ARIS (Auto-Research-In-Sleep) (Claude Skill) — 사용 사례, 설치 & 라이브 데모

왜 쓰나요

핵심 기능

크로스 모델 리뷰를 통한 아이디어 발굴 (다중 LLM 합의)
실험 자동화 — 작성, 실행, 평가, 반복
낮은 품질 출력을 필터링하는 리뷰 루프
Markdown 전용 — 불투명한 프레임워크 없음, 쉽게 포크 가능
모든 에이전트 하네스와 호환

라이브 데모

실제 사용 모습

준비됨

설치

클라이언트 선택

~/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
    }
  }
}

Claude Desktop → Settings → Developer → Edit Config 열기. 저장 후 앱 재시작.

~/.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
    }
  }
}

Cursor는 Claude Desktop과 동일한 mcpServers 스키마 사용. 프로젝트 설정이 전역보다 우선.

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
    }
  }
}

Cline 사이드바의 MCP Servers 아이콘 클릭 후 "Edit Configuration" 선택.

~/.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
    }
  }
}

Claude Desktop과 같은 형식. Windsurf 재시작 후 적용.

~/.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"
      ]
    }
  ]
}

Continue는 맵이 아닌 서버 오브젝트 배열 사용.

~/.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"
        ]
      }
    }
  }
}

context_servers에 추가. 저장 시 Zed가 핫 리로드.

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

한 줄 명령. claude mcp list로 확인, claude mcp remove로 제거.

사용 사례

실전 활용법: ARIS (Auto-Research-In-Sleep)

야간에 자율 연구 세션 실행

👤 솔로 연구자 / 소규모 연구실 ⏱ ~720 min advanced

언제 쓸까: 연구 방향과 12시간이 있을 때; 후보 실험을 가지고 일어나고 싶을 때.

사전 조건

실험을 위한 컴퓨팅 접근 (GPU/클라우드) — ARIS가 스케줄링; 당신이 실행기를 제공

흐름

범위 지정

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

→ 단계별 예산이 포함된 계획
발굴

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

→ 비판이 포함된 순위별 아이디어 목록
실행

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

→ 실험 완료; 메트릭 로깅

결과: 아침 보고서: 실제 실험 신호가 있는 순위별 아이디어.

함정

컴퓨팅 사용이 폭주 — 실험당 예산에 하드 캡; ARIS가 이를 준수

함께 쓰기: filesystem

문헌 스캔 실행 및 실험적 주장 추출

👤 새로운 분야에 진입하는 연구자 ⏱ ~90 min intermediate

언제 쓸까: 세부 분야의 주장과 공백을 매핑해야 할 때.

흐름

범위 지정

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

→ 주장 테이블
비판

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

→ 공백 분석

결과: 구체적인 연구 공백이 있는 세부 분야 지도.

함정

환각된 인용 — ARIS에 검증 단계 포함 — 사실 확인을 위해 arxiv MCP와 함께 사용

함께 쓰기: notebooklm-py-skill

조합

다른 MCP와 조합해 10배 효율

aris-research-skill + notebooklm-py-skill

연구 전후 문헌 다이제스트

aris-research-skill + filesystem

/research/<run-id>/ 아래에 실험 아티팩트 저장

도구

이 MCP가 노출하는 것

도구	입력	언제 호출	비용
plan_research	goal, budget	세션 시작	token
discover_ideas	topic, n	아이디어 생성 단계	token
cross_review	idea, models[]	아이디어 필터링	token × n 모델
run_experiment	idea, runner config	검증	컴퓨팅 + token

비용 및 제한

운영 비용

API 쿼터: Token + 컴퓨팅 — 양쪽 모두 상당할 수 있음
호출당 토큰: 아이디어 발굴과 크로스 리뷰는 token 소모가 많음
금액: 무료 skill; 컴퓨팅 및 모델 사용 비용은 지불
팁: 계획 단계에서 하드 token / 컴퓨팅 캡 설정

보안

권한, 시크릿, 파급범위

최소 스코프: 컴퓨팅 실행기 접근 데이터에 대한 읽기 접근

자격 증명 저장: 외부 — 당신의 실행기가 처리

데이터 외부 송신: 당신의 모델/실행기 설정에 따름

절대 부여 금지: 자율 연구 루프에 프로덕션 데이터

자율 실험 — 실제 시스템에서 실행 전 모든 생성된 코드 검토

문제 해결

자주 발생하는 오류와 해결

수렴 없이 반복

예산을 더 타이트하게; ARIS가 캡을 준수하고 중지

크로스 리뷰가 하나의 관점으로 수렴

리뷰어 모델 다양화; 모두 같은 계열이면 상관된 관점을 얻음

실험이 조용히 실패

실행기 오류 보고를 강화; ARIS가 로깅하지만 나쁜 실행기는 수정할 수 없음

대안

ARIS (Auto-Research-In-Sleep) 다른 것과 비교

대안	언제 쓰나	단점/장점
직접 실험 실행	완전한 제어가 필요할 때	당신의 시간을 초과하여 확장되지 않음
호스팅된 AutoML 플랫폼	관리형 컴퓨팅 + UI가 필요할 때	유연성 적음; 비용

ARIS (Auto-Research-In-Sleep)