Auto-claude-code-research-in-sleep 使用教程
从入门到精通的完整指南
Auto-claude-code-research-in-sleep 简介
ARIS（Auto-Research-In-Sleep）是一款轻量级的自主机器学习研究工具，通过纯Markdown格式的技能文件驱动AI Agent在无人值守状态下完成ML研究任务。它支持跨模型审阅循环、创意发现和实验自动化，无需任何框架依赖，兼容Claude Code、Codex、OpenClaw等主流LLM Agent平台。研究者只需编写Markdown技能描述，即可让AI自动执行文献调研、论文审阅、实验设计等研究流程，适合希望利用睡眠时间让AI持续工作的ML研究者。
详细功能介绍
【工具简介】ARIS是一款基于纯Markdown技能文件的自主ML研究工具，让AI Agent在无人值守时自动执行研究任务。
【核心功能】
①跨模型审阅循环：支持多个LLM模型交叉审阅研究论文和代码，通过多视角反馈提升研究质量，减少单一模型的偏见。
②创意自动发现：AI Agent可自主浏览最新论文和研究动态，发现潜在的研究方向和创新点，生成创意提案供研究者参考。
③实验自动化：根据研究目标自动设计实验方案、编写实验代码、运行训练流程并记录结果，实现端到端的实验自动化。
④Markdown技能系统：所有研究技能以纯Markdown文件定义，无框架依赖，可版本控制和复用，兼容任何支持文件读取的LLM Agent。
【适用场景】
ML研究者希望利用夜间或休息时间让AI自动进行文献调研和论文审阅，第二天查看整理好的结果；深度学习工程师需要自动化超参数搜索和实验对比流程；研究团队希望构建可复用的研究自动化流程，在不同项目间共享和迁移技能文件。
【快速入门】
①克隆ARIS仓库，了解Markdown技能文件的格式和组织方式。
②根据研究需求编写或修改技能文件，定义研究任务的具体步骤和要求。
③将技能文件加载到Claude Code、Codex或其他兼容的LLM Agent中。
④启动Agent运行，设置任务执行时间，等待Agent完成研究任务后查看结果。
【优缺点分析】
优点：纯Markdown定义技能，零框架依赖，极其轻量且易于理解和维护；跨Agent平台兼容，不绑定特定LLM服务商；适合构建无人值守的自动化研究流程，充分利用非工作时间。
缺点：效果高度依赖底层LLM Agent的能力和稳定性；复杂研究任务可能需要多轮调试技能文件才能达到预期效果；目前主要面向ML研究领域，通用性有待扩展。
【适合人群】
机器学习研究者和博士生，希望自动化文献调研和实验流程以提高研究效率；AI工程师，需要系统化地进行模型对比和超参数优化；技术团队负责人，希望为团队构建可复用的研究自动化基础设施。
1ARIS自主机器学习研究工具入门教程
入门10分钟
ARIS（Auto-Research-In-Sleep）是一款轻量级自主ML研究工具，通过纯Markdown格式的技能文件驱动AI Agent在无人值守状态下完成机器学习研究任务，无需任何框架依赖。
一、快速开始
1. 访问ARIS的GitHub仓库，克隆项目到本地：git clone加上仓库地址。
2. 确保已安装Claude Code、Codex或OpenClaw等支持的LLM Agent平台中的任意一个。
3. 在项目的skills目录下，可以看到预置的Markdown技能文件模板。
4. 复制一个模板文件，根据你的研究需求修改技能描述内容。
5. 在Agent平台中运行该技能文件，ARIS会自动解析并执行研究任务。
二、核心功能演示
功能1：文献自动调研
编写一个文献调研技能文件，在Markdown中描述研究主题、关键词和调研范围。运行后，ARIS会自动搜索相关论文，提取核心观点，生成结构化的文献综述报告。支持指定关注的方法论、数据集和评估指标，调研结果会以标准格式输出。
功能2：跨模型审阅循环
ARIS的特色功能是让不同的LLM模型互相审阅研究成果。在技能文件中配置审阅流程，一个模型生成内容后，另一个模型会进行批判性审阅并提出改进建议，经过多轮循环后输出经过打磨的高质量研究文档。
功能3：实验自动化
在技能文件中定义实验方案，包括数据集选择、模型配置、训练参数和评估指标。ARIS会自动编写实验代码、运行训练、记录结果并生成分析报告。支持对比多组实验配置，自动识别最优方案。
三、实际使用案例
案例1：论文写作辅助
博士生小王使用ARIS的文献调研功能，对多模态大模型主题进行了系统调研，生成了包含50篇核心论文的文献综述初稿，节省了两周的文献阅读时间，随后在此基础上精读重点论文完成最终综述。
案例2：模型选型对比
某AI团队需要在多个预训练模型中选择最合适的基座模型，使用ARIS定义了对比实验技能，自动在相同数据集上测试了5个模型，生成了包含性能指标、训练成本和推理速度的完整对比报告。
四、常见问题FAQ
Q1：必须使用Claude Code吗？
A：不是，ARIS兼容Claude Code、Codex、OpenClaw等主流LLM Agent平台。选择你熟悉的平台即可，技能文件格式是统一的。
Q2：需要编程基础吗？
A：编写技能文件不需要编程，只需用Markdown描述研究需求。但如果你想自定义实验代码，具备Python基础会让使用更灵活。
Q3：运行费用如何？
A：ARIS本身免费开源，但运行时需要调用LLM API，费用取决于你使用的模型和任务复杂度。建议先用小规模测试验证技能文件，再进行大规模研究。
五、小贴士
1. 技能文件写得越详细，AI执行效果越好。明确指定研究目标、约束条件和输出格式，避免模糊描述。
2. 善用跨模型审阅功能，让不同模型互相检验，能显著提升研究结果的可靠性和深度。
3. 建议先从简单的文献调研任务开始熟悉ARIS工作流，再逐步尝试复杂的端到端实验自动化。