如何启用 ARIS 自进化/meta-optimize 让科研工具自己优化自己【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是一款轻量级的科研自动化工具它用纯 Markdown 技能驱动 LLM Agent 完成文献调研、想法发现、实验自动化和论文写作。更独特的是ARIS 内置了自进化能力通过/meta-optimize命令分析你平时使用工具留下的行为日志自动发现流程中的瓶颈并生成技能文件的优化补丁让这套 AI 科研工具在使用中越用越顺手。本文带你用 3 步启用这个自进化循环。什么是 ARIS 自进化工具如何优化自己大多数 AI 工具用久了只会积累问题默认参数不合心意、某些流程反复失败、提示词冗余……ARIS 的解法是外循环outer loop自优化——把工具本身当成被优化的对象。它的核心思路来自 Meta-Harness 研究模型框架harness的设计和模型权重一样重要而使用日志恰好是指引改进的数据。ARIS 的自进化由三个角色分工完成角色命令/脚本职责被动记录log_event.sh在正常使用时自动记录事件日志提出优化/meta-optimize分析日志生成优化补丁提案只读不改文件落地应用/meta-apply经跨模型评审 人工批准后才真正修改技能文件这种提案与落地分离的设计保证安全自优化循环永远无法悄悄修改自己每一处改动都要过人工这道闸。一键启用步骤让使用数据自动积累自进化的前提是有数据可用。ARIS 提供了一套基于 Claude Code hooks 的被动日志方案配置一次即可之后零成本记录第 1 步克隆仓库如尚未安装git clone https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep第 2 步启用日志把日志钩子配置复制进你的项目设置文件读取模板templates/claude-hooks/meta_logging.json将其合并到你项目的.claude/settings.json或 ARIS-Code 运行时的 settings配置后ARIS 会在每次工具调用、失败重试、斜杠命令、会话开始/结束时把结构化事件追加写入项目级日志.aris/meta/events.jsonl全局日志~/.aris/meta/events.jsonl跨项目趋势第 3 步正常使用 ARIS平时该怎么用就怎么用。日志会在会话结束时自动检查数据量——当累计≥5 次技能调用check_ready.sh 会主动提醒你 ARIS has logged 8 skill runs since last optimization. Run /meta-optimize to check for improvement opportunities.还有一个隐藏触发器如果你的会话模型发生了升级它也会提醒运行/meta-optimize——新模型能力更强旧技能里多余的拐杖式步骤就成了可以删除的候选即框架瘦身。4 种运行方式/meta-optimize 实战用法数据攒够后在 ARIS 会话中输入以下命令即可/meta-optimize # 分析当前项目 /meta-optimize auto-review-loop # 聚焦分析单个技能 /meta-optimize --global # 跨所有项目分析全局趋势它会自动完成 5 步分析流水线检查数据量——不足 5 次调用会直接提示继续用攒数据模式分析——哪些技能被高频调用哪些默认参数总被手动覆盖哪些工具反复失败命名当前瓶颈——用一句话指出现在最卡的环节比如验证质量并记入只追加的瓶颈账本.aris/meta/bottleneck_log.jsonl按影响排序生成补丁提案——每个提案都附带最小 diff 和数据依据也可以提出删除提案新模型已能自动做的事输出结构化报告——给出推荐/需更多数据/拒绝三档状态比如上图这种评审轮次得分曲线正是收敛分析的对象平均几轮达到阈值分数是快速上升还是平台期哪一轮评审抓到的问题最多这些数据会直接变成把默认阈值从 6/10 调到 7/10这类有依据的优化提案。此外trigger_eval.py 还能测量技能的触发率——验证某个技能是否该被调用却没被触发或总是触发到隔壁技能上混淆矩阵是比单一比率更有用的信号。/meta-apply优化提案如何安全落地/meta-optimize只提案绝不落地。读完整份报告后指定要采纳的改动运行/meta-apply如/meta-apply 1,3它会执行一套严格的安全流程跨模型陪审团评审——由独立评审模型如 GPT 系列对新补丁逐条判定 PASS 或 KILLKILL 的补丁无法被人工覆盖作者与评审异族校验——写补丁的模型和审补丁的模型不能同源防止自己审自己先备份再修改——目标文件先备份到.aris/meta/backups/通过 Write/Edit 工具应用 diff盖章溯源 记录日志——写入 provenance 戳谁写的、谁批准的、内容哈希并追加到.aris/meta/optimizations.jsonl也就是说人类始终握有最终决定权而每次自我修改都留痕、可回滚。常见问题与最佳实践Q数据不够 5 条能运行吗能运行但会提示数据不足。建议正常积累 5~10 次完整工作流后再分析避免在噪声上做优化。Q它会改坏我的技能文件吗默认不会自动改任何东西。补丁必须最小化、必须引用日志证据、必须过跨模型评审、必须人工点名批准且每次修改前都有备份可随时回滚。Q模型升级后技能需要动吗建议运行一次/meta-optimize。模型升级是框架瘦身的触发信号那些为补偿旧模型短板而写的脚手架步骤如果日志显示新模型已不再需要就会变成删除提案——只增不删的工具最终没人会重读它。Q只想看某个技能的问题用/meta-optimize 技能名聚焦分析报告会围绕该技能的调用频率、失败模式和人工干预点展开。写在最后ARIS 的自进化不是一次性功能而是一个持续循环使用 → 记录 → 分析 → 提案 → 评审 → 落地 → 更好地使用。你只管把科研流程交给它改进的主动权由数据驱动。想深入了解完整机制可以阅读技能定义 skills/meta-optimize/SKILL.md 和 skills/meta-apply/SKILL.md以及项目主文档 README.md 中的 Workflow M 章节。【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