6天1500+星，ARIS把“AI做科研”第一次卷成了闭环
- 工作流与自动化
- 2026-03-17
- 69热度
- 0评论
如果只看一句话，我对 ARIS 的判断是：这不是“AI替你写论文”，而是把科研里最费神的几段活，第一次接成了能连续推进的闭环。
很多 AI for Research 项目，强在“生成”；ARIS 想做的，是 找 idea → 跑实验 → 自动 review → 改论文。
这两件事，完全不是一个量级。
项目卡片
- 项目名：ARIS（Auto-claude-code-research-in-sleep）
- GitHub：https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep
- 热度：2026-03-10 创建，至 2026-03-16 晚约 1571 Stars
- 一句话：它不是论文生成器，而是把实验、审稿、写作串起来的科研工作流
ARIS最有价值的，不是“AI会不会写”，而是它把科研过程拆成了可分工、可续跑、可复用的流程。
核心判断：它终于开始做“科研闭环”了
ARIS 的主入口并不复杂：
/idea-discovery：找研究 idea/auto-review-loop：自动审稿、补实验、继续改/paper-writing：整理 narrative、推进写作/research-pipeline：从方向到论文的一条龙流程
它真正厉害的地方，不是命令多，而是分工对：
- Claude Code 负责执行
- 外部 LLM 负责挑刺和评审
- 工作流负责把几段事接起来
这比“一个模型自己写、自己审、自己夸自己”靠谱得多。
更重要的是，它不是只吃某一个 API 红利。README 已经在补替代模型组合，文档里还有 OpenClaw 适配。说明作者卖的不是某个模型，而是一套科研协作方法。
为什么我觉得它值得看
因为它终于开始解决一个真问题：
科研最难的，往往不是写出一段像样的话，而是把想法、实验、评审、改稿持续接起来。
README 里最硬的一组证据，是自动 review loop 的公开结果：
- 跑了 4 轮 review
- 分数从 5.0/10 提到 7.5/10
- 中间做了 20+ GPU 实验
这说明它强调的不是“一次生成”，而是“反复审、反复补、反复改”。
这张图最能说明 ARIS 的卖点：不是一次写完，而是把论文在多轮 review 里慢慢往上抬。
另外，README 写的是“20 个可组合 skill”，但当前仓库里已经能看到更多技能目录，说明这项目还在快速迭代，不是发完就停的 demo。
最短上手闭环
如果你已经在用 Claude Code，最短上手基本就是这几步：
然后按你的阶段直接开跑：
- 没 idea：
/idea-discovery "你的具体方向" - 有草稿：
/auto-review-loop "论文主题或范围" - 有 narrative：
/paper-writing "NARRATIVE_REPORT.md" - 想全流程：
/research-pipeline "你的具体方向"
这里有两个前提，最好先想清楚：
- 你的方向要足够具体
- 你的实验环境要已经能跑
ARIS 擅长的是把一个明确课题持续推进。 它不擅长替你从 0 定义一个模糊问题。
适合谁，不适合谁
适合：
- 已经有明确研究方向的人
- 愿意让 agent 真跑代码、真做实验的人
- 手里已有草稿，最缺 review、补实验、改叙事闭环的人
不太适合：
- 只想随手让 AI 生成一篇论文的人
- 课题边界很模糊、暂时说不清要验证什么的人
- 不打算开放项目上下文、命令和算力的人
一句话：它更像科研工作流加速器，不像聊天机器人。
当流程开始跨小时、跨夜跑，通知和 checkpoint 才真正决定它能不能进入日常工作流。
最后一句
如果你最近在看 AI for Research，我会把 ARIS 放进“值得认真拆一遍”的名单里。
它未必已经成熟到适合所有人。 但它抓到的点是对的：真正值钱的，不是让 AI 写一段论文，而是让 idea、实验、审稿、改稿形成闭环。
如果这篇对你有用，建议点个关注。我会持续把 GitHub 上值得用的 AI 工具拆成「最短上手闭环 + 坑点清单 + 可复用配置」，让你少走弯路。