ARIS ⚔️🌙 自动研究入睡
纯 Markdown 技能库，用跨模型评审循环实现自动化 ML 研究（想法发现、实验、写作），零框架、零锁定。
证据显示仓库包含多个组件（如 llm-chat、feishu-bridge）需要 API 密钥和网络访问，但未明确说明权限最小化或用户确认机制。数据流透明度有限，敏感数据处理（如 API 密钥）有提及但未详细说明。依赖安全性未充分评估，外部影响（如网络调用）存在但未明确控制。回滚机制未提及。来源归属部分明确（如 MIT 许可证、作者信息），但未验证。
仓库内部一致性较好，README 与代码结构基本一致，但依赖可用性未明确（如需要外部 API 密钥）。失败消息有部分示例（如错误处理），但不够全面。
目标受众明确（AI 研究人员、开发者），场景多样（研究自动化、面试准备等）。能力边界部分说明（如技能列表），但触发精度（如技能触发条件）未详细说明。环境适配性较好（支持多种 CLI 和操作系统）。
信息架构清晰（README、docs、skills 目录），安装说明存在（如 ARIS-Code CLI 安装），命名稳定性一般（版本号频繁更新），示例和 FAQ 有提供，已知限制部分提及（如输出折叠），许可证明确（MIT），版本变更日志详细，维护责任部分明确（作者和贡献者）。
输出可用性较好（如生成报告、HTML 等），边际价值较高（自动化研究流程），成本效益未充分评估（如 API 成本）。
声明可追溯性一般（如技术报告链接），跨来源佐证有限（如外部推荐），事实与推断分离不明确。
- 仓库包含需要 API 密钥的组件，请确保密钥安全存储，避免泄露。
- 依赖外部服务（如 OpenAI、Feishu），使用时请注意网络和成本。
- 版本更新频繁，请关注变更日志以了解行为变化。
这个 Agent 能做什么，适合哪些场景？
ARIS 是一个轻量级、纯 Markdown 的技能集合，用于自主 ML 研究。它编排跨模型协作：Claude Code 驱动研究，外部 LLM（通过 Codex MCP）作为关键评审者。其核心方法是对抗性评审循环，避免单一模型自我审视的盲区。整个技能层是可移植的，可在 Claude Code、Codex CLI、Cursor、Trae、Antigravity 和 GitHub Copilot CLI 中使用。它已打包为独立的 ARIS-Code CLI（Rust），提供 REPL、MCP 工具分发、无 API 密钥的跨模型评审以及可捆绑的技能。仓库包含 81 个技能、12 条命名工作流以及扩展工具，如 Anti-Autoresearch 完整性取证和 ARIS-Movie-Director。许可证为 MIT。
它以纯 Markdown 形式提供一系列技能，每个技能定义了一个自主研究步骤：想法生成（/research-idea）、文献综述（/research-lit）、论文写作（/paper-writing）、实验设计（/experiment-bridge）和提交后任务，如生成幻灯片（/paper-slides）和反驳（/rebuttal）。核心机制是跨模型评审：Claude Code 执行，而另一个模型（通过 Codex MCP 或 LLM API）审查输出。技能可组合成管道，例如 /research-pipeline，它接受一个研究方向、读取参考论文、克隆仓库、生成想法、运行实验并撰写论文。独立的 ARIS-Code CLI 提供 REPL（/plan 模式、/tasks 持久跟踪）、工具调用、MCP 服务器集成以及包含技能捆绑的自动设置。它还包括 Research Wiki，用于跨会话持久化笔记、想法和实验。
- 一位 ML 研究员，想要在夜间自动生成研究想法、运行实验并起草论文，醒来时能看到已评分的论文。
- 一位研究生，手头有论文草稿和评论，需要生成结构化的反驳，满足字符限制，并带有防捏造保障。
- 一位研究员，拥有代码库和想法，希望使用 /research-pipeline 自动化改进方法的完整流程。
- 一个团队，想要利用跨模型对抗评审，避免单一模型自我审视的盲区，选择 Claude + Codex 或 Claude + 其他模型。
- 一位开发者，想要将相同的技能工作流带到非 Claude 环境：Codex CLI、Cursor、Trae 或其他与 SKILL.md 兼容的代理。
- 一位教师或作者，想要使用 /render-html 协作撰写教学材料或结构化文档，生成带有交叉评审的 HTML。
这个 Agent 有哪些优点和局限？
- 跨模型评审打破自我审视盲区：使用两个模型（速度和严谨度）能产生更好的结果，而非单一模型
- 完全可移植：纯 Markdown SKILL.md 可以在 Claude Code、Codex CLI、Cursor、Trae、Copilot CLI 等之间移动，零锁定
- 自带争议安全护栏：/rebuttal 具有防捏造、防过度承诺和完全覆盖门
- 无 API 密钥跨模型评审：通过 Codex MCP 和 ChatGPT 订阅，您无需 OpenAI API 密钥即可拥有评审者（或仅使用替代模型如 Kimi、DeepSeek）
- 活跃的开发具有透明度：详细变更日志，引用真实用户问题，定期发布
- 陡峭的学习曲线：多个工作流、技能和配置选项，对初学者可能不知所措
- 依赖外部模型 API：确保可靠性需要 API 凭证或多个提供商；成本可能因计划而异
- 与任何 AI 工具一样可能存在幻觉：尽管有保障，输出需要人工验证，尤其对于至关重要的研究
- 需要兼容的代理运行时：虽然不是锁定，但需要 SKILL.md 兼容的代理，如 Claude Code 或 Codex CLI
如何安装或部署这个 Agent？
有几种安装方式：
- 轻量技能：将仓库克隆到本地，然后运行
bash tools/install_skills.sh（或适用于您的代理的相关安装脚本，如install_skills_codex.sh）。安装程序将技能复制到~/.claude/skills或~/.config/codex/skills。 - 独立 CLI：从 releases 下载最新版本的 ARIS-Code 二进制，或从源码（需要 Rust）构建。运行
aris setup配置提供者和模型。 - 使用 Homebrew：
brew tap wanshuiyin/aris && brew install aris？实际上，源码仅记录安装方法：释出的二进制和tools/install_skills.sh。请参阅 repo 文档获取准确说明。
如何使用这个 Agent？
对于技能：在 Claude Code 中启动，使用 /research-pipeline "研究方向" 启动完整管道，或使用 /research-idea、/research-lit、/paper-writing 等独立技能。跨模型评审需要配置第二个模型：通过 aris setup（选项：Codex MCP 使用 ChatGPT 订阅，无 API 密钥）或使用 OpenAI/Anthropic API 密钥。对于 ARIS-Code CLI：运行 aris "你的提示"，或 aris 启动 REPL。使用 /plan 进行规划，/tasks 跟踪任务，/research-wiki 持久记忆。
这个 Agent 与同类方案有什么区别？
它与 Anthropic 的 Claude Science skills 和 OpenAI 的 Codex CLI 原生技能进行比较。它鼓励在 Codex CLI 中使用，而不是 Claude Code，以实现更大的模型灵活性。它将自己与“ChatGPT 无人驾驶研究”等商业工具区分开来，强调了无锁定的方法。