/ Каталог / Песочница / ARIS (Auto-Research-In-Sleep)
← Все серверы ↗ GitHub
● Сообщество wanshuiyin ⚡ Сразу

ARIS (Auto-Research-In-Sleep)

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

Skills, превращающие LLM coding-агента в автономного ML-исследователя — поиск идей, циклы кросс-модельного ревью, ночная автоматизация экспериментов.

ARIS (Auto-Research-In-Sleep) — бандл skills только на Markdown для автономных ML-исследований. Разработан для работы без присмотра — как правило, за ночь — и получения стека проверенных исследовательских кандидатов, результатов экспериментов и ревью-заметок. Никакой привязки к фреймворку: skills работают с Claude Code, Codex, OpenCode и любым агентом, загружающим markdown skills. Создан для одиночных исследователей и небольших лабораторий, которые хотят, чтобы вычисления и рассуждения работали, пока они спят.

▶ Смотреть демо 📦 Установить 💡 Сценарии

Зачем использовать

Ключевые функции

Живое демо

Как выглядит на практике

готово

Установка

Репозиторий автора · Официальная документация Claude Skills

Сценарии использования

Реальные сценарии: ARIS (Auto-Research-In-Sleep)

Запустить автономную исследовательскую сессию на ночь

👤 Одиночные исследователи / небольшие лаборатории ⏱ ~720 min advanced

Когда использовать: Есть исследовательское направление и 12 часов; хотите проснуться с набором экспериментальных кандидатов.

Предварительные требования
  • Вычислительный доступ (GPU/облако) для экспериментов — ARIS планирует; вы предоставляете runner
Поток
  1. Объём
    Use ARIS. Goal: explore parameter-efficient fine-tuning variants for small LLMs. Budget: 12h, 5 ideas, 2 experiments per idea.✓ Скопировано
    → План с бюджетами по стадиям
  2. Поиск
    Generate 10 candidate ideas. Cross-review. Keep the top 5.✓ Скопировано
    → Ранжированный список идей с критикой
  3. Запуск
    For each top idea, draft an experiment, run it, log metrics. Stop when budget exhausted.✓ Скопировано
    → Эксперименты завершены; метрики залогированы

Итог: Утренний отчёт: ранжированные идеи с реальным экспериментальным сигналом.

Подводные камни
  • Вычислительные ресурсы выходят из-под контроля — Жёсткие лимиты на бюджет каждого эксперимента; ARIS их соблюдает
Сочетать с: filesystem

Провести обзор литературы и извлечь экспериментальные утверждения

👤 Исследователи, входящие в новую область ⏱ ~90 min intermediate

Когда использовать: Нужно картировать утверждения и пробелы в подобласти.

Поток
  1. Объём
    Scan papers from 2024-2026 on diffusion-LM hybrids. Extract claimed contributions and benchmarks.✓ Скопировано
    → Таблица утверждений
  2. Критика
    Cross-review claims against each other. What's contradictory or under-tested?✓ Скопировано
    → Анализ пробелов

Итог: Карта подобласти с конкретными пробелами для исследований.

Подводные камни
  • Галлюцинированные цитаты — ARIS включает шаг верификации — дополните arxiv MCP для проверки истины
Сочетать с: notebooklm-py-skill

Комбинации

Сочетайте с другими MCP — эффект x10

aris-research-skill + notebooklm-py-skill

Дайджест литературы до/после исследования

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

Сохранять артефакты экспериментов в /research/<run-id>/

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

Инструменты

Что предоставляет этот MCP

ИнструментВходные данныеКогда вызыватьСтоимость
plan_research goal, budget Начало сессии tokens
discover_ideas topic, n Фаза генерации идей tokens
cross_review idea, models[] Фильтрация идей tokens × n models
run_experiment idea, runner config Валидация compute + tokens

Стоимость и лимиты

Во что обходится

Квота API
Токены + вычисления — оба могут быть значительными
Токенов на вызов
Поиск идей и кросс-ревью требуют много токенов
Деньги
Бесплатный skill; вы платите за вычисления и использование модели
Совет
Устанавливайте жёсткие лимиты токенов / вычислений на стадии планирования

Безопасность

Права, секреты, радиус поражения

Минимальные скоупы: Compute runner access Read access to data
Хранение учётных данных: Внешнее — управляется вашим runner
Исходящий трафик: Зависит от настройки вашей модели/runner
Никогда не давайте: Production data to autonomous research loops

Устранение неполадок

Частые ошибки и исправления

Loops without converging

Ужесточите бюджет; ARIS соблюдает лимиты и останавливается

Cross-review collapses to one viewpoint

Разнообразьте модели ревьюеров; если все одного семейства, получите коррелированные взгляды

Experiments fail silently

Улучшите отчётность об ошибках runner; ARIS логирует, но не может исправить плохой runner

Альтернативы

ARIS (Auto-Research-In-Sleep) в сравнении

АльтернативаКогда использоватьКомпромисс
Hand-run experimentsНужен полный контрольНе масштабируется за пределы ваших часов
Hosted AutoML platformsНужны управляемые вычисления + UIМеньше гибкости; стоимость

Ещё

Ресурсы

📖 Читать официальный README на GitHub

🐙 Открытые задачи

🔍 Все 400+ MCP-серверов и Skills