/ Directorio / Playground / ARIS (Auto-Research-In-Sleep)
← Todos los servidores ↗ GitHub
● Comunidad wanshuiyin ⚡ Instantáneo

ARIS (Auto-Research-In-Sleep)

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

Skills que convierten un agente de programación LLM en un investigador de ML autónomo — descubrimiento de ideas, bucles de revisión entre modelos, automatización de experimentos de noche.

ARIS (Auto-Research-In-Sleep) es un bundle de skills de solo Markdown para investigación autónoma de ML. Diseñado para ejecutarse sin atención — típicamente de noche — y producir una pila de candidatos de investigación validados, resultados de experimentos y notas de revisión. Sin bloqueo de framework: los skills funcionan con Claude Code, Codex, OpenCode y cualquier agente que cargue skills de Markdown. Construido para investigadores independientes y laboratorios pequeños que quieren que el cómputo y el razonamiento se acumulen mientras duermen.

▶ Ver demo 📦 Instalar 💡 Casos de uso

Por qué usarlo

Características clave

Demo en vivo

Cómo se ve en la práctica

listo

Instalar

Elige tu cliente

~/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
    }
  }
}

Abre Claude Desktop → Settings → Developer → Edit Config. Reinicia después de guardar.

~/.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 usa el mismo esquema mcpServers que Claude Desktop. La configuración del proyecto prevalece sobre la global.

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
    }
  }
}

Haz clic en el icono MCP Servers de la barra lateral de Cline y luego en "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
    }
  }
}

Mismo formato que Claude Desktop. Reinicia Windsurf para aplicar.

~/.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 usa un array de objetos de servidor en lugar de un mapa.

~/.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"
        ]
      }
    }
  }
}

Añádelo a context_servers. Zed recarga en caliente al guardar.

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

Un solo comando. Verifica con claude mcp list. Quita con claude mcp remove.

Casos de uso

Usos del mundo real: ARIS (Auto-Research-In-Sleep)

Ejecutar una sesión de investigación autónoma de noche

👤 Investigadores independientes / laboratorios pequeños ⏱ ~720 min advanced

Cuándo usarlo: Tienes una dirección de investigación y 12 horas; quieres despertar con experimentos candidatos.

Requisitos previos
  • Acceso a cómputo (GPU/cloud) para experimentos — ARIS planifica; tú proporcionas el runner
Flujo
  1. Acotar
    Usa ARIS. Objetivo: explorar variantes de fine-tuning eficiente en parámetros para LLMs pequeños. Presupuesto: 12h, 5 ideas, 2 experimentos por idea.✓ Copiado
    → Plan con presupuestos por etapa
  2. Descubrir
    Genera 10 ideas candidatas. Haz revisión cruzada. Conserva las 5 mejores.✓ Copiado
    → Lista de ideas clasificada con críticas
  3. Ejecutar
    Para cada idea top, diseña un experimento, ejecútalo, registra métricas. Para cuando se agote el presupuesto.✓ Copiado
    → Experimentos completados; métricas registradas

Resultado: Informe matutino: ideas clasificadas con señal experimental real.

Errores comunes
  • El uso de cómputo se dispara — Límites estrictos por presupuesto de experimento; ARIS los respeta
Combinar con: filesystem

Ejecutar un escaneo de literatura y extraer afirmaciones experimentales

👤 Investigadores entrando en un área nueva ⏱ ~90 min intermediate

Cuándo usarlo: Necesitas mapear las afirmaciones y brechas de un subcampo.

Flujo
  1. Acotar
    Escanea papers de 2024-2026 sobre híbridos diffusion-LM. Extrae contribuciones afirmadas y benchmarks.✓ Copiado
    → Tabla de afirmaciones
  2. Criticar
    Revisa cruzadamente las afirmaciones entre sí. ¿Qué es contradictorio o está poco probado?✓ Copiado
    → Análisis de brechas

Resultado: Mapa del subcampo con brechas de investigación concretas.

Errores comunes
  • Citas alucinadas — ARIS incluye un paso de verificación — combina con un MCP de arxiv para contrastar con la realidad
Combinar con: notebooklm-py-skill

Combinaciones

Combínalo con otros MCPs para multiplicar por 10

aris-research-skill + notebooklm-py-skill

Digest de literatura antes / después de la investigación

Usa NotebookLM para digerir los papers relacionados; ARIS para diseñar los experimentos.✓ Copiado
aris-research-skill + filesystem

Persistir artefactos de experimentos bajo /research/<run-id>/

Guarda todos los logs y resultados bajo /research/2026-05-03/.✓ Copiado

Herramientas

Lo que expone este MCP

HerramientaEntradasCuándo llamarCoste
plan_research goal, budget Inicio de sesión tokens
discover_ideas topic, n Fase de generación de ideas tokens
cross_review idea, models[] Filtrado de ideas tokens × n models
run_experiment idea, runner config Validación compute + tokens

Coste y límites

Lo que cuesta ejecutarlo

Cuota de API
Tokens + cómputo — ambos pueden ser sustanciales
Tokens por llamada
El descubrimiento de ideas y la revisión cruzada consumen muchos tokens
Monetario
Skill gratis; pagas cómputo y uso del modelo
Consejo
Establece límites estrictos de tokens / cómputo en la etapa de planificación

Seguridad

Permisos, secretos, alcance

Ámbitos mínimos: Compute runner access Read access to data
Almacenamiento de credenciales: Externo — gestionado por tu runner
Salida de datos: Depende de la configuración de tu modelo/runner
No conceder nunca: Production data to autonomous research loops

Resolución de problemas

Errores comunes y soluciones

Bucles sin converger

Ajusta el presupuesto; ARIS respeta los límites y se detiene

La revisión cruzada colapsa a un solo punto de vista

Diversifica los modelos de revisión; si todos son de la misma familia, obtendrás opiniones correlacionadas

Los experimentos fallan silenciosamente

Ajusta el reporte de errores del runner; ARIS registra pero no puede arreglar runners defectuosos

Alternativas

ARIS (Auto-Research-In-Sleep) vs otros

AlternativaCuándo usarlaContrapartida
Experimentos ejecutados a manoNecesitas control totalNo escala más allá de tus horas disponibles
Plataformas AutoML alojadasQuieres cómputo gestionado + UIMenos flexibilidad; coste

Más

Recursos

📖 Lee el README oficial en GitHub

🐙 Ver issues abiertas

🔍 Ver todos los 400+ servidores MCP y Skills