【ARIS】核心架构与设计原理深度解析：让 Coding Agent 当 ML 研究员的 Adversarial Multi-Agent 方法论

发表于 2026-09-08 更新于 2026-10-09 分类于 AI ，项目评测

深度剖析 wanshuiyin/Auto-claude-code-research-in-sleep（ARIS，⭐15.8k）的核心架构：82 个 Markdown Skill × 7 个 MCP Server × 双控制轴（effort / assurance）× 跨模型对抗评审协议，剖析 append-only obligations ledger、typed policy gate、external-cadence 外部心跳规则与 stall-detection 强制 pivot 等工程化创新，附带 Python / YAML / Bash 真实可运行示例。

【ARIS】核心架构与设计原理深度解析：让 Coding Agent 当 ML 研究员的 Adversarial Multi-Agent 方法论

一、引子：当 ML 研究员开始”睡觉”

每一个做过 ML 研究的同学都熟悉这样的节奏：

花 3 周读 80 篇论文。
头脑风暴 12 个 idea，在心里砍掉 9 个，剩下 3 个又来不及快速验证。
挑 1 个跑实验，被 bug 卡一周，错过 GPU 时段。
投稿后拿到 5/10 的审稿，意见写着”缺少与 XYZ 的 ablation”。
Rebuttal 只有 72 小时，但你还有 2 天课要上。

真正的瓶颈不是 idea，而是「文献 → 构思 → 实验 → 写作 → 反驳」端到端的编排能力。AI 可以压缩每一段单独的步骤，但整合是脆弱的——更糟糕的是，单个模型自评自己的作品会陷入局部最优：相同的训练数据、相同的盲区、相同的偏见。

🚨 为什么不让一个 Agent 既写又评？ 同族模型自评会陷入局部最小值。ARIS 强制跨族对抗：Claude 执行，GPT 评审——它们没有共享 lineage、没有共享训练数据、没有共享盲区。

wanshuiyin/Auto-claude-code-research-in-sleep（下文简称 ARIS，⭐15,841）正是冲着这个痛点来的：把整套 ML 研究生命周期（从 idea 发现到 rebuttal 投稿）拆成 82 个可组合的 Markdown Skill，7 个 MCP Server，并用跨模型对抗评审协议强制不同 LLM 互相挑刺。本文带你深入它的工程化实现。

二、项目定位与核心价值

2.1 一句话定义

ARIS = Auto-Research-In-Sleep。让 Claude Code 在你睡觉时跑完整套 ML 研究流程：读论文 → 找 idea → 跑实验 → 写论文 → 投 rebuttal，早上醒来时拿到一份被 GPT/Claude/Gemini 三方交叉评审过的 7.5/10 草稿。

2.2 仓库统计

指标	数值
⭐ Stars	15,841
🍴 Forks	1,372
📦 Size	34 MB
🌐 主语言	Python + Markdown
📜 License	MIT
📅 首次提交	2026-03-10
📅 最近 push	2026-09-06
🏷 Topics	ai-research, autonomous-agent, claude-code-skills, idea-generation, paper-writing, paper-review, ml-research, mcp, mcp-server
📂 目录	`skills/` (345) · `docs/` (178) · `tests/` (62) · `tools/` (47) · `templates/` (21) · `mcp-servers/` (16)

2.3 能力矩阵

能力	ARIS 提供
跨模型对抗评审	Claude 执行 + GPT/Claude/Gemini 评审，独立族系
82 个 Skill	全 Markdown 描述，可被任意 Coding Agent 加载
7 个 MCP Server	claude-review / gemini-review / codex-image2 / manual-review / llm-chat / feishu-bridge / minimax-chat
双控制轴	`effort` (lite/balanced/max/beast) × `assurance` (draft/polished/conference-ready/submission)
强制审计门	typed policy gate + append-only obligations ledger
Stall 检测	连续零发现迭代触发 structural pivot（不改 quality，只改 direction）
风格迁移	`--style-ref` 提取参考论文的结构风格，禁止复制内容
多平台适配	Claude Code / Codex / Cursor / Antigravity / Trae / Copilot CLI / OpenClaw / DeepSeek Harness

2.4 实测数据

README 公布的真实跑分：

在一个真实的 ICLR/NeurIPS overnight run 中，分数从 5/10 → 7.5/10，跑了 20+ GPU 实验，涉及完整的 idea → experiment → review → paper → rebuttal 流程。

三、整体架构

3.1 顶层架构（4 层 + 7 大模块）

flowchart TB
    subgraph L1["🎯 用户入口层（任意 Coding Agent）"]
        ClaudeCode["Claude Code"]
        Codex["Codex CLI"]
        Cursor["Cursor"]
        Antigravity["Antigravity"]
        Trae["Trae"]
        Copilot["Copilot CLI"]
        OpenClaw["OpenClaw"]
        DeepSeek["DeepSeek Harness"]
    end

    subgraph L2["📚 Skill 调度层（82 个 Markdown）"]
        Mainline["skills/<name>/SKILL.md<br/>主分支"]
        CodexMirror["skills/skills-codex/<name>/<br/>Codex 镜像"]
        CodexClaude["skills/skills-codex-claude-review/<br/>Codex+Claude 评审叠加层"]
        CodexGemini["skills/skills-codex-gemini-review/<br/>Codex+Gemini 评审叠加层"]
        Shared["skills/shared-references/*.md<br/>共享契约"]
    end

    subgraph L3["🔧 MCP 跨模型评审桥"]
        ClaudeReview["mcp__claude-review<br/>Claude 评审"]
        GeminiReview["mcp__gemini-review<br/>Gemini 评审"]
        CodexImg["mcp__codex-image2<br/>Codex 图像生成"]
        ManualReview["mcp__manual-review<br/>人工兜底"]
        LLMChat["mcp__llm-chat<br/>通用 OpenAI 协议"]
        Feishu["mcp__feishu-bridge<br/>飞书通知"]
        MiniMax["mcp__minimax-chat<br/>MiniMax M3"]
    end

    subgraph L4["🛡️ 强制审计层"]
        ForensicsGate["forensics_gate.py<br/>typed policy + append-only ledger"]
        IdeaGate["idea_discovery_gate.py<br/>evidence gate"]
        CopilotEv["copilot_native_evidence.py<br/>rubber-duck evidence"]
        IterLog["iteration_log.py<br/>stall detection"]
        StyleExtract["extract_paper_style.py<br/>结构风格提取"]
    end

    L1 --> L2
    L2 --> L3
    L2 --> L4
    L3 --> L4

3.2 7 个工作流（W1-W6）

flowchart LR
    W1["W1<br/>idea-discovery<br/>找方向"] --> W15["W1.5<br/>experiment-bridge<br/>跑实验"]
    W15 --> W2["W2<br/>auto-review-loop<br/>交叉评审循环"]
    W2 --> W3["W3<br/>paper-writing<br/>写论文"]
    W3 --> W4["W4<br/>rebuttal<br/>反驳"]
    W4 --> W5["W5<br/>resubmit<br/>改投"]
    W5 --> W6["W6<br/>talk<br/>会议演讲"]

每条工作流是一个 Skill 链：执行 Skill 调用子 Skill，调用 MCP Server 拿跨模型评审，调用 Python Tool 做 evidence gate。

3.3 数据流（一篇论文的完整旅程）

sequenceDiagram
    autonumber
    participant U as 用户
    participant E as Executor<br/>Claude Code
    participant R as Reviewer<br/>GPT/Gemini MCP
    participant G as ForensicsGate
    participant FS as Filesystem<br/>.aris/* + paper/

    U->>E: /research-pipeline "方向"
    E->>FS: 创建 .aris/runs/<run_id>/
    E->>E: W1: idea-discovery<br/>生成 IDEA_REPORT.md
    E->>R: mcp__codex__codex 评审
    R-->>E: 5/10 评分 + 5 个改进点
    E->>G: forensics_gate.py 校验
    G-->>E: NO_NEW_BLOCKER
    E->>FS: EXPERIMENT_PLAN.md + 跑实验
    E->>E: W2: auto-review-loop<br/>review → fix → re-review
    loop MAX_ROUNDS=4
        E->>R: 提评论审
        R-->>E: 评分 + 修订
        E->>E: 实现修复
    end
    E->>E: W3: paper-writing
    E->>E: W4: rebuttal
    E->>U: 7.5/10 论文 + REVIEW_STATE.json

四、核心引擎一：跨模型对抗评审协议

4.1 为什么必须”跨族系”？

ARIS 在 shared-references/reviewer-independence.md 中明确写道：

The reviewer MUST be a different family from the executor. Same-family self-review falls into local minima — the same model reviewing its own patterns creates blind spots.

具体实现上，ARIS 通过 _executor_family() 函数和显式的 family 标记来强制这件事：

# 来自 tools/copilot_native_evidence.py
_FAMILY_NEEDLES = [
    ("anthropic", ("claude", "opus", "sonnet", "haiku")),
    ("openai", ("gpt", "codex", "oracle", "chatgpt", "o1", "o3", "o4")),
    ("google", ("gemini", "palm", "bard")),
]

def _executor_family(name):
    n = (name or "").strip().lower()
    hits = {fam for fam, needles in _FAMILY_NEEDLES
            if any(x in n for x in needles)}
    return next(iter(hits)) if len(hits) == 1 else "unknown"

任何无法归类（unknown）的 model name 不能被显示给评审——因为它无法证明与 executor 不同族系。

4.2 强制 fresh-thread 协议

关键规则：每次评审开新线程，永远不用 codex-reply 续接旧评审。

# 来自 skills/auto-review-loop/SKILL.md
MAX_ROUNDS = 4
# 评审完成后必须用新 codex thread，不复用 conversation
# 原因：在某个真实 NeurIPS run 中，codex-reply 链导致评分通胀

这条规则是从一次失败实验里学到的：长期 chain 会让 review score 虚高（模型”讨好”自己的历史输出），破坏独立性。

4.3 Copilot CLI 的 Rubber-Duck Evidence

Copilot CLI 没有 codex-reply 这种显式 reviewer API，ARIS 改用机器可读的事件链来证明评审独立性：

# 来自 tools/copilot_native_evidence.py
CHALLENGE_SCHEMA = "aris.copilot-native.challenge/v1"
EVIDENCE_SCHEMA = "aris.copilot-native.evidence/v1"
NONCE_PREFIX = "ARIS_REVIEW_NONCE="
KNOWN_FAMILIES = {"openai", "anthropic", "google"}

# 协议三步：
# 1. marker — 一个 root tool call，发射唯一的 nonce
# 2. challenge — Copilot 持久化 marker 事件后，绑定 nonce + host-reported executor model
# 3. verify — 调用 native rubber-duck，verify 要求成功完成的子 subagent
#              必须带相同 tool-call id，extract host-reported model，
#              拒绝同族 / 未知族系配对

结果证据由 review_gate.py 在每次评审结束前重新校验——这意味着同一个证据不能跨 run 复用，没有”打包好的绿章”。

五、核心引擎二：双控制轴（effort × assurance）

5.1 两个独立正交的轴

# 来自 AGENT_GUIDE.md
# Axis 1 — effort (depth / budget)
"— effort: lite | balanced | max | beast      # default: balanced"

# Axis 2 — assurance (audit strictness, independent of effort)
"— assurance: draft | polished | conference-ready | submission"

关键设计：effort 和 assurance 完全独立——你可以用 effort: lite 但 assurance: conference-ready（快速出稿但严格审计），也可以 effort: beast 但 assurance: draft（深度实验但只交草稿）。lite/balanced 默认 assurance=draft，max/beast 默认 assurance=submission。

5.2 Assurance Contract 的硬保证

skills/shared-references/assurance-contract.md 定义了 4 个 assurance 等级对应的强制审计：

# 简化版 assurance-contract 语义
assurance: draft
  → 无强制审计门
assurance: polished
  → citation-audit 必须通过
assurance: conference-ready
  → forensics_gate + citation-audit + figure-quality
assurance: submission
  → 全部审计 + 手动 review sign-off

这是 Runtime Contract 而不是 Prompt Hint——forensics_gate.py 在 assurance ≥ polished 时会阻断任何未通过 citation-audit 的论文。

5.3 Codex reasoning 兜底

不管 effort 多低，Codex reasoning 永远不掉到某个 tier 之下：

1
2
3

# 来自 AGENT_GUIDE.md
# Codex reasoning never drops below the tier floor regardless of effort
# (regular reviews `xhigh`; the deep-audit skills run `ultra`)

理由：评审质量不能因 effort 而妥协，否则整个对抗评审协议就失效了。

六、核心引擎三：Typed Policy Gate + Append-Only Ledger

6.1 三段式 gate policy

tools/forensics_gate.py 是 ARIS 的审计心脏，32KB 严格政策：

# 来自 tools/forensics_gate.py
GATE_VERSION = "1"
AUDITOR_FAMILY = "openai"   # Anti-AR 的 reviewer 固定 GPT 族系

# Gate policy (固定):
#   upstream HARD_FLAGS           → BLOCK
#   upstream REVIEW_UNAVAILABLE   → BLOCK   (不完整 sweep 不能放行)
#   any OPEN critical obligation  → BLOCK
#   upstream SOFT_FLAGS           → WARN    (人工处置)
#   any OPEN obligation           → WARN
#   otherwise                     → NO_NEW_BLOCKER

输出三态枚举：

1
2
3

BLOCK = "BLOCK"
WARN = "WARN"
NO_NEW_BLOCKER = "NO_NEW_BLOCKER"

关键点：NO_NEW_BLOCKER ≠ PASS！这是 ARIS 的核心设计哲学——flag 是可计算的，acquittal 不可计算。

# 来自 forensics_gate.py docstring
# Anti-Autoresearch's verdict is preserved VERBATIM and never re-labeled.
# In particular CLEAN_GIVEN_EVIDENCE maps to NO_NEW_BLOCKER — 
# "no flag found in the evidence at hand" — NEVER to PASS/accepted.
# A forensics sweep can raise flags; it cannot acquit anything.

6.2 Append-Only Obligations Ledger

每个 finding 进入 ledger 后永不自动关闭——即使后续报告中消失了：

# 来自 forensics_gate.py
# Findings become APPEND-ONLY obligations. A re-run may add obligations;
# a finding that disappears from a later report NEVER auto-closes its obligation
# (an LLM asked to "make the flag go away" learns to reword the span faster
# than to fix the number). A vanished, unresolved obligation is marked
# UNRESOLVED_DISAPPEARANCE — deterministically recorded, not an accusation.

关闭 obligation 必须显式操作：

FIX_TYPES = (
    "corrected-from-results",   # 用结果修正
    "claim-narrowed",            # 收窄声明
    "claim-withdrawn",           # 撤回声明
    "citation-replaced",         # 替换引文
)
# resolve: typed fix + evidence file hashed at closure time + who verified
# waive: human sign-off（waive 永远不是 resolution）

6.3 Finding Fingerprint

每个 finding 必须有跨 run 稳定的 fingerprint：

# 来自 forensics_gate.py
def fingerprint(f):
    """Stable identity of a finding ACROSS re-runs.
    Deliberately excludes:
      finding_id (F001... is positional),
      claim_id (positional in the ledger),
      artifact_hash  # 不让 hash 阻挡 fingerprint
    """

这套设计让”刷掉旧 flag”变得极其困难——任何 obligation 都能被追溯回它的源头。

七、核心引擎四：External Cadence 与 Stall Detection

7.1 External Cadence 规则

ARIS 有一条非常反直觉但深刻的规则：外部 heartbeat 只能”推动”，不能”判定”。

# 来自 skills/auto-review-loop/SKILL.md
🔒 Do not wrap this skill in /loop, /schedule, or CronCreate.
It already loops internally (review → fix → re-review) and the reviewer carries
round-to-round memory in one threadId (codex-reply). An external timer re-enters
from the top each tick — fresh threadId, reviewer memory reset — firing the verdict
on wall-clock time instead of on artifact change: zero new signal, full token cost.

核心观点：

	内部 cadence	外部 cadence
触发条件	artifact 变化	wall-clock 时间
决策内容	“好/不好” verdict	“继续 / 改变方向”
质量判定	cross-model jury	永不判定
失败后果	资源浪费	自我 acquittal（永远出错）

7.2 Stall Detection & Forced Pivot

tools/iteration_log.py 监控”零发现”迭代：

# 来自 tools/iteration_log.py
PIVOT_STRUCTURAL_AT = 2   # 连续零发现迭代 → 强制 structural pivot
ESCALATE_HUMAN_AT = 4     # 仍停滞 → flag for human attention

# Type-A signal: it COUNTS entries and changes direction; 
# it does NOT judge quality — quality/correctness stays with 
# the cross-model jury. It only ever says "keep going / change direction,"
# never "good enough".

Stall 阈值触发后强制改变结构性约束（不是调战术参数）：

# 简化版 pivot 决策
if stale_count >= 2:
    pivot = "structural"  # 换研究问题/方法/数据集
elif stale_count >= 4:
    pivot = "human"        # 标记让人来

关键洞察：质量判定永远在 cross-model jury，stall detection 只改方向，不判定好坏——避免重蹈”AI 判定 AI 自己”陷阱。

八、Style Extraction：结构风格而非内容复制

8.1 Style Ref 协议

很多用户想让生成的论文匹配参考论文的结构风格——section ordering、sentence-length cadence、theorem density、figure density——但不复制内容。

tools/extract_paper_style.py 是这个功能的核心：

# 来自 extract_paper_style.py docstring
# Writer skills that accept --style-ref <source>:
#   - paper-write, paper-plan, paper-writing
#   - paper-illustration, paper-slides
#   - grant-proposal, auto-paper-improvement-loop

# Strict rules for the calling skill:
# 1. Opt-in only. 不传 --style-ref 时行为不变。
# 2. 先 run 这个脚本，再开始起草。
# 3. STRUCTURAL guidance only. Do not copy sentences, phrases, claim bullets.
# 4. NEVER pass --style-ref to reviewer / auditor sub-agents.
#    Cross-model review independence requires reviewers see only the artifact
#    and the user's prompt, not the author's stylistic context.
# 5. Cache is deterministic. Same source → same cache dir.

8.2 缓存确定性

# 简化版 cache 路径生成
# <cache>/source_manifest.json   (provenance)
# <cache>/style_profile.md       (the style guidance)

# 调用 skill 应显式传 resolved cache path 给后续 step

8.3 风格 vs 内容的边界

	结构风格	内容
复制	✅ 允许	❌ 禁止
例证	section ordering, figure density	sentences, phrases, claims
缓存	deterministic	none

关键洞察：style ref 永远不传给 reviewer/auditor——评审独立性要求评审者只看 artifact + 用户 prompt，不被作者的风格选择影响。

九、MCP Server 矩阵

9.1 7 个 MCP Server 总览

Server	族系	用途	字节数
`claude-review`	anthropic	Claude 跨族评审	26 KB
`gemini-review`	google	Gemini 跨族评审	66 KB
`codex-image2`	openai	Codex 图像生成（app-server 桥）	31 KB
`manual-review`	human	人工兜底评审（browser/file 模式）	34 KB
`llm-chat`	any	通用 OpenAI 协议（DeepSeek/Kimi/MiniMax 等）	24 KB
`feishu-bridge`	any	飞书通知桥	7 KB
`minimax-chat`	minimax	MiniMax M3 chat 桥	13 KB

9.2 manual-review：人工兜底

mcp-servers/manual-review/server.py 处理没有 API key 的场景：

# 来自 mcp-servers/manual-review/server.py
# A human-in-the-loop reviewer bridge: when the pipeline needs cross-model
# review, this server opens a browser page (or writes a file on headless Linux)
# where the user can copy the prompt to a different-family model and paste the
# response back.
# 
# Zero API cost. The reviewer must be a model this server can classify by family
# (OpenAI, Anthropic, Google, DeepSeek, Moonshot/Kimi, Qwen) — an unclassifiable
# name cannot be shown to differ from the executor's, so it cannot acquit.

族系分类函数：

def model_family(model: str) -> str:
    """Derive a known provider family from a model identity, failing closed."""
    name = (model or "").strip().lower()
    families: set[str] = set()
    if re.search(r"(^|[^a-z0-9])(gpt|chatgpt|codex|oracle|o1|o3|o4)([^a-z0-9]|$)", name):
        families.add("openai")
    if re.search(r"(^|[^a-z0-9])(claude|sonnet|opus|haiku|anthropic)([^a-z0-9]|$)", name):
        families.add("anthropic")
    if re.search(r"(^|[^a-z0-9])(gemini|google)([^a-z0-9]|$)", name):
        families.add("google")
    if re.search(r"(^|[^a-z0-9])(deepseek)[0-9.]*([^a-z0-9]|$)", name):
        families.add("deepseek")
    if re.search(r"(^|[^a-z0-9])(kimi|moonshot)[0-9.]*([^a-z0-9]|$)", name):
        families.add("moonshot")
    # ... qwen

File-mode stability：在 headless Linux 上，要求内容两次读取间隔稳定才接受回答：

1
2
3

# File-mode stability: require content unchanged across two reads with this gap
FILE_STABLE_INTERVAL_SEC = 3
FILE_POLL_INTERVAL_SEC = 2

防有人粘一半就提交，导致评审输入不完整。

9.3 llm-chat：通用 OpenAI 协议

mcp-servers/llm-chat/server.py 让任何 OpenAI 兼容 API 都能当评审：

# 来自 mcp-servers/llm-chat/server.py
# Supported Providers (examples):
#   OpenAI:      LLM_BASE_URL=https://api.openai.com/v1 LLM_MODEL=gpt-4o
#   DeepSeek:    LLM_BASE_URL=https://api.deepseek.com/v1 LLM_MODEL=deepseek-chat
#   Kimi:        LLM_BASE_URL=https://api.moonshot.cn/v1 LLM_MODEL=moonshot-v1-32k
#   MiniMax:     LLM_BASE_URL=https://api.minimax.io/v1 LLM_MODEL=MiniMax-M3

# Environment Variables:
#   LLM_API_KEY         - API key (required)
#   LLM_BASE_URL        - API base URL (default: https://api.openai.com/v1)
#   LLM_MODEL           - Model name (default: gpt-4o)
#   LLM_FALLBACK_MODEL  - Fallback model on 504 timeout (default: gpt-4o)
#   LLM_REVIEW_FALLBACK_ENABLED - Expose review/review_reply tools when true

设计哲学：单协议多 provider——把 OpenAI 协议当成 “LLM HTTP”，任何兼容 API 都是潜在评审者。

十、证据门与 Idea Discovery Gate

10.1 Evidence Gate 强制要求

tools/idea_discovery_gate.py 强制 idea-discovery 阶段5 个必跑 phase：

# 来自 tools/idea_discovery_gate.py
GATE_NAME = "idea-discovery-evidence"
REQUIRED_PHASES = (
    "research-lit",
    "idea-creator",
    "novelty-check",
    "research-review",
    "research-refine-pipeline",
)
# These phases promise a model review, not merely executor-produced prose.
# A heading and a done self-report therefore cannot satisfy their evidence obligation
REVIEW_REQUIRED_PHASES = frozenset({"novelty-check", "research-review"})

关键设计：novelty-check 和 research-review 阶段必须有 model review 证据，heading + done self-report 不算——LLM 不能用”我做了”来证明它做了。

10.2 证据标记语言

1 2	START_MARKER = "<!-- ARIS_IDEA_DISCOVERY_EVIDENCE_GATE:START -->" END_MARKER = "<!-- ARIS_IDEA_DISCOVERY_EVIDENCE_GATE:END -->"

在文档中插入 start/end marker，gate 扫描后只接受 marker 之间的 receipt（来自 accept 或 mark-provisional 命令）。

十一、End-to-End Run：跑通一次完整研究

11.1 启动命令

# 安装（在 Claude Code 项目根）
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep ~/.aris/repo
ln -sf ~/.aris/repo/skills ~/.claude/skills/aris

# 在 Claude Code 中触发
/research-pipeline "对抗训练的梯度稀疏化方法"
# 默认 effort: balanced, assurance: draft

11.2 配置双轴

# 在 prompt 中显式传
/research-pipeline "对抗训练的梯度稀疏化方法" \
  --- effort: max \
  --- assurance: conference-ready \
  --- human checkpoint: true \
  --- difficulty: hard \
  --- venue: ICLR \
  --- sources: web, zotero, deepxiv, exa \
  --- gpu: vast

11.3 Resume from Run ID

1 2	# 中断后恢复（避免重新跑已完成的阶段） /research-pipeline "继续" --- resume: <run_id>

run_id 由 .aris/runs/<run_id>/ 目录持有，state 全部 JSON 化。

11.4 完整文件布局

.paper-project/
├── .aris/
│   ├── runs/<run_id>/
│   │   ├── run_state.json          # 状态机
│   │   ├── iterations.jsonl         # stall 检测 ledger
│   │   └── evidence/                # review receipts
│   ├── forensics/
│   │   ├── gate.json                # 单次 forensics sweep 结果
│   │   └── obligations.json         # append-only ledger
│   └── pending_review/              # manual-review 兜底
├── idea-stage/
│   ├── IDEA_REPORT.md               # W1 输出
│   ├── EXPERIMENT_PLAN.md
│   └── FINAL_PROPOSAL.md
├── refine-logs/                     # W1 内部中间产物
├── paper/
│   ├── main.tex                     # W3 输出
│   ├── figures/
│   └── bibliography.bib
├── rebuttal/                        # W4 输出
└── REVIEW_STATE.json                # W2 最终状态

十二、与同类项目对比

12.1 同类项目对比表

维度	ARIS	planning-with-files	ACE (Agentic Context Engineering)	Rowboat Desktop	OpenMontage
形态	82 Markdown Skill	3-File + 5 Hook	自我进化 playbook	长知识图谱桌面	Agentic 视频生产
核心场景	ML 研究全流程	Coding Agent 持久化	Context 自我演化	长记忆办公	视频生产
跨模型	✅ 强制（executor ≠ reviewer）	❌ 单模型	❌ 单模型	❌ 单模型	❌ 单模型
Typed Gate	✅ forensics_gate	✅ v3 gate	❌	❌	✅ delivery_promise
Append-only ledger	✅ obligations	❌	❌	❌	❌
External cadence	✅ heartbeat 只推动不判定	❌	❌	❌	❌
Stall detection	✅ forced structural pivot	❌	❌	❌	❌
Style extraction	✅ structural only	❌	❌	❌	✅ cinematic skill
MCP servers	✅ 7 个	❌	❌	✅	❌
主动式推送	❌	❌	❌	✅	✅
Stars	15.8k	24.7k	~10k	~6k	32k

12.2 设计差异分析

ARIS vs planning-with-files（已写 2026-07-06）：

planning-with-files = “Coding Agent 不忘事”（task_plan/findings/progress 三件套 + SHA-256 attestation）
ARIS = “Coding Agent 不被自己骗”（跨模型对抗 + typed gate + append-only ledger）
正交关系：一个管持久化，一个管评审；ARIS 可以内部嵌入 planning-with-files 作为 W1.5 的 sub-skill

ARIS vs ACE（已写 2026-09-03）：

ACE = Agentic Context Engineering，self-evolution playbook（LLM 通过生成新 context 自我升级）
ARIS = 反向：不让 LLM 自己判定自己（跨族评审 + typed gate 阻断 self-acquittal）
正交关系：ACE 关心”如何让 LLM 进化”，ARIS 关心”如何防止 LLM 自我欺骗”——两者都跨上下文，但角度相反

ARIS vs MetaGPT（已写 2026-06-25）：

MetaGPT = “Code = SOP(Team)”，靠 prompt 工程驱动多 agent 协作
ARIS = “Research = Executor + Adversarial Reviewer”，靠 MCP 桥强制不同 LLM 互相挑刺
关键差异：MetaGPT 同族系 agent（都是 GPT），ARIS 强制异族系（Claude × GPT × Gemini）

ARIS vs CrewAI/AutoGen：

CrewAI/AutoGen = 角色对话驱动（Role-playing + Group chat）
ARIS = 不靠对话，靠结构化 review-fixing loop + typed policy gate
关键差异：CrewAI 自由对话容易陷入同意陷阱（agents 都讨好对方），ARIS 的 reviewer 显式拒绝同族系+ fresh-thread

12.3 共同的设计哲学

哲学	ARIS 实现
族系对抗	`_FAMILY_NEEDLES` + `KNOWN_FAMILIES` 强制不同族系
状态可证伪	append-only obligations + 显式 `resolve` / `waive`
flag ≠ acquittal	`NO_NEW_BLOCKER` 永不升级为 `PASS`
心跳 ≠ 判定	external cadence 只能 nudge 不能 verdict
风格 ≠ 内容	`--style-ref` 只传 writer-side，不传 reviewer
架构 vs 战术	stall detection 强制 pivot structural constraint

十三、优缺点分析

13.1 优势

维度	优势
架构简洁性	82 个纯 Markdown Skill，无复杂框架；任何支持 SKILL.md 的 Coding Agent 即插即用
扩展性	MCP server 矩阵让任何 OpenAI 协议 LLM 都能当 reviewer；双轴独立组合
可证伪性	append-only obligations ledger + 显式 `resolve/waive` + fingerprint——任意 finding 都能追到源头
抗自评陷阱	跨族强制 + fresh-thread + rubber-duck evidence 三重防护
风格控制	style-ref 显式分结构 vs 内容，永不传给 reviewer
stall 应对	Type-A signal 只改 direction，不改 quality judgment
门槛低	manual-review 兜底让没 API key 也能跑（只要你能打开浏览器粘 prompt）
成熟度	已在真实 ICLR/NeurIPS 跑通 5/10 → 7.5/10

13.2 劣势

维度	劣势
性能开销	每轮 review 开新 thread + 跨模型调用，token 成本显著高于同模型
复杂度	82 skill × 7 MCP × 4 assurance × 4 effort = 9383 种组合，新人入门曲线陡峭
维护性	每个 skill 的 SKILL.md 是源真相（source of truth），AGENT_GUIDE 只是 routing index——单点维护成本高
跨族系假设	如果未来所有 LLM 都用同一份 RLHF 数据训练（趋同），跨族评审就退化为同族
零发现定义	Type-A signal 的 “new finding” 定义主观，可能与”重要 finding”错位
依赖 MCP	7 个 MCP server 必须全部正确注册才能完整跑；一个挂掉整个 pipeline 阻
强约束研究方法	对实验科学之外的领域（如理论数学）适用性待验证
中文支持有限	部分 skill 仅英文版本（README 中带 `_CN` 后缀的是中文版，但功能可能落后）

13.3 适用场景

场景	推荐度
ML 顶会论文（ICLR/NeurIPS/ICML）	⭐⭐⭐⭐⭐
实验科学（physics/chem/bio 的实验类工作）	⭐⭐⭐⭐
工程类研究（systems/security）	⭐⭐⭐
纯理论数学	⭐⭐
快速 prototype 验证	⭐

十四、实践：在 Claude Code 中跑通 ARIS

14.1 环境准备

# 1. 安装 ARIS
git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep ~/.aris/repo

# 2. 链接 skills 到 Claude Code
mkdir -p ~/.claude/skills
ln -sf ~/.aris/repo/skills/* ~/.claude/skills/

# 3. 注册 MCP server（以 Codex 评审为例）
# ~/.claude/mcp.json
{
  "mcpServers": {
    "codex": {
      "command": "python3",
      "args": ["-m", "aris.codex_mcp"],
      "env": {
        "CODEX_API_KEY": "<your-key>",
        "CODEX_MODEL": "gpt-6-astra"
      }
    },
    "manual-review": {
      "command": "python3",
      "args": ["~/.aris/repo/mcp-servers/manual-review/server.py"]
    }
  }
}

14.2 第一次跑：idea discovery

# Claude Code 中
/idea-discovery "对抗训练的梯度稀疏化方法"

# 等价命令（如果不用 slash）
@aris-skills/idea-discovery "对抗训练的梯度稀疏化方法"

输出：

idea-stage/IDEA_REPORT.md —— 排序后的 idea 列表
idea-stage/EXPERIMENT_PLAN.md —— top-1 idea 的实验计划
idea-stage/FINAL_PROPOSAL.md —— 给 reviewer 看的最终提案

14.3 第二次跑：跑实验

1
2
3

/experiment-bridge
# 自动读 EXPERIMENT_PLAN.md，部署到指定 GPU（vast / remote / local）
# 输出：EXPERIMENT_LOG.md + 训练指标 + 模型 checkpoint

14.4 第三次跑：自动评审

1
2
3

/auto-review-loop
# 跑 MAX_ROUNDS=4 轮 review → fix → re-review
# 输出：REVIEW_STATE.json + paper/main.tex（每轮更新）

14.5 配置 evidence gate

# 默认 balanced + draft
# 升级到 conference-ready：
/auto-review-loop --- assurance: conference-ready

# 此时 forensics_gate 会强制：
# - citation-audit 必须通过
# - forensics_gate 必须 NO_NEW_BLOCKER
# - figure-quality 必须 ≥ 阈值

14.6 写论文

/paper-writing "IDEA_REPORT.md"
# 自动跑 paper-plan → paper-figure → paper-write → paper-compile

# 改进循环（再润色 2 轮）：
/auto-paper-improvement-loop --- edit-whitelist ./

14.7 反驳

1 2	/rebuttal "reviewer_comments.md" # 自动生成 rebuttal letter + 补实验

十五、趋势与未来

15.1 趋势预测

跨族对抗评审会成为研究类 Agent 的标配——单一 LLM 自我优化的天花板已被反复证明，2026 H2 开始，所有严肃研究类工具都必须有跨族评审通道。
Typed Policy Gate 取代 Prompt Hint——把”约束”从 prompt 移到 enforcement layer 是必然趋势（DSPy 已经在 prompt 编译做类似事）。
Append-only Ledger 会扩散到审计领域——金融、医疗、法律的 AI 决策都需要”flag 可计算、acquittal 不可计算”的 ledger。
External Cadence 心跳规则会被更多 Agent 采纳——“heartbeat 只能 nudge 不能 verdict” 是 AI 治理的基础设施级规则。
Markdown-only Skill 是 Agent 跨平台的事实标准——OpenAI Codex、Claude Code、Cursor、Antigravity、Copilot CLI 全部支持 SKILL.md，ARIS 站在这个趋势的浪尖。

15.2 工程经验提炼

经验	启示
跨族 ≠ 反对同族	同族协同 + 异族评审是最佳组合
flag ≠ acquittal	“没找到问题”≠”没问题”——AI 治理的核心戒律
heartbeat ≠ verdict	时间维度上的触发 ≠ 质量判定
style ≠ content	结构借鉴必须严格不传 reviewer
状态可证伪	append-only + 显式 close 才能让”AI 决定”可审计

15.3 与 2026 H2 Agent 浪潮的关系

ARIS 与本系列已写项目的关系：

flowchart TB
    subgraph 持续化层 [持续化层]
        PWF[planning-with-files<br/>让 Agent 不忘事]
    end
    subgraph 治理层 [治理层]
        ARIS[ARIS<br/>让 Agent 不被自己骗]
        Logfire[logfire<br/>AI 可观测性]
        RagaAI[ragaai-catalyst<br/>AI 全生命周期治理]
    end
    subgraph 编排层 [编排层]
        Sim[sim<br/>Block-DAG 编排]
        Orca[orca<br/>多 Agent ADE]
        AO[agent-orchestrator<br/>26 Agent 桌面]
    end
    subgraph 协议层 [协议层]
        MCP[mcp/fastmcp<br/>协议层]
        A2A[a2a<br/>协议层]
    end

    ARIS -.使用.-> PWF
    ARIS -.使用.-> MCP
    ARIS -.产生 telemetry.-> Logfire

ARIS 处于”治理层”中心位置，它的 typed policy gate、append-only ledger、external cadence 规则可以独立出来作为通用框架（类似 Logfire 的 OTel wrapper）——这可能是 2027 年最值得追的方向。

15.4 总结

wanshuiyin/Auto-claude-code-research-in-sleep 不只是一个”Agent 工具”，它是一套对 AI 自我欺骗的工程化防御体系：

跨族对抗评审——防止 self-play 局部最优
Typed Policy Gate——把”约束”从 prompt 移到 enforcement layer
Append-only Obligations Ledger——让 AI 决定永远可证伪
External Cadence 规则——heartbeat 只推动不判定
Stall Detection & Forced Pivot——监控”零发现”而非”质量”

这套体系可以应用到任何 AI 研究工具——不只 ML 论文，也包括金融建模、医疗诊断、代码审计。它的真正价值不在于”帮你写论文”，而在于”系统性地防止 AI 自我欺骗”。

附录：关键资源

类别	链接
GitHub 仓库	https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep
项目介绍	https://wanshuiyin.github.io/Auto-claude-code-research-in-sleep/ARIS_INTRO.html
AGENT_GUIDE	仓库根目录 `AGENT_GUIDE.md`（LLM 友好版）
82 Skill 目录	`skills/<name>/SKILL.md`（每个 skill 一个文件）
共享契约	`skills/shared-references/*.md`
MCP Servers	`mcp-servers/`（7 个 server）
工具层	`tools/`（47 个 Python 工具）
论文模板	`templates/`（21 个 Markdown 模板）
License	MIT
反向工程	Anti-Autoresearch
衍生项目	HERO-Anti-OverDefense、ARIS-Movie-Director
微信解读	https://mp.weixin.qq.com/s/tDniVryVGjDkkkWl-5sTkQ
Skills 引用	VoltAgent/awesome-agent-skills
Paper	arXiv:2605.03042