5 月中旬，GitHub 上一个名字很长的项目又更新了：Auto-claude-code-research-in-sleep，简称 ARIS。
名字翻译过来差不多是：自动让 Claude Code 在睡觉时搞研究。
听着有点离谱，但项目想做的事并不玄乎。它不是把一个模型包装成“AI 科学家”，然后让它凭空发明理论；它更像一套科研任务流水线：文献谁来扫，idea 谁来提，实验谁来跑，结果谁来审，论文草稿谁来改，都提前分好工。
这件事有意思的地方在这里：当 Agent 可以连续工作几个小时，甚至一整晚，科研里那些原本靠人硬扛的流程活，会不会慢慢被机器接过去？
这不是一段提示词，是一套工作台
ARIS 主仓库在 2026 年 3 月开源。到 5 月 15 日，它已经有约 9.4k Star 、 近 900 个 Fork 。
它的论文页也登上 Hugging Face Papers，标题是“ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration”。页面显示论文在 5 月 4 日发布、5 月 6 日提交 ，并成为当日 Paper 榜单第一。
这些数字当然不等于“自动科研已经成功”。Star 不是审稿意见，榜单也不是录用通知。但它至少说明，一个方向正在被认真讨论：长任务 Agent 能不能进入真正复杂的知识工作？
ARIS 给出的答案很工程化。
它准备了 65+ Markdown 技能 ，覆盖文献、想法、实验、评审、写作、答辩；有 5 条端到端工作流 ；还有一套把实验结果、论文结论和引用逐层核对的审计链。
更重要的是，它没有把所有东西都锁死在某个单一工具里。Claude Code、Codex CLI、Cursor 都能接，OpenClaw 也有适配方案。
所以我更愿意把它叫作“科研操作台”。模型在里面干活，但真正决定它能不能跑长任务的，是外面这层流程、文件和审计机制。
一晚上能干多少事
ARIS 把机器学习研究拆成一组固定动作。
先扫文献，整理已有工作；再生成候选 idea，检查新颖性；然后写实验计划，把计划变成代码和运行命令；实验跑完后，进入自动评审；最后才是论文草稿、图表、rebuttal。
典型流程大概是这样：
1. /idea-discovery：找文献，提 idea，做 novelty check
2. /experiment-bridge：把实验计划变成代码和部署步骤
3. /auto-review-loop：模拟审稿人，反复挑问题
4. /paper-writing：把结果、图表和叙事整理成论文草稿
5. /rebuttal：拆 review，生成回应草稿
这里最容易被忽略的设计，是文件。
ARIS 不太依赖“聊天记录里还记得什么”。它会把中间产物写成 IDEA_REPORT.md、EXPERIMENT_PLAN.md、EXPERIMENT_LOG.md、NARRATIVE_REPORT.md 这类文件。
这听起来很土，但很重要。
长任务最怕的不是模型慢一点，也不是它写得不够漂亮。真正麻烦的是跑了三个小时以后，只剩下一段顺滑总结，没人知道它到底看过哪些资料、改过哪些代码、根据什么实验下了判断。
文件化产物至少让这件事有迹可循。
别让同一个模型既写论文，又审论文
ARIS 最有辨识度的一点，是它把执行者和审稿人分开。
一个模型负责干活：查资料、写代码、跑实验、整理草稿。
另一个模型负责挑刺：看逻辑有没有跳步，实验有没有漏洞，引用有没有乱用，结论有没有超过证据范围。
项目里把这套机制叫 cross-model adversarial collaboration。说得直白点，就是别让同一个模型又当运动员，又当裁判。
这不是洁癖，是现实问题。
一个模型如果把实验解释写歪了，自己复盘时很可能沿着同一条路继续圆。它未必是在故意编，更多时候是被自己的叙事惯性带跑了。
所以 ARIS 倾向于让 Claude Code 做执行者，再让 GPT、Gemini、GLM 或其他模型来审。执行者交成果，审稿者从另一个模型家族的视角追问：这个 claim 有证据吗？这个实验能排除其他解释吗？这条引用真的支撑这句话吗？
这很像真实科研里的合作和审稿。作者最熟悉自己的工作，也最容易看漏自己的盲点。外部审稿人不一定更高明，但他不在你的叙事里，反而更容易看见问题。
ARIS 想把这种外部质疑提前塞进流程，而不是等论文写完才补一轮形式化检查。
最危险的是“看起来很对”
长时间运行的 Agent 有一种很讨厌的失败方式：它不报错，也不崩溃，而是交出一份看起来很完整的东西。
有标题，有表格，有引用，有结论。读起来甚至挺像回事。
问题是，它可能只是把一次实验日志里的局部现象，写成了稳定规律；也可能引用了一篇真实论文，却拿来支撑它根本没证明过的观点。
这比直接报错麻烦多了。报错会让你停下来检查；一份漂亮但站不住的报告，反而容易让人点头通过。
ARIS 里很多审计设计，就是为了拦这种情况。
它把“结果能不能支撑结论”拆成几层：
experiment-audit：检查实验代码和评估逻辑result-to-claim：判断实验结果能支持哪些 claimpaper-claim-audit：核对论文里的数字、比较和范围表述citation-audit：检查引用是否存在，以及是否真的支撑当前语境
这部分不如“自动写论文”吸睛，却更接近严肃场景里的刚需。
Agent 最危险的时刻，往往不是它不会写，而是它写得太像真的。
新版本修 bug，也暴露了 Agent 工程的脆弱
ARIS 在 5 月 14 日发布 v0.4.6，修了两个很典型的问题。
一个是权限 bug。用户选择“工具调用前询问”的模式时，由于权限枚举排序问题，系统可能静默允许工具执行。
另一个是日期 bug。系统 prompt 曾把当前日期硬编码为 2026-03-31，后续出现的新论文、新资料，可能被模型误判为“未来信息”或 prompt injection。
这两个问题都不是模型笨造成的，却会直接影响整个 Agent 的判断和安全边界。
这也是我觉得 ARIS 值得观察的原因。它展示了长任务 Agent 的潜力，也把工程麻烦暴露得很清楚：权限、日期、上下文、工具调用、审计、恢复机制，任何一处处理不好，模型再聪明也会被带偏。
科研场景尤其放大这些问题。这里不只要求“能生成”，还要求每一步能追溯、能复核、能被质疑。
OpenClaw 真正该看的，是 Agent team
ARIS 和 OpenClaw / Agent team 的关系，不是“大家都能写论文”。真正相似的地方在于：Agent 正在从一个聊天助手，变成一组有分工的执行系统。
过去的 AI 编程助手，更像一个随叫随到的副驾驶。你问一句，它改一段；你指出 bug，它再修一下。
ARIS 展示的是另一种形态：执行者、审稿人、知识库、实验日志、引用审计、长期记忆一起工作。人的角色也跟着变化，从不断提示模型下一步做什么，变成设置目标、检查关键节点、决定哪些结论可以进入下一轮。
这对 OpenClaw 这类系统很有启发。长任务 Agent 不能只靠模型强，还得有工作空间、文件协议、权限边界、审计流程和可恢复的状态。
Agent team 的竞争力会越来越像一套操作系统，而不是一个聊天窗口。
科研会真的变成流水线吗
一部分会。
文献整理、实验矩阵、初版代码、评审模拟、数字核对、引用检查，本来就有很强的流程属性。交给 Agent 跑一晚，不违背科研规律，反而可能减少很多机械消耗。
另一部分不会。
什么问题值得问，什么假设值得冒险，什么实验结果只是噪音，什么结论会改变一个领域的理解，这些仍然需要人来判断。流水线能提高吞吐量，但它不会自动带来方向感。
所以 ARIS 更像“科研操作台”，不是“AI 科学家”。它把分散的步骤、文件、审稿和检查机制组织起来，让 Agent 在人不盯着的时候也能推进一部分可复核的工作。
Agent 不睡觉之后，科研不会自动抵达终点。
但科研路上的很多中间站，确实可能开始 24 小时营业。
附链接
- ARIS GitHub： github.com/wanshuiyin/…
- ARIS Hugging Face Papers： huggingface.co/papers/2605…
- ARIS OpenClaw 适配指南： github.com/wanshuiyin/…
