Auto-claude-code-research-in-sleep (ARIS ⚔️🌙)

💡 Используйте ARIS в Claude Code / Cursor / Trae как набор навыков для рабочих процессов или получите полный опыт со standalone CLI — выбирайте удобный способ!

🤖 AI-агентам: Читайте AGENT_GUIDE.md — структурировано для потребления LLM, а не для просмотра людьми.

🔥 ARIS-Code CLI — 独立安装版 · English | ⬇️ Скачать

📰 ARIS-Code v0.4.4 (2026-04-20) — Исправления UX установки и маршрутизации ревьюера (закрывает #158, #162) | /setup больше не принудительно использует Bearer для Anthropic + custom URL (исправляет ModelScope / code.newcli.com и др.) | Подсказки proxy URL с учётом провайдера | Устаревшее состояние больше не утекает при смене провайдера | Умный fallback LlmReview

v0.4.3 (2026-04-17) — Поддержка сторонних Anthropic-совместимых прокси (Bedrock и др.) | Пропуск бета-флагов, отклоняемых прокси | Передача custom base URL для провайдера anthropic | Благодарность @screw-44

v0.4.2 (2026-04-17) — Исправление повреждения при авто-компакции | Сводка компакции сохраняется на OpenAI-совместимых исполнителях | API-ключи из shell больше не стираются при запуске

v0.4.1 (2026-04-15) — Режим планирования (/plan) | Кооперативное прерывание Ctrl+C | Авто-повтор (429/5xx/сеть) | Research Wiki 📚 (постоянная база знаний) | Self-Evolution 🧬 (/meta-optimize) | Локальные модели (LM Studio/Ollama) | 62 синхронизированных навыка

v0.3.11 (2026-04-13) — Режим ревьюера, совместимый с Anthropic (Claude через прокси)

v0.3.9 (2026-04-11) — Прокси/custom base URL (CCSwitch) | Локальные модели (LM Studio/Ollama) | Windows (экспериментально)

v0.3.5 (2026-04-08) — Research Wiki (постоянное хранилище статей/идей/экспериментов/утверждений + граф связей) | Meta-Optimize самоэволюция (анализ логов → предложение патчей SKILL.md)

v0.3.0 (2026-04-03) — Многофайловый индекс памяти | Расширенная система задач (TodoWrite) | /plan | Усиление безопасности

v0.2.2 (2026-04-03) — Пошаговое планирование /plan | Постоянное отслеживание /tasks

v0.2.1 (2026-04-03) — Постоянная память | Исправление многоходового режима Kimi K2.5 | Исправление курсора CJK

v0.2.0 (2026-04-02) — Открытый исходный код | Поддержка Kimi + MiniMax + GLM | Умная маршрутизация LlmReview | CI/CD

v0.1.0 (2026-04-02) — Первый релиз | Несколько исполнителей и ревьюеров | 42 встроенных навыка

中文版 README | English

🌙 Пусть Claude Code занимается исследованиями, пока вы спите. Проснитесь и обнаружьте, что ваша статья оценена, слабые места выявлены, эксперименты проведены, а нарратив переписан — автономно.

🪶 Радикально лёгкий — ноль зависимостей, ноль привязки. Вся система — это обычные Markdown-файлы. Никакого фреймворка для изучения, никакой базы данных для обслуживания, никакого Docker для настройки, никакого демона для мониторинга. Каждый навык — это единственный SKILL.md, читаемый любым LLM — замените Claude Code на Codex CLI, OpenClaw, Cursor, Trae, Antigravity, Windsurf или ваш собственный агент — рабочие процессы продолжат работать. Форкайте, переписывайте, адаптируйте под свой стек.

💡 ARIS — это методология, а не платформа. Главное — рабочий процесс исследования: берите его куда угодно. 🌱

· · · · 💬 Присоединиться к сообществу ·

Пользовательские навыки Claude Code для автономных ML-исследовательских рабочих процессов. Эти навыки организуют кросс-модельное сотрудничество — Claude Code управляет исследованием, пока внешний LLM (через Codex MCP) выступает критическим ревьюером. 🔀 Также поддерживает альтернативные комбинации моделей (Kimi, LongCat, DeepSeek и др.) — Claude или OpenAI API не требуются. Например, MiniMax-M2.7 + GLM-5 или GLM-5 + MiniMax-M2.7. 🤖 Codex CLI native — полный набор навыков также доступен для OpenAI Codex. 🖱️ Cursor — работает и в Cursor. 🖥️ Trae — AI IDE от ByteDance. 🚀 Antigravity — агент-ориентированная IDE от Google. 🆓 Бесплатный уровень через ModelScope — нулевая стоимость, нулевая привязка.

💭 Почему не self-play с одной моделью? Использование субагентов Claude Code или команд агентов для выполнения и ревью технически возможно, но склонно попадать в локальные минимумы — одна и та же модель, проверяющая собственные паттерны, создаёт слепые пятна.

Думайте об этом как об adversarial vs. stochastic bandits: одна модель, проверяющая себя — это стохастический случай (предсказуемый шум вознаграждения), тогда как кросс-модельный ревью — adversarial (ревьюер активно зондирует слабые места, которые исполнитель не предвидел).