ARIS (Auto-Research-In-Sleep) (Claude Skill) — Сценарии использования, Установка & Живое демо

Зачем использовать

Ключевые функции

Поиск идей с кросс-модельным ревью (консенсус нескольких LLM)
Автоматизация экспериментов — написать, запустить, оценить, итерировать
Циклы ревью для фильтрации низкокачественных выводов
Только Markdown — никакого непрозрачного фреймворка, легко форкнуть
Работает с любым агентным харнессом

Живое демо

Как выглядит на практике

готово

Установка

Выберите клиент

~/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
    }
  }
}

Откройте Claude Desktop → Settings → Developer → Edit Config. Перезапустите после сохранения.

~/.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 использует ту же схему mcpServers, что и Claude Desktop. Конфиг проекта приоритетнее глобального.

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
    }
  }
}

Щёлкните значок MCP Servers на боковой панели Cline, затем "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
    }
  }
}

Тот же формат, что и Claude Desktop. Перезапустите Windsurf для применения.

~/.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 использует массив объектов серверов, а не 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"
        ]
      }
    }
  }
}

Добавьте в context_servers. Zed перезагружается автоматически.

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

Однострочная команда. Проверить: claude mcp list. Удалить: claude mcp remove.

Сценарии использования

Реальные сценарии: ARIS (Auto-Research-In-Sleep)

Запустить автономную исследовательскую сессию на ночь

👤 Одиночные исследователи / небольшие лаборатории ⏱ ~720 min advanced

Когда использовать: Есть исследовательское направление и 12 часов; хотите проснуться с набором экспериментальных кандидатов.

Предварительные требования

Вычислительный доступ (GPU/облако) для экспериментов — ARIS планирует; вы предоставляете runner

Поток

Объём

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

→ План с бюджетами по стадиям
Поиск

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

→ Ранжированный список идей с критикой
Запуск

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

→ Эксперименты завершены; метрики залогированы

Итог: Утренний отчёт: ранжированные идеи с реальным экспериментальным сигналом.

Подводные камни

Вычислительные ресурсы выходят из-под контроля — Жёсткие лимиты на бюджет каждого эксперимента; ARIS их соблюдает

Сочетать с: filesystem

Провести обзор литературы и извлечь экспериментальные утверждения

👤 Исследователи, входящие в новую область ⏱ ~90 min intermediate

Когда использовать: Нужно картировать утверждения и пробелы в подобласти.

Поток

Объём

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

→ Таблица утверждений
Критика

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

→ Анализ пробелов

Итог: Карта подобласти с конкретными пробелами для исследований.

Подводные камни

Галлюцинированные цитаты — ARIS включает шаг верификации — дополните arxiv MCP для проверки истины

Сочетать с: notebooklm-py-skill

Комбинации

Сочетайте с другими MCP — эффект x10

aris-research-skill + notebooklm-py-skill

Дайджест литературы до/после исследования

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

aris-research-skill + filesystem

Сохранять артефакты экспериментов в /research/<run-id>/

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

Инструменты

Что предоставляет этот MCP

Инструмент	Входные данные	Когда вызывать	Стоимость
plan_research	goal, budget	Начало сессии	tokens
discover_ideas	topic, n	Фаза генерации идей	tokens
cross_review	idea, models[]	Фильтрация идей	tokens × n models
run_experiment	idea, runner config	Валидация	compute + tokens

Стоимость и лимиты

Во что обходится

Квота API: Токены + вычисления — оба могут быть значительными
Токенов на вызов: Поиск идей и кросс-ревью требуют много токенов
Деньги: Бесплатный skill; вы платите за вычисления и использование модели
Совет: Устанавливайте жёсткие лимиты токенов / вычислений на стадии планирования

Безопасность

Права, секреты, радиус поражения

Минимальные скоупы: Compute runner access Read access to data

Хранение учётных данных: Внешнее — управляется вашим runner

Исходящий трафик: Зависит от настройки вашей модели/runner

Никогда не давайте: Production data to autonomous research loops

Автономные эксперименты — проверяйте весь сгенерированный код перед запуском на реальных системах

Устранение неполадок

Частые ошибки и исправления

Loops without converging

Ужесточите бюджет; ARIS соблюдает лимиты и останавливается

Cross-review collapses to one viewpoint

Разнообразьте модели ревьюеров; если все одного семейства, получите коррелированные взгляды

Experiments fail silently

Улучшите отчётность об ошибках runner; ARIS логирует, но не может исправить плохой runner

Альтернативы

ARIS (Auto-Research-In-Sleep) в сравнении

Альтернатива	Когда использовать	Компромисс
Hand-run experiments	Нужен полный контроль	Не масштабируется за пределы ваших часов
Hosted AutoML platforms	Нужны управляемые вычисления + UI	Меньше гибкости; стоимость

Ещё

Ресурсы

📖 Читать официальный README на GitHub

🐙 Открытые задачи

🔍 Все 400+ MCP-серверов и Skills