企业官网建设流程全解析

ARIS 自动审稿循环实战：/auto-review-loop 如何让论文一夜从 5/10 涨到 7.5/10

【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

ARIS（Auto-Research-In-Sleep）自动科研是一套轻量的 Markdown 技能系统，它的核心技能/auto-review-loop自动审稿循环，能让 AI 审稿评分在一夜之间从5/10（borderline reject）爬升到 7.5/10（submission ready）——审稿模型打分、执行模型自动修改、再评，最多循环 4 轮，全程无需人工干预。

对新手来说，这个工作流的价值可以一句话概括：你睡觉时，AI 在替你改论文。本文带你从零跑通这条自动审稿循环，并用一次真实运行逐轮复盘评分是如何涨上去的。

一、ARIS 是什么：睡觉时自动审稿改稿的科研工作流

ARIS 的整个技能层只是纯 Markdown 文件——没有框架、没有数据库、没有 Docker。每个技能就是一个SKILL.md，任何 LLM Agent 都能读懂并执行。

自动审稿循环的工作方式是一个"跨模型"分工：

为什么必须用两个不同模型？因为同一模型自我评审容易掉进"局部最优"——它看不见自己的盲区。跨模型评审是"对抗式"的：审稿人会主动去戳执行者没预料到的弱点，这正是分数能持续上涨的关键。

核心技能定义：skills/auto-review-loop/SKILL.md

二、一键安装：3 步跑通自动审稿循环

步骤 1：克隆仓库并安装技能

git clone https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep.git bash Auto-claude-code-research-in-sleep/tools/install_aris.sh ~/your-project

安装脚本 tools/install_aris.sh 会把技能以软链接方式装进项目的.claude/skills/，并记录安装清单，可重复执行来同步新增技能。

步骤 2：注册 Codex 审稿桥接

审稿模型通过项目自带的 MCP 桥接调用，无需额外 API Key（用 ChatGPT 订阅即可）：

claude mcp add codex -s user -- python3 "$(pwd)/Auto-claude-code-research-in-sleep/mcp-servers/codex-exec/server.py"

桥接实现见 mcp-servers/codex-exec/server.py。

步骤 3：重启并验证

重启 Claude Code 后执行claude mcp list，确认codex: ... server.py - ✔ Connected即可开工。

三、启动命令与参数速查

在项目目录里打开 Claude Code，一条命令启动：

/auto-review-loop "你的论文主题或范围"

通过—后缀可以覆盖默认参数，最常用的三个：

示例——开启人工检查点 + 加难度：

/auto-review-loop "my paper topic" — difficulty: hard, human checkpoint: true

两条内置"铁律"决定了循环如何结束：

• MAX_ROUNDS = 4：最多 4 轮，防止无限烧 token；
• 停止条件：评分 ≥ 6/10且结论 ∈ {ready, almost}，两者必须同时满足才停（分数再高但结论是 "not ready" 也会继续）。停止判定由 tools/review_gate.py 严格执行。

四、真实一夜运行复盘：评分如何从 5.0 涨到 7.5

这是 README 中记录的一次真实 4 轮过夜运行：循环自主执行了20+ 个 GPU 实验、重写了叙述框架、并砍掉了一条经不起验证的结论。评分曲线如下：

逐轮拆解每一分是怎么涨上来的：

注意 Round 2 和 Round 3：审稿人不是只说"这里不好"，而是逼着执行模型去验证——复现失败就换叙述，种子实验不显著就砍掉结论。这种"对抗式打磨"让最终分数是真实可信的，而不是靠话术哄出来的。

每轮产出都会追加写入review-stage/AUTO_REVIEW.md（累计日志），状态持久化在review-stage/REVIEW_STATE.json，会话被压缩或中断后都能从断点恢复。

五、三档审稿难度：medium / hard / nightmare

difficulty: hard

不同强度对应不同的"审稿人人格"：

审稿人记忆存放在review-stage/REVIEWER_MEMORY.md，只追加、不修改——审稿人每轮都会检查上一轮的怀疑是否被真正解决，还是只是"绕过去了"。

六、飞书推送 + 人工检查点：跑过夜也不失控

自动循环跑一整夜，最怕的是"它挂了不知道"或"它改歪了不知道"。ARIS 给了三层保障：

1. 飞书实时推送📱

配置飞书后，每轮评审结束即推送Round N: X/10 — 结论 + Top 3 弱点；interactive模式下结论为 "almost" 时会在飞书上等你回复"继续 or 停止"。技能见 skills/feishu-notify/SKILL.md。

2. 人工检查点

human checkpoint: true时每轮评审后暂停，展示评分与弱点，你可以回复go（全采纳）、skip 2（跳过第 2 条修复）、或stop（提前终止）。

3. 看门狗

tools/watchdog.py 监控无人值守循环的状态文件更新，一旦长时间无动静就发出告警——它只报警，不擅自重启。

七、社区实战：8/10 与 AAAI 2026 的 7/10

社区已经有多篇论文完整走完 ARIS 流程（注意：以下均为AI 评审信号，用于展示自动审稿循环的打磨效果，不等于顶会录用）：

README 还记录了/auto-paper-improvement-loop（写作侧的同款循环）在 ICLR 2026 理论论文上的实测：4/10 → 8.5/10，3 轮内修掉假设矛盾、软化过度声明、补齐合成验证。

八、新手避坑：5 条实用经验

1. ⛔ 不要用/loop、/schedule或 Cron 包裹它。/auto-review-loop内部自带循环，且审稿人通过 threadId 携带跨轮记忆；外部定时器每次都是全新会话，记忆清零，只按墙钟时间触发——零新信息，全量 token 成本。
2. 分数 ≥ 6 但不 stop？检查结论词。"not ready" 的高分不满足停止条件，属于正常行为。
3. 别试图藏弱点骗分。技能的关键规则明确：诚实记录负面结果与失败实验；修完再重评，而不是"承诺下次改"。
4. 长实验并行等。实验超过 30 分钟就先挂到 GPU 服务器，同时继续做其他修复，回来收结果。
5. 上游更新要手动拉。定期执行git pull && bash tools/smart_update.sh --apply（见 tools/smart_update.sh）保持技能最新。

九、相关文件导航

一句话总结：把/auto-review-loop交给夜里运行，第二天早上你收获的不只是一个更高的分数，而是一篇被"对手模型"反复锤过、砍掉假结论、证据链扎实的论文——这正是它从 5/10 到 7.5/10 的完整秘密。

【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