ARIS Research Wiki 完全教程给 AI 科研助手装上会自我积累的持久化记忆【免费下载链接】Auto-claude-code-research-in-sleepARIS ⚔️ (Auto-Research-In-Sleep) — Lightweight Markdown-only skills for autonomous ML research: cross-model review loops, idea discovery, and experiment automation. No framework, no lock-in — works with Claude Code, Codex, OpenClaw, or any LLM agent.项目地址: https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleepARISAuto-Research-in-Sleep是一款轻量级的 Markdown 科研自动化技能框架而它的Research Wiki研究知识库功能正是给 AI 科研助手装上持久化记忆的关键论文、想法、实验、论断会被自动积累成一个会不断自我更新的知识库让 AI 越用越聪明而不是每次会话都从零开始。本教程面向新手带你 60 秒完成初始化理解四大实体与关系图谱并掌握全部 6 个子命令。一、为什么需要 Research Wiki从失忆到复利知识 默认情况下ARIS 是无状态的——每次运行/idea-discovery都从零开始读过的论文会忘失败过的想法会重复试跑过的实验会重新分析。Research Wiki 的核心理念只有一句话源自 Karpathy 的 LLM Wiki 模式Stop re-deriving. Start compounding.停止重复推导开始知识复利。开启之后整个科研生命周期中发生的每一件事都会被沉淀下来读过的每篇论文、验证过的每个想法、跑过的每组实验、被证实或被证伪的每条论断都会让下一次生成想法时更聪明。其中最有价值的记忆是失败的想法——一个知道什么行不通的 AI 助手比一个从零开始强得多。二、核心概念一览4 种实体 类型化关系图谱Research Wiki 把研究知识组织成4 类实体存放在项目根目录的research-wiki/下实体目录节点 ID 格式代表什么Paper论文papers/paper:slug一篇已发表或预印本论文Idea想法ideas/idea:id一个研究想法提出/测试/失败Experiment实验experiments/exp:id一次有结果的具体实验Claim论断claims/claim:id带诚实 PROOF 状态的可检验论断实体之间通过类型化边Typed Edges连接全部集中存储在graph/edges.jsonl中例如paper --extends-- paper 基于前人工作 paper --contradicts-- paper 结论互相矛盾 idea --inspired_by-- paper 想法源自这篇论文 idea --tested_by-- experiment 想法在该实验中被检验 exp --supports-- claim 实验支持该论断 exp --invalidates-- claim 实验证伪该论断每个节点是一个普通 Markdown 页面## Connections部分由图谱自动生成——你只需要专心研究不用手写交叉引用。完整数据模型定义在 skills/research-wiki/SKILL.md。三、快速上手60 秒开启持久化研究记忆 ⚡第 1 步克隆 ARIS 仓库一次性git clone https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep.git第 2 步在你的科研项目里安装技能推荐项目级符号链接方式bash Auto-claude-code-research-in-sleep/tools/install_aris.sh ~/your-project安装器会为每个技能创建符号链接并写入清单文件详见 tools/install_aris.sh。第 3 步在 Claude Code或任意 LLM Agent中一条命令初始化 Wiki/research-wiki init就这些。init会创建research-wiki/完整目录结构papers/、ideas/、experiments/、claims/、graph/以及四个关键文件——index.md自动索引、log.md只追加的审计日志、gap_map.md领域空白地图和query_pack.md压缩知识摘要。四、自动钩子让知识库自己长 初始化完成后Wiki 会在其他技能运行时自动更新你几乎不需要手动操作触发时机发生了什么/research-lit找到论文论文自动入库papers/slug.md创建关系边添加/idea-creator运行前先读 Wiki失败想法变黑名单领域空白变搜索种子/idea-creator运行后所有想法推荐和被淘汰的都写回ideas//result-to-claim判定实验页面创建论断状态更新为支持/证伪3 个以上想法失败系统提示你重新运行/idea-creator——因为 Wiki 已经知道什么行不通这就是官方文档中展示的螺旋式学习Spiral Learning第 1 轮读 15 篇论文 → Wiki 记住 → 想法 A → 实验 → 失败 Wiki 记录A 在 batch32 时 OOMloss 发散 第 2 轮/idea-creator 读到 A 失败 → 生成想法 D避开 A 的坑 → 实验 → 部分成功 第 3 轮Wiki 已知 A 失败 D 部分成功 → 生成想法 F组合 D 的优点 → 实验 → 成功 ARIS 的迭代提升正是这样复利出来的——每轮反馈都沉淀为下一轮的起点五、6 个手动子命令随时掌控你的知识库 除了自动钩子你也可以随时手动操作/research-wiki init # 初始化一次性 /research-wiki ingest 论文标题 — arxiv: xxx # 手动添加一篇论文 /research-wiki sync — arxiv-ids id1,id2 # 批量补录之前漏掉的论文 /research-wiki query 主题 # 重建 query_pack.md 知识摘要 /research-wiki update idea:001 — outcome: negative # 更新某个实体 /research-wiki lint # 健康检查 /research-wiki stats # 查看统计概览几个高频场景补录论文如果你先读了论文、后开了 Wiki用sync把 arXiv ID 列表一次性回填已入库的会自动跳过健康检查lint找出孤儿页面、超过 14 天未更新的论断、互相矛盾的论断、从未测试的僵尸想法等 6 类问题并输出LINT_REPORT.md修复建议统计stats一眼看清全库——如 Papers: 28 / Ideas: 7 / Experiments: 12 / Edges: 64。底层实现全部收敛在一个纯 Python 标准库脚本 tools/research_wiki.py 中零第三方依赖负责拉取 arXiv 元数据、生成 slug、去重、渲染页面等所有技能共用同一个实现不重复造轮子。六、query_pack.md8000 字符的压缩大脑 Wiki 会越攒越大怎么塞进模型有限的上下文窗口答案是query_pack.md——一份硬预算上限 8000 字符的确定性压缩摘要按固定配额组装区块预算内容项目方向从RESEARCH_BRIEF.md提取前 5 大领域空白1200 字符按未解决 关联想法 失败实验排序失败想法1400 字符永远保留——反重复价值最高核心论文 Top 8-121800 字符按关联空白、中心度排序关键规则剪枝时永不删除失败想法和核心空白。每次 Wiki 变动后query_pack.md都会自动重建。七、多会话协同与生态集成 当你的研究任务并行时文献调研 实验 写作多个 Agent 会话可以共享同一个research-wiki/——因为它是纯 Markdown JSONL任何会话都能读写围绕 Wiki 还有配套技能值得了解/wiki-enrich批量把论文页中留空的 TODO 章节方法、局限、可复用组件等 10 个小节自动补全成 1-3 句摘要见 skills/wiki-enrich/SKILL.md/proof-checkerWiki 中论断节点的唯一出生地为每条定理打上诚实的证明状态verify_wiki_coverage.sh诊断脚本比对会话中引用过的 arXiv ID 与已入库论文提示你sync补录见 tools/verify_wiki_coverage.sh。社区用户用 ARIS 的评审循环产出的论文评审截图也侧面说明了记忆 评审组合的威力八、关键设计原则安全、零依赖、你说了算 按需启用所有工作流钩子都受research-wiki/ 目录是否存在保护——没开 Wiki 零影响你随时可以选择启用零依赖辅助脚本是纯 Python 标准库克隆即用无需pip install审计留痕每次变动都追加到log.md完整可回溯防自污染入库前会过滤环境报错等操作噪音避免把临时故障固化成错误知识详见 skills/shared-references/capture-antipatterns.md辅助脚本四层解析链自动按.aris/tools/→tools/→$ARIS_REPO/tools/→~/.aris/repo顺序定位research_wiki.py避免路径写死导致的静默失败规则见 skills/shared-references/wiki-helper-resolution.md。九、上手清单 ✅克隆仓库并运行install_aris.sh安装到你的科研项目在 Agent 中输入/research-wiki init正常跑/research-lit、/idea-creator、/result-to-claim——Wiki 会在后台自动积累每周跑一次/research-wiki lint和stats保持知识库存量健康当失败想法 ≥3 个或新空白出现时重新运行/idea-creator让螺旋学习转起来。更多细节页面 schema、集成契约、钩子触发条件可阅读 skills/research-wiki/SKILL.md 与 skills/shared-references/integration-contract.md。【免费下载链接】Auto-claude-code-research-in-sleepARIS ⚔️ (Auto-Research-In-Sleep) — Lightweight Markdown-only skills for autonomous ML research: cross-model review loops, idea discovery, and experiment automation. No framework, no lock-in — works with Claude Code, Codex, OpenClaw, or any LLM agent.项目地址: https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ARIS Research Wiki 完全教程：给 AI 科研助手装上会自我积累的持久化记忆
ARIS Research Wiki 完全教程给 AI 科研助手装上会自我积累的持久化记忆【免费下载链接】Auto-claude-code-research-in-sleepARIS ⚔️ (Auto-Research-In-Sleep) — Lightweight Markdown-only skills for autonomous ML research: cross-model review loops, idea discovery, and experiment automation. No framework, no lock-in — works with Claude Code, Codex, OpenClaw, or any LLM agent.项目地址: https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleepARISAuto-Research-in-Sleep是一款轻量级的 Markdown 科研自动化技能框架而它的Research Wiki研究知识库功能正是给 AI 科研助手装上持久化记忆的关键论文、想法、实验、论断会被自动积累成一个会不断自我更新的知识库让 AI 越用越聪明而不是每次会话都从零开始。本教程面向新手带你 60 秒完成初始化理解四大实体与关系图谱并掌握全部 6 个子命令。一、为什么需要 Research Wiki从失忆到复利知识 默认情况下ARIS 是无状态的——每次运行/idea-discovery都从零开始读过的论文会忘失败过的想法会重复试跑过的实验会重新分析。Research Wiki 的核心理念只有一句话源自 Karpathy 的 LLM Wiki 模式Stop re-deriving. Start compounding.停止重复推导开始知识复利。开启之后整个科研生命周期中发生的每一件事都会被沉淀下来读过的每篇论文、验证过的每个想法、跑过的每组实验、被证实或被证伪的每条论断都会让下一次生成想法时更聪明。其中最有价值的记忆是失败的想法——一个知道什么行不通的 AI 助手比一个从零开始强得多。二、核心概念一览4 种实体 类型化关系图谱Research Wiki 把研究知识组织成4 类实体存放在项目根目录的research-wiki/下实体目录节点 ID 格式代表什么Paper论文papers/paper:slug一篇已发表或预印本论文Idea想法ideas/idea:id一个研究想法提出/测试/失败Experiment实验experiments/exp:id一次有结果的具体实验Claim论断claims/claim:id带诚实 PROOF 状态的可检验论断实体之间通过类型化边Typed Edges连接全部集中存储在graph/edges.jsonl中例如paper --extends-- paper 基于前人工作 paper --contradicts-- paper 结论互相矛盾 idea --inspired_by-- paper 想法源自这篇论文 idea --tested_by-- experiment 想法在该实验中被检验 exp --supports-- claim 实验支持该论断 exp --invalidates-- claim 实验证伪该论断每个节点是一个普通 Markdown 页面## Connections部分由图谱自动生成——你只需要专心研究不用手写交叉引用。完整数据模型定义在 skills/research-wiki/SKILL.md。三、快速上手60 秒开启持久化研究记忆 ⚡第 1 步克隆 ARIS 仓库一次性git clone https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep.git第 2 步在你的科研项目里安装技能推荐项目级符号链接方式bash Auto-claude-code-research-in-sleep/tools/install_aris.sh ~/your-project安装器会为每个技能创建符号链接并写入清单文件详见 tools/install_aris.sh。第 3 步在 Claude Code或任意 LLM Agent中一条命令初始化 Wiki/research-wiki init就这些。init会创建research-wiki/完整目录结构papers/、ideas/、experiments/、claims/、graph/以及四个关键文件——index.md自动索引、log.md只追加的审计日志、gap_map.md领域空白地图和query_pack.md压缩知识摘要。四、自动钩子让知识库自己长 初始化完成后Wiki 会在其他技能运行时自动更新你几乎不需要手动操作触发时机发生了什么/research-lit找到论文论文自动入库papers/slug.md创建关系边添加/idea-creator运行前先读 Wiki失败想法变黑名单领域空白变搜索种子/idea-creator运行后所有想法推荐和被淘汰的都写回ideas//result-to-claim判定实验页面创建论断状态更新为支持/证伪3 个以上想法失败系统提示你重新运行/idea-creator——因为 Wiki 已经知道什么行不通这就是官方文档中展示的螺旋式学习Spiral Learning第 1 轮读 15 篇论文 → Wiki 记住 → 想法 A → 实验 → 失败 Wiki 记录A 在 batch32 时 OOMloss 发散 第 2 轮/idea-creator 读到 A 失败 → 生成想法 D避开 A 的坑 → 实验 → 部分成功 第 3 轮Wiki 已知 A 失败 D 部分成功 → 生成想法 F组合 D 的优点 → 实验 → 成功 ARIS 的迭代提升正是这样复利出来的——每轮反馈都沉淀为下一轮的起点五、6 个手动子命令随时掌控你的知识库 除了自动钩子你也可以随时手动操作/research-wiki init # 初始化一次性 /research-wiki ingest 论文标题 — arxiv: xxx # 手动添加一篇论文 /research-wiki sync — arxiv-ids id1,id2 # 批量补录之前漏掉的论文 /research-wiki query 主题 # 重建 query_pack.md 知识摘要 /research-wiki update idea:001 — outcome: negative # 更新某个实体 /research-wiki lint # 健康检查 /research-wiki stats # 查看统计概览几个高频场景补录论文如果你先读了论文、后开了 Wiki用sync把 arXiv ID 列表一次性回填已入库的会自动跳过健康检查lint找出孤儿页面、超过 14 天未更新的论断、互相矛盾的论断、从未测试的僵尸想法等 6 类问题并输出LINT_REPORT.md修复建议统计stats一眼看清全库——如 Papers: 28 / Ideas: 7 / Experiments: 12 / Edges: 64。底层实现全部收敛在一个纯 Python 标准库脚本 tools/research_wiki.py 中零第三方依赖负责拉取 arXiv 元数据、生成 slug、去重、渲染页面等所有技能共用同一个实现不重复造轮子。六、query_pack.md8000 字符的压缩大脑 Wiki 会越攒越大怎么塞进模型有限的上下文窗口答案是query_pack.md——一份硬预算上限 8000 字符的确定性压缩摘要按固定配额组装区块预算内容项目方向从RESEARCH_BRIEF.md提取前 5 大领域空白1200 字符按未解决 关联想法 失败实验排序失败想法1400 字符永远保留——反重复价值最高核心论文 Top 8-121800 字符按关联空白、中心度排序关键规则剪枝时永不删除失败想法和核心空白。每次 Wiki 变动后query_pack.md都会自动重建。七、多会话协同与生态集成 当你的研究任务并行时文献调研 实验 写作多个 Agent 会话可以共享同一个research-wiki/——因为它是纯 Markdown JSONL任何会话都能读写围绕 Wiki 还有配套技能值得了解/wiki-enrich批量把论文页中留空的 TODO 章节方法、局限、可复用组件等 10 个小节自动补全成 1-3 句摘要见 skills/wiki-enrich/SKILL.md/proof-checkerWiki 中论断节点的唯一出生地为每条定理打上诚实的证明状态verify_wiki_coverage.sh诊断脚本比对会话中引用过的 arXiv ID 与已入库论文提示你sync补录见 tools/verify_wiki_coverage.sh。社区用户用 ARIS 的评审循环产出的论文评审截图也侧面说明了记忆 评审组合的威力八、关键设计原则安全、零依赖、你说了算 按需启用所有工作流钩子都受research-wiki/ 目录是否存在保护——没开 Wiki 零影响你随时可以选择启用零依赖辅助脚本是纯 Python 标准库克隆即用无需pip install审计留痕每次变动都追加到log.md完整可回溯防自污染入库前会过滤环境报错等操作噪音避免把临时故障固化成错误知识详见 skills/shared-references/capture-antipatterns.md辅助脚本四层解析链自动按.aris/tools/→tools/→$ARIS_REPO/tools/→~/.aris/repo顺序定位research_wiki.py避免路径写死导致的静默失败规则见 skills/shared-references/wiki-helper-resolution.md。九、上手清单 ✅克隆仓库并运行install_aris.sh安装到你的科研项目在 Agent 中输入/research-wiki init正常跑/research-lit、/idea-creator、/result-to-claim——Wiki 会在后台自动积累每周跑一次/research-wiki lint和stats保持知识库存量健康当失败想法 ≥3 个或新空白出现时重新运行/idea-creator让螺旋学习转起来。更多细节页面 schema、集成契约、钩子触发条件可阅读 skills/research-wiki/SKILL.md 与 skills/shared-references/integration-contract.md。【免费下载链接】Auto-claude-code-research-in-sleepARIS ⚔️ (Auto-Research-In-Sleep) — Lightweight Markdown-only skills for autonomous ML research: cross-model review loops, idea discovery, and experiment automation. No framework, no lock-in — works with Claude Code, Codex, OpenClaw, or any LLM agent.项目地址: https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考