ARIS (Auto-Research-In-Sleep) (Claude Skill) — Anwendungsfälle, Installieren & Live-Demo

Warum nutzen

Hauptfunktionen

Ideen-Entdeckung mit Cross-Modell-Review (Multi-LLM-Konsens)
Experiment-Automatisierung — schreiben, laufen lassen, auswerten, iterieren
Review-Schleifen zum Herausfiltern minderwertiger Ausgaben
Nur-Markdown — kein undurchsichtiges Framework, einfach zu forken
Funktioniert mit jedem Agent-Harness

Live-Demo

In der Praxis

bereit

Installieren

Wählen Sie Ihren Client

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "aris-research-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep",
        "~/.claude/skills/aris"
      ],
      "_inferred": true
    }
  }
}

Öffne Claude Desktop → Settings → Developer → Edit Config. Nach dem Speichern neu starten.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "aris-research-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep",
        "~/.claude/skills/aris"
      ],
      "_inferred": true
    }
  }
}

Cursor nutzt das gleiche mcpServers-Schema wie Claude Desktop. Projektkonfiguration schlägt die globale.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "aris-research-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep",
        "~/.claude/skills/aris"
      ],
      "_inferred": true
    }
  }
}

Klicken Sie auf das MCP-Servers-Symbol in der Cline-Seitenleiste, dann "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "aris-research-skill": {
      "command": "git",
      "args": [
        "clone",
        "https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep",
        "~/.claude/skills/aris"
      ],
      "_inferred": true
    }
  }
}

Gleiche Struktur wie Claude Desktop. Windsurf neu starten zum Übernehmen.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "aris-research-skill",
      "command": "git",
      "args": [
        "clone",
        "https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep",
        "~/.claude/skills/aris"
      ]
    }
  ]
}

Continue nutzt ein Array von Serverobjekten statt einer Map.

~/.config/zed/settings.json

{
  "context_servers": {
    "aris-research-skill": {
      "command": {
        "path": "git",
        "args": [
          "clone",
          "https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep",
          "~/.claude/skills/aris"
        ]
      }
    }
  }
}

In context_servers hinzufügen. Zed lädt beim Speichern neu.

claude mcp add aris-research-skill -- git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep ~/.claude/skills/aris

Einzeiler. Prüfen mit claude mcp list. Entfernen mit claude mcp remove.

Anwendungsfälle

Praxisnahe Nutzung: ARIS (Auto-Research-In-Sleep)

Eine autonome Forschungssession über Nacht laufen lassen

👤 Solo-Forscher / kleine Labs ⏱ ~720 min advanced

Wann einsetzen: Du hast eine Forschungsrichtung und 12 Stunden; du willst morgens mit Kandidaten-Experimenten aufwachen.

Voraussetzungen

Compute-Zugang (GPU/Cloud) für Experimente — ARIS plant; du stellst den Runner bereit

Ablauf

Eingrenzen

Use ARIS. Goal: explore parameter-efficient fine-tuning variants for small LLMs. Budget: 12h, 5 ideas, 2 experiments per idea.✓ Kopiert

→ Plan mit Budgets pro Stage
Entdecken

Generate 10 candidate ideas. Cross-review. Keep the top 5.✓ Kopiert

→ Priorisierte Ideen-Liste mit Kritiken
Ausführen

For each top idea, draft an experiment, run it, log metrics. Stop when budget exhausted.✓ Kopiert

→ Experimente abgeschlossen; Metriken protokolliert

Ergebnis: Morgenbericht: priorisierte Ideen mit echten experimentellen Signalen.

Fallstricke

Compute-Nutzung läuft davon — Harte Limits pro Experiment-Budget; ARIS respektiert diese

Kombinieren mit: filesystem

Einen Literatur-Scan durchführen und experimentelle Behauptungen extrahieren

👤 Forscher, die ein neues Gebiet betreten ⏱ ~90 min intermediate

Wann einsetzen: Du musst Behauptungen und Lücken eines Teilfelds kartieren.

Ablauf

Eingrenzen

Scan papers from 2024-2026 on diffusion-LM hybrids. Extract claimed contributions and benchmarks.✓ Kopiert

→ Behauptungs-Tabelle
Kritisieren

Cross-review claims against each other. What's contradictory or under-tested?✓ Kopiert

→ Lückenanalyse

Ergebnis: Karte des Teilfelds mit konkreten Forschungslücken.

Fallstricke

Halluzinierte Zitate — ARIS beinhaltet einen Verifikationsschritt — mit arxiv MCP für Ground Truth kombinieren

Kombinieren mit: notebooklm-py-skill

Kombinationen

Mit anderen MCPs für 10-fache Wirkung

aris-research-skill + notebooklm-py-skill

Literatur-Digest vor / nach der Forschung

Use NotebookLM to digest related papers; ARIS to design experiments.✓ Kopiert

aris-research-skill + filesystem

Experiment-Artefakte unter /research/<run-id>/ persistieren

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

Werkzeuge

Was dieses MCP bereitstellt

Werkzeug	Eingaben	Wann aufrufen	Kosten
plan_research	goal, budget	Session-Beginn	tokens
discover_ideas	topic, n	Ideengenerierungsphase	tokens
cross_review	idea, models[]	Ideen filtern	tokens × n models
run_experiment	idea, runner config	Validierung	compute + tokens

Kosten & Limits

Was der Betrieb kostet

API-Kontingent: Tokens + Compute — beide können erheblich sein
Tokens pro Aufruf: Ideen-Entdeckung und Cross-Review sind token-schwer
Kosten in €: Kostenloser Skill; du zahlst Compute und Model-Nutzung
Tipp: Harte token-/Compute-Limits in der Planungsphase setzen

Sicherheit

Rechte, Secrets, Reichweite

Minimale Scopes: Compute runner access Read access to data

Credential-Speicherung: Extern — durch deinen Runner gehandhabt

Datenabfluss: Hängt von deinem Model/Runner-Setup ab

Niemals gewähren: Production data to autonomous research loops

Autonome Experimente — generierten Code überprüfen bevor er auf echten Systemen läuft

Fehlerbehebung

Häufige Fehler und Lösungen

Loops without converging

Budget straffen; ARIS respektiert Limits und stoppt

Cross-review collapses to one viewpoint

Reviewer-Modelle diversifizieren; bei derselben Familie erhältst du korrelierte Sichten

Experiments fail silently

Runner-Fehlerberichterstattung straffen; ARIS protokolliert, kann aber fehlerhafte Runner nicht reparieren

Alternativen

ARIS (Auto-Research-In-Sleep) vs. andere

Alternative	Wann stattdessen	Kompromiss
Manuell ausgeführte Experimente	Vollständige Kontrolle nötig	Skaliert nicht über deine Stunden hinaus
Gehostete AutoML-Plattformen	Managed Compute + UI gewünscht	Weniger Flexibilität; Kosten

Mehr

Ressourcen

📖 Offizielle README auf GitHub lesen

🐙 Offene Issues ansehen

🔍 Alle 400+ MCP-Server und Skills durchsuchen