技能介绍

要解决的问题

机器学习研究里最耗时间的不是写模型，而是那些无法一键完成、却又高度重复的环节：翻阅大量论文并提炼趋势、从零散阅读中归纳可做的方向、设计实验去验证一个还没成型的想法，以及把结果整理成符合规范的论文初稿。这些工作通常是串联式的——先读、再想、然后规划实验、最后写作——每一步的上下文都要手工搬运，研究节奏很容易被打断。

这套基于 ARIS 的技能把整条研究循环交给代理自动跑：你只需要提供方向和约束，代理在循环中持续调用不同模型完成各自的环节，产出以 Markdown 组织，中间产物随时可读、可改、可追溯。

技能如何工作

技能本身是一套纯 Markdown 文件：不依赖框架、不维护数据库、不需要 Docker 或守护进程，每个技能就是一个可组合的研究模块。它在兼容的代理环境中运行，并通过 ARIS-Code CLI 或已安装的 ARIS 技能串起整个循环。

核心能力包括：

文献综述：自动检索并整理论文，输出结构化的阅读笔记与趋势总结；
想法发现：从文献与已有结果中挖掘可执行的研究方向；
跨模型批评：让不同外部模型对方案进行交叉评审，暴露盲区；
实验规划：把想法拆解成可复现的实验步骤与配置；
论文写作支持：基于实验结果生成或重写论文叙述。

典型的循环流程是：给定研究主题后，代理先跑文献综述并沉淀为 Markdown 笔记；随后进入想法发现与跨模型批评，多轮迭代收敛出候选方案；再由实验规划模块生成实验清单；执行后回到批评环节复盘，最后交由写作模块产出或修订论文初稿。整个过程中，外部模型承担具体推理任务，Claude Code 之类的代理负责编排——你可以在醒来后直接查看评分、弱点和重写后的叙述。

适用边界与注意点

运行前提是环境已就绪：需要 ARIS 技能或 ARIS-Code CLI、兼容的代理（如 Claude Code、Codex、OpenClaw），以及已配置好的模型提供商账号；
跨模型批评的质量取决于所接入模型的能力与多样性，接同一个模型两次并不等于真正的交叉评审；
上游迭代较快（例如针对流式解码失败与过早 EOF 的重试机制，可用 ARIS_STREAM_RETRY 控制重试次数），升级前建议先看变更说明；
没有本地 GPU 时，可配置 Modal 之类的 serverless GPU 按次跑实验，注意按量计费；
它适合研究流程的自动化与编排，不负责替代你对研究方向本身做出判断——最终的选题决策仍需研究者把关。