$ loading_
帮助用户用任意大模型代理自动开展机器学习研究、评审与实验流程。
该 MCP 工具材料显示其为开源 MIT 项目，社区采用度较高，且未声明需要密钥或固定远程端点，来源可信度对风险有明显下拉作用。基于现有材料，主要注意点在于其具备执行代码/实验自动化这类工具固有能力，但暂无明确高风险红旗。
材料明确写明无需密钥或环境变量，未见要求提供 API token、账号凭证或其他敏感秘密；基于现有信息，凭证泄露面较小。
材料未声明任何远程端点，系统检查项也未给出外连目标；在现有证据下，未见明确将用户数据外发到第三方服务的事实。
系统已明确标注 executes-code，且描述提到 experiment automation，说明其具备在本机触发代码/实验流程的能力。这属于此类 MCP 工具的常规能力，应注意仅在隔离环境中运行并限制可调用系统资源。
描述称为 Markdown-only skills，但未提供 README 或权限边界说明；结合其自动化研究/实验用途，可合理推断可能读写本地项目文件。这属于常见工具能力，目前未见申请明显超出声明功能的过度授权证据。
来源为 GitHub 开源仓库，MIT 许可，约 11.5k star，具备较强可审计性与社区采用度，这些都是明显的正面信号。维护状态未知且 README 缺失会降低可见性，但不足以单独构成高风险。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"Auto-claude-code-research-in-sleep" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请用 ARIS 为“提高小样本图像分类效果”建立自动研究流程：先整理关键研究问题，再生成检索关键词，汇总相关论文观点，最后提出 5 个可验证的新实验想法，并用 Markdown 输出。
一份 Markdown 研究草案，包含问题拆解、检索方向、文献要点和可执行实验想法。
请用 ARIS 设计一个跨模型评审循环：让 Claude Code 生成实验方案，让另一个模型审查假设、指标和潜在偏差，再汇总成修订建议与下一步行动清单。
一套 Markdown 评审流程与结果摘要，清楚列出问题、改进建议和后续任务。
请用 ARIS 为一个文本分类项目制定实验自动化方案，比较 3 种模型与 2 组提示策略，定义评估指标、实验矩阵、结果记录模板和失败后的回退步骤。
一份可直接执行的 Markdown 实验方案，包含对比矩阵、指标定义、记录模板和回退机制。
为任意 AI 模型注入开源研究与工程技能，快速打造高能力 AI 研究代理。
帮助研究人员用大模型代理完成文献检索、实验设计与科研写作
将模糊需求重构为结构化专家级提示词，提升大模型输出质量与稳定性。
自动检索与整合多源信息，生成结构化研究简报和知识图谱。
帮助你搜索论文、提交稿件并管理同行评审协作流程
从真实编码会话中自动提炼、更新并清理可复用技能，持续增强 Claude Code 工作流。