/ Annuaire / Playground / ARIS (Auto-Research-In-Sleep)
← Tous les serveurs ↗ GitHub
● Communauté wanshuiyin ⚡ Instantané

ARIS (Auto-Research-In-Sleep)

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

Skills qui transforment un agent LLM de code en chercheur ML autonome — découverte d'idées, boucles de review multi-modèles, automatisation d'expériences nocturnes.

ARIS (Auto-Research-In-Sleep) est un bundle de skills Markdown-only pour la recherche ML autonome. Conçu pour tourner sans surveillance — typiquement la nuit — et produire une pile de candidats de recherche vétérifiés, de résultats d'expériences et de notes de review. Pas de verrouillage de framework : les skills fonctionnent avec Claude Code, Codex, OpenCode et tout agent qui charge des skills markdown. Construit pour les chercheurs solo et les petits labos qui veulent que le calcul et le raisonnement se cumulent pendant qu'ils dorment.

▶ Voir la démo 📦 Installer 💡 Cas d'usage

Pourquoi l'utiliser

Fonctionnalités clés

Démo en direct

Aperçu en pratique

prêt

Installer

Choisissez votre 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
    }
  }
}

Ouvrez Claude Desktop → Settings → Developer → Edit Config. Redémarrez après avoir enregistré.

~/.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 utilise le même schéma mcpServers que Claude Desktop. La config projet l'emporte sur la 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
    }
  }
}

Cliquez sur l'icône MCP Servers dans la barre latérale Cline, puis "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
    }
  }
}

Même format que Claude Desktop. Redémarrez Windsurf pour appliquer.

~/.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 utilise un tableau d'objets serveur plutôt qu'une 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"
        ]
      }
    }
  }
}

Ajoutez dans context_servers. Zed recharge à chaud à la sauvegarde.

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

Une seule ligne. Vérifiez avec claude mcp list. Supprimez avec claude mcp remove.

Cas d'usage

Usages concrets : ARIS (Auto-Research-In-Sleep)

Lancer une session de recherche autonome nocturne

👤 Chercheurs solo / petits labos ⏱ ~720 min advanced

Quand l'utiliser : Vous avez une direction de recherche et 12 heures ; vous voulez vous réveiller avec des expériences candidates.

Prérequis
  • Accès calcul (GPU/cloud) pour les expériences — ARIS planifie ; vous fournissez le runner
Déroulement
  1. Cadrer
    Utilise ARIS. Objectif : explorer les variantes de fine-tuning parameter-efficient pour les petits LLMs. Budget : 12h, 5 idées, 2 expériences par idée.✓ Copié
    → Plan avec budgets par étape
  2. Découvrir
    Génère 10 idées candidates. Cross-review. Garde les 5 meilleures.✓ Copié
    → Liste d'idées classée avec critiques
  3. Lancer
    Pour chaque idée du top, rédige une expérience, lance-la, journalise les métriques. Arrête quand le budget est épuisé.✓ Copié
    → Expériences terminées ; métriques journalisées

Résultat : Rapport matinal : idées classées avec signal expérimental réel.

Pièges
  • L'utilisation du calcul s'emballe — Plafonds stricts sur le budget par expérience ; ARIS les respecte
Combiner avec : filesystem

Effectuer un scan de littérature et extraire les affirmations expérimentales

👤 Chercheurs entrant dans un nouveau domaine ⏱ ~90 min intermediate

Quand l'utiliser : Vous devez cartographier les affirmations et lacunes d'un sous-domaine.

Déroulement
  1. Cadrer
    Scanne les articles de 2024-2026 sur les hybrides diffusion-LM. Extrais les contributions revendiquées et les benchmarks.✓ Copié
    → Table des affirmations
  2. Critiquer
    Cross-review des affirmations entre elles. Qu'est-ce qui est contradictoire ou insuffisamment testé ?✓ Copié
    → Analyse des lacunes

Résultat : Cartographie du sous-domaine avec des lacunes de recherche concrètes.

Pièges
  • Citations halluchinées — ARIS inclut une étape de vérification — associez avec un MCP arxiv pour la vérité terrain
Combiner avec : notebooklm-py-skill

Combinaisons

Associez-le à d'autres MCPs pour un effet X10

aris-research-skill + notebooklm-py-skill

Synthèse de littérature avant / après la recherche

Utilise NotebookLM pour digérer les articles liés ; ARIS pour concevoir les expériences.✓ Copié
aris-research-skill + filesystem

Persister les artefacts d'expérience sous /research/<run-id>/

Sauvegarde tous les logs et résultats sous /research/2026-05-03/.✓ Copié

Outils

Ce que ce MCP expose

OutilEntréesQuand appelerCoût
plan_research objectif, budget Début de session tokens
discover_ideas topic, n Phase de génération d'idées tokens
cross_review idea, models[] Filtrage des idées tokens × n modèles
run_experiment idea, runner config Validation calcul + tokens

Coût et limites

Coût d'exécution

Quota d'API
Tokens + calcul — les deux peuvent être substantiels
Tokens par appel
La découverte d'idées et le cross-review sont gourmands en tokens
Monétaire
Skill gratuit ; vous payez le calcul et l'utilisation du modèle
Astuce
Définissez des plafonds stricts de tokens / calcul à l'étape de planification

Sécurité

Permissions, secrets, portée

Portées minimales : Accès au runner de calcul Accès en lecture aux données
Stockage des identifiants : Externe — géré par votre runner
Sortie de données : Dépend de votre configuration modèle/runner
Ne jamais accorder : Données de production aux boucles de recherche autonomes

Dépannage

Erreurs courantes et correctifs

Boucle sans converger

Resserrez le budget ; ARIS respecte les plafonds et s'arrête

Le cross-review converge vers un seul point de vue

Diversifiez les modèles reviewers ; si tous sont de la même famille, vous aurez des vues corrélées

Les expériences échouent silencieusement

Resserrez le reporting d'erreurs du runner ; ARIS journalise mais ne peut pas corriger les mauvais runners

Alternatives

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

AlternativeQuand l'utiliserCompromis
Expériences lancées à la mainVous avez besoin d'un contrôle totalNe passe pas à l'échelle au-delà de vos heures disponibles
Plateformes AutoML hébergéesVous voulez du calcul managé + interfaceMoins de flexibilité ; coût

Plus

Ressources

📖 Lire le README officiel sur GitHub

🐙 Voir les issues ouvertes

🔍 Parcourir les 400+ serveurs MCP et Skills