1. 项目概述
ARIS（Auto-Research-In-Sleep）是一个专为科研工作者设计的全自动研究辅助系统。这个开源项目的核心理念是"睡后科研"——让研究者在休息时，系统能自动完成论文修改、实验运行和结果分析等耗时工作。
作为一名长期奋战在科研一线的研究者，我深知调参跑实验、反复修改论文的痛苦。ARIS的出现彻底改变了这种状况。它通过智能化的流程设计，将文献调研、idea生成、实验验证、论文写作等环节串联成自动化流水线。最令人惊喜的是，系统支持跨模型协作，Claude负责执行，外部大模型负责评审，形成良性循环。
2. 核心功能解析
2.1 三大核心工作流
ARIS系统由三个主要工作流组成，既可以独立使用，也能无缝衔接：
- Idea发现工作流：从零开始生成研究思路
- 自动评审循环：持续优化论文质量
- 论文写作流水线：将研究成果转化为可投稿的论文
2.2 技术架构特点
系统采用独特的双模型架构：
- 执行模型（默认Claude Code）：负责具体任务的执行
- 评审模型（默认GPT-5.4）：专注于质量把控
这种设计避免了"自我评价"的局限性，通过交叉验证确保产出质量。系统还支持模型替换，可以使用GLM+MiniMax等组合，降低了使用门槛。
3. 安装与配置指南
3.1 基础环境准备
安装ARIS前需要准备以下环境：
- Node.js环境（用于运行Codex CLI）
- Python环境
- （可选）LaTeX环境（如需使用论文写作功能）
# 安装Codex CLI npm install -g @openai/codex # 配置MCP server claude mcp add codex -s user -- codex mcp-server3.2 系统安装步骤
- 克隆项目仓库：
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git- 安装技能包：
cd Auto-claude-code-research-in-sleep cp -r skills/* ~/.claude/skills/- 验证安装：
claude > /help # 查看已安装的技能4. 核心功能深度解析
4.1 Idea发现工作流
这个工作流特别适合刚进入新领域的研究者。只需提供一个研究方向，系统就能：
- 自动检索最新文献
- 识别研究空白
- 生成8-12个具体idea
- 进行初步可行性评估
- 对top idea进行深入验证
# 使用示例 > /idea-discovery "discrete diffusion models"系统会输出详细的IDEA_REPORT.md，包含：
- 每个idea的假设
- 预期实验结果
- 可能面临的挑战
- 建议的执行顺序
4.2 自动评审循环
这是ARIS最具创新性的功能。系统会：
- 对当前论文版本进行严格评审
- 识别弱点并提出改进建议
- 自动实施修改
- 重新运行关键实验
- 循环上述过程直至达到质量阈值
# 使用示例 > /auto-review-loop "我的diffusion model论文"系统内置了多重保护机制：
- 最大迭代轮数限制（默认4轮）
- 实验耗时熔断（超过4GPU小时自动跳过）
- 结果持久化（意外中断后可恢复）
4.3 论文写作流水线
这个工作流将研究成果转化为可投稿的论文：
- 从叙事报告生成论文大纲
- 自动创建数据图表
- 编写各章节内容
- 处理参考文献
- 编译为PDF格式
# 使用示例 > /paper-writing "NARRATIVE_REPORT.md"特别值得注意的是系统的"反AI检测"功能，会自动去除常见的AI写作痕迹，使论文更自然。
5. 高级配置与优化
5.1 参数调优指南
ARIS提供了丰富的配置选项：
# 最大评审轮数 export MAX_ROUNDS=6 # 质量达标阈值 export POSITIVE_THRESHOLD=7 # 实验超时设置 export EXPERIMENT_TIMEOUT=120 # 分钟5.2 模型替换方案
除了默认的Claude+GPT组合，系统支持多种模型配置：
- GLM+GPT组合
- GLM+MiniMax组合
- 自定义模型集成
替换方法：
- 修改config/models.json
- 设置对应的API密钥
- 测试新配置
6. 实战经验分享
6.1 性能优化技巧
经过多次实测，我总结了以下优化建议：
文献检索优化：
- 建立本地文献库加速检索
- 设置关键词过滤器
- 定期更新检索策略
实验管理技巧：
- 合理设置GPU优先级
- 使用screen保持会话
- 实现实验监控看板
写作质量提升：
- 提供详细的叙事报告
- 明确标注关键结果
- 设置风格偏好
6.2 常见问题解决
实验卡顿问题：
- 检查GPU资源占用
- 验证数据集路径
- 查看日志定位瓶颈
评审分数波动：
- 检查评审标准一致性
- 验证模型温度参数
- 人工复核争议点
LaTeX编译错误：
- 确保完整TeX环境
- 检查特殊字符转义
- 验证bib文件格式
7. 伦理考量与最佳实践
7.1 负责任使用指南
虽然ARIS功能强大，但需要注意：
保持学术诚信：
- 所有生成内容必须人工验证
- 确保实验可复现
- 明确标注AI辅助部分
合理设置预期：
- 系统是辅助工具而非替代品
- 关键决策需研究者把控
- 最终责任在研究者本人
知识保护措施：
- 敏感研究谨慎使用
- 注意数据隐私
- 设置适当的访问控制
7.2 未来发展方向
根据我的使用经验，ARIS可以在以下方面继续优化：
- 多模态支持（图表自动生成）
- 实验失败分析功能
- 协作研究支持
- 领域特定优化模板
- 更精细的资源管理
这个项目展示了AI辅助科研的巨大潜力。通过合理使用，研究者可以大幅提升效率，将精力集中在最具创造性的工作上。我强烈建议各位同行尝试这个工具，但也切记保持批判性思维，AI应该是你的助手而非替代者。
/YOLO脑瘤检测)
