如何从零写一个 ARIS 技能SKILL.md 规范与集成契约完整参考【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是一个基于纯 Markdown 的轻量级自主 ML 研究框架每个技能就是单个SKILL.md文件——无框架、无数据库、无锁定可直接跑在 Claude Code、Codex CLI 或任意 LLM Agent 上。本文带你从零理解 ARIS 技能开发先拆解 SKILL.md 文件的规范结构frontmatter 字段、工作流步骤、Key Rules再讲清技能之间如何安全协作的集成契约六要素、四层 helper 解析链、失败策略最后给出一套可落地的编写清单让你照着就能写出可维护的技能。ARIS 技能是什么一个 Markdown 文件的完整形态整个技能层就是 skills/ 目录下一堆 Markdown 文件。一个技能通常包含四部分组成部分位置作用Frontmatter文件头部---块声明技能名、触发描述、参数提示、工具权限标题 参数$ARGUMENTS占位符接住用户输入Workflow### Step 1/2/3…具体执行步骤可内嵌 bash 片段Key Rules文末列表不可违背的硬约束限流、防覆盖等以 skills/arxiv/SKILL.md 为例它的 frontmatter 长这样--- name: arxiv description: Search, download, and summarize academic papers from arXiv. Use when user says search arxiv, download paper, … argument-hint: [query-or-arxiv-id] allowed-tools: Bash(*), Read, Write ---四个字段各有讲究name斜杠命令名用户在终端输入/arxiv即触发description最关键的一段——既描述功能又写清用户说什么话时该用这个技能这是 LLM 路由技能的核心依据argument-hint告诉用户该传什么参数allowed-tools最小权限原则只开放技能真正需要的工具如 skills/feishu-notify/SKILL.md 只开放Bash(curl *)和Read。正文里用$ARGUMENTS接收参数用## Constants定义默认值如PAPER_DIR、MAX_RESULTS用 Overrides区块列出覆盖参数如- max: 20、- download。从零写一个技能五步操作流程第一步定义触发场景先回答用户说什么话、做什么事时需要这个技能把它写成description。好的 description 同时包含功能动词和触发短语如 Use when user says …参照 skills/monitor-experiment/SKILL.md 的写法。第二步设计编号工作流用### Step N拆步骤每步只干一件事解析参数 → 核心操作 → 输出结果。长流程论文写作、研究管线才需要多阶段一次性技能如/arxiv 2501.12345保持精简。步骤中可直接内嵌 bash 命令供 Agent 执行。第三步声明工具权限与外部依赖allowed-tools按最小化原则填写。如果技能需要调用tools/下的 Python 脚本如research_wiki.py、arxiv_fetch.py永远不要硬编码路径必须走集成契约的解析链见下节——这正是 ARIS 踩过并修复过的真实事故。第四步写 Key Rules在文末用列表声明硬约束文件校验如 PDF 必须 10KB、限流下载间隔 1 秒、防覆盖已存在则跳过并报告、失败兜底建议。这些规则是技能的质量下限。第五步安装与验证把技能目录放进skills/name/SKILL.md运行 tools/install_aris.sh 会在项目下建立.claude/skills/name符号链接并写入.aris/installed-skills.txt清单skills/skills-codex/ 是面向 Codex CLI 的镜像版本可用 tools/install_aris_codex.sh 安装。集成契约技能之间协作的六要素ARIS 的核心理念是技能可以互相委托工作但耦合必须被工程化不能靠散文假设。这条铁律来自两次真实事故的复盘纯文本的 MUST invoke X 在上下文压力下会被执行者跳过且调用方无从察觉。完整规范见 skills/shared-references/integration-contract.md。每个跨技能集成必须同时提供六个组件激活谓词Activation predicate一行可外部观测的判断如if [ -d research-wiki/ ]而非如果用户似乎想要规范 helperCanonical helper业务逻辑只放在一个位置tools/下的规范脚本所有调用方通过统一解析链定位它具体产物Concrete artifact成功执行必须留下可检查的副作用——一个 JSON、一个文件、一条日志模型说它跑了不算数可见清单Visible checklist长流程中在阶段开头渲染 checkbox 块逼执行者逐行确认抵抗偷懒跳过回填命令Backfill集成漏触发时用户能用显式参数补救如/research-wiki sync --arxiv-ids 2501.12345验证器Verifier当静默失败会损害研究结果时必须有外部验证脚本其退出码是下游关卡的唯一事实来源LLM 自我汇报不算。四层 helper 解析链为什么不能硬编码路径技能可能在三种环境运行项目本地、ARIS 仓库内部、全局安装。因此调用 helper 前要走解析链按优先级依次尝试.aris/tools/helper → tools/helper → $ARIS_REPO/tools/helper → ~/.aris/repo 指向的仓库链式细节见 skills/shared-references/wiki-helper-resolution.md。找到后还要按集成性质选一种失败策略A 门槛型阻断 / B 副作用型告警跳过 / C 取证型直写产物 / D 级联或多源聚合 / E 诊断型只报告完整策略表和每个 helper 的归类都在 integration-contract.md 的 policy 表格中。配套契约effort 分级与技能治理写完技能后还有两个横切契约需要了解effort 契约skills/shared-references/effort-contract.md所有技能统一接受— effort: lite | balanced | max | beast四档控制广度、深度与轮次但永不降低跨模型评审质量assurance: submission档位下审计结论成为强制关卡技能治理skills/shared-references/skill-governance.md自动化产物必须带溯源记录且作者与评审者必须跨模型家族——循环可以驱动但永远不能自证清白输出清单skills/shared-references/output-manifest.md单次运行产物超过 15 个时才维护MANIFEST.md索引小规模运行不做重复索引。评审反模式清单提交前自查ARIS 在评审新技能时会直接拒绝以下写法写完后请逐条对照❌Optional and automatic——自相矛盾二选一并说到做到❌The skill will intelligently decide——这是决策黑洞不是谓词❌把这段 bash 复制进每个调用方——副本必然漂移应抽成 helper❌用户应该记得手动运行——缺回填命令人不可靠❌信任 LLM 自报完成——承重失败路径必须配外部验证器。快速上手清单新建skills/my-skill/SKILL.md写好 name / description含触发短语/ argument-hint / allowed-tools用### Step N组织工作流$ARGUMENTS接参## Constants定默认值调用tools/脚本时套用四层解析链 明确失败策略每个承重集成落实六要素谓词、helper、产物、清单、回填、验证器文末写 Key Rules 硬约束运行bash tools/install_aris.sh安装用— effort: max跑一遍全流程验证产物齐全。掌握这套 SKILL.md 规范与集成契约你就能像 ARIS 内置技能一样写出可路由、可组合、可审计的技能让整个自主研究闭环真正可靠地睡梦中运转。【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