ARIS (Auto-Research-In-Sleep) (Claude Skill) — Casos de uso, Instalar & Demo ao vivo

Por que usar

Principais recursos

Descoberta de ideias com revisão entre modelos (consenso multi-LLM)
Automação de experimentos — escrever, executar, avaliar, iterar
Loops de revisão para filtrar outputs de baixa qualidade
Somente Markdown — sem framework opaco, fácil de fazer fork
Funciona com qualquer harness de agente

Demo ao vivo

Como fica na prática

pronto

Instalar

Escolha seu 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
    }
  }
}

Abra Claude Desktop → Settings → Developer → Edit Config. Reinicie após salvar.

~/.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 o mesmo esquema mcpServers que o Claude Desktop. Config de projeto vence a 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
    }
  }
}

Clique no ícone MCP Servers na barra lateral do Cline, depois "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
    }
  }
}

Mesmo formato do Claude Desktop. Reinicie o 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"
      ]
    }
  ]
}

O Continue usa um array de objetos de servidor em vez de um 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"
        ]
      }
    }
  }
}

Adicione em context_servers. Zed recarrega automaticamente ao salvar.

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

Uma linha só. Verifique com claude mcp list. Remova com claude mcp remove.

Casos de uso

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

Executar uma sessão de pesquisa autônoma durante a noite

👤 Pesquisadores solo / laboratórios pequenos ⏱ ~720 min advanced

Quando usar: Você tem uma direção de pesquisa e 12 horas; quer acordar com experimentos candidatos.

Pré-requisitos

Acesso a computação (GPU/nuvem) para experimentos — ARIS agenda; você fornece o runner

Fluxo

Definir escopo

Use ARIS. Objetivo: explorar variantes de fine-tuning eficiente em parâmetros para LLMs pequenos. Orçamento: 12h, 5 ideias, 2 experimentos por ideia.✓ Copiado

→ Plano com orçamentos por etapa
Descobrir

Gere 10 ideias candidatas. Revise entre si. Mantenha as 5 melhores.✓ Copiado

→ Lista de ideias classificadas com críticas
Executar

Para cada ideia principal, crie um experimento, execute-o, registre as métricas. Pare quando o orçamento for esgotado.✓ Copiado

→ Experimentos concluídos; métricas registradas

Resultado: Relatório matinal: ideias classificadas com sinal experimental real.

Armadilhas

O uso de computação sai do controle — Limites rígidos por orçamento de experimento; ARIS os respeita

Combine com: filesystem

Executar uma varredura de literatura e extrair alegações experimentais

👤 Pesquisadores entrando em uma nova área ⏱ ~90 min intermediate

Quando usar: Você precisa mapear as alegações e lacunas de uma subcampo.

Fluxo

Definir escopo

Varra artigos de 2024–2026 sobre híbridos difusão-LM. Extraia contribuições alegadas e benchmarks.✓ Copiado

→ Tabela de alegações
Criticar

Revise as alegações entre si. O que é contraditório ou subtestado?✓ Copiado

→ Análise de lacunas

Resultado: Mapa da subcampo com lacunas concretas de pesquisa.

Armadilhas

Citações alucinadas — ARIS inclui uma etapa de verificação — combine com MCP do arxiv para verificação de base

Combine com: notebooklm-py-skill

Combinações

Combine com outros MCPs para 10× de alavancagem

aris-research-skill + notebooklm-py-skill

Digest de literatura antes / após a pesquisa

Use NotebookLM para digerir artigos relacionados; ARIS para projetar experimentos.✓ Copiado

aris-research-skill + filesystem

Persistir artefatos de experimento em /research/<run-id>/

Salve todos os logs e resultados em /research/2026-05-03/.✓ Copiado

Ferramentas

O que este MCP expõe

Ferramenta	Entradas	Quando chamar	Custo
plan_research	goal, budget	Início da sessão	tokens
discover_ideas	topic, n	Fase de geração de ideias	tokens
cross_review	idea, models[]	Filtrando ideias	tokens × n modelos
run_experiment	idea, runner config	Validação	computação + tokens

Custo e limites

O que custa rodar

Cota de API: Tokens + computação — ambos podem ser substanciais
Tokens por chamada: Descoberta de ideias e revisão cruzada são pesadas em tokens
Monetário: Skill gratuita; você paga pela computação e uso do modelo
Dica: Defina limites rígidos de token / computação na etapa de planejamento

Segurança

Permissões, segredos, alcance

Escopos mínimos: Acesso ao runner de computação Acesso de leitura aos dados

Armazenamento de credenciais: Externo — gerenciado pelo seu runner

Saída de dados: Depende da configuração do seu modelo/runner

Nunca conceda: Dados de produção para loops de pesquisa autônomos

Experimentos autônomos — revise todo código gerado antes de deixá-lo rodar em sistemas reais

Solução de problemas

Erros comuns e correções

Loops sem convergir

Reduza o orçamento; ARIS respeita os limites e para

Revisão cruzada converge para um único ponto de vista

Diversifique os modelos revisores; se todos forem da mesma família, você terá visões correlacionadas

Experimentos falham silenciosamente

Melhore o relatório de erros do runner; ARIS registra mas não pode corrigir runners ruins

Alternativas

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

Alternativa	Quando usar	Troca
Experimentos executados manualmente	Você precisa de controle total	Não escala além das suas horas
Plataformas AutoML hospedadas	Você quer computação gerenciada + UI	Menos flexibilidade; custo

Mais

Recursos

📖 Leia o README oficial no GitHub

🐙 Ver issues abertas

🔍 Ver todos os 400+ servidores MCP e Skills