 meilleures.✓ Copié
→ Liste d'idées classée avec critiques
-
Lancer
Pour chaque idée du top, rédige une expérience, lance-la, journalise les métriques. Arrête quand le budget est épuisé.✓ Copié
→ Expériences terminées ; métriques journalisées
Résultat : Rapport matinal : idées classées avec signal expérimental réel.
Pièges
- L'utilisation du calcul s'emballe — Plafonds stricts sur le budget par expérience ; ARIS les respecte
Quand l'utiliser : Vous devez cartographier les affirmations et lacunes d'un sous-domaine.
Déroulement
-
Cadrer
Scanne les articles de 2024-2026 sur les hybrides diffusion-LM. Extrais les contributions revendiquées et les benchmarks.✓ Copié
→ Table des affirmations
-
Critiquer
Cross-review des affirmations entre elles. Qu'est-ce qui est contradictoire ou insuffisamment testé ?✓ Copié
→ Analyse des lacunes
Résultat : Cartographie du sous-domaine avec des lacunes de recherche concrètes.
Pièges
- Citations halluchinées — ARIS inclut une étape de vérification — associez avec un MCP arxiv pour la vérité terrain
Combinaisons
Associez-le à d'autres MCPs pour un effet X10
Synthèse de littérature avant / après la recherche
Utilise NotebookLM pour digérer les articles liés ; ARIS pour concevoir les expériences.✓ Copié
Persister les artefacts d'expérience sous /research/<run-id>/
Sauvegarde tous les logs et résultats sous /research/2026-05-03/.✓ Copié
Coût et limites
Coût d'exécution
- Quota d'API
- Tokens + calcul — les deux peuvent être substantiels
- Tokens par appel
- La découverte d'idées et le cross-review sont gourmands en tokens
- Monétaire
- Skill gratuit ; vous payez le calcul et l'utilisation du modèle
- Astuce
- Définissez des plafonds stricts de tokens / calcul à l'étape de planification
Sécurité
Permissions, secrets, portée
Portées minimales : Accès au runner de calcul Accès en lecture aux données
Stockage des identifiants : Externe — géré par votre runner
Sortie de données : Dépend de votre configuration modèle/runner
Ne jamais accorder : Données de production aux boucles de recherche autonomes
- Expériences autonomes — examinez tout le code généré avant de le laisser tourner sur de vrais systèmes
Dépannage
Erreurs courantes et correctifs
Boucle sans converger
Resserrez le budget ; ARIS respecte les plafonds et s'arrête
Le cross-review converge vers un seul point de vue
Diversifiez les modèles reviewers ; si tous sont de la même famille, vous aurez des vues corrélées
Les expériences échouent silencieusement
Resserrez le reporting d'erreurs du runner ; ARIS journalise mais ne peut pas corriger les mauvais runners
Alternatives
ARIS (Auto-Research-In-Sleep) vs autres
| Alternative | Quand l'utiliser | Compromis |
|---|
| Expériences lancées à la main | Vous avez besoin d'un contrôle total | Ne passe pas à l'échelle au-delà de vos heures disponibles |
| Plateformes AutoML hébergées | Vous voulez du calcul managé + interface | Moins de flexibilité ; coût |