两个都想让 AI 自动做科研——但它们想的根本不是同一件事。
最近研究了两个自主科研工作流框架：ARIS（Auto-claude-code-research-in-sleep）和 AutoResearchClaw。乍一看都是"让 AI 帮你写论文"，但深入对比后发现，两者的设计哲学差异相当大。
一、核心定位
ARIS 的 slogan 是：
"Let Claude Code do research while you sleep."
注意主语是 Claude Code，而不是 ARIS 本身。它把自己定位成一套工具箱，你仍然是研究者，ARIS 帮你执行。
AutoResearchClaw 的 slogan 是：
"Chat an Idea. Get a Paper."
主语是你的一句话，输出是一篇论文。它把自己定位成一个替代者。
这个差异决定了后续所有的设计选择。
二、架构对比
| 维度 | ARIS | AutoResearchClaw |
|---|---|---|
| 本质 | 60+ 个独立 Markdown Skill 文件 | 完整 Python 应用（pip 安装） |
| 依赖 | 零依赖，纯文本 | 有状态机、数据库、CLI 入口 |
| 流程 | 可拆分，任意节点插入 | 固定 23 阶段黑盒流水线 |
| 评审机制 | 跨模型对抗审查（Claude × GPT） | 多 Agent 辩论（同类模型） |
| 人的角色 | 定方向，Agent 执行 | 可选介入（6 种 HITL 模式） |
| 可移植性 | 任何 LLM Agent 均可运行 | ACP 协议兼容多平台 |
三、最核心的哲学差异
ARIS：跨模型对抗
ARIS 最独特的设计是两个不同家族的模型互相审查：Claude Code 负责执行（速度快），GPT/Codex 负责批评（更严格）。
理由很朴素：同一个模型审查自己的输出，会有系统性盲点。就像论文送审，作者自审和外审的结果完全不同。
Claude Code（执行）← 对抗审查 →GPT-5.5 xhigh（评审）
这套机制贯穿整个流水线：写论文、跑实验、做 Rebuttal，每一步都有独立评审出具 PASS/FAIL verdict 才能继续。
AutoResearchClaw：自强化学习
AutoResearchClaw 的核心创新是 MetaClaw——跨 run 知识迁移。每次跑完一个课题，系统提取经验教训写入知识库，下次跑类似课题时复用，宣称带来 +18.3% 鲁棒性提升。
本质上是在做研究 Agent 的持续学习，而不只是单次流水线优化。
四、适用场景
选 ARIS，如果你：
-
已经有自己的研究方向和部分结果
-
想从中间某个节点（如写作、Rebuttal）切入
-
需要灵活组合不同工具
-
不想依赖任何特定平台或框架
选 AutoResearchClaw，如果你：
-
想从零开始探索一个新领域
-
希望系统全自动跑完出论文
-
需要多领域支持（物理、生物、统计等专业 Agent）
-
在意跨 run 的经验积累和自我进化
五、一句话总结
AutoResearchClaw 是自动驾驶——你说目的地，它开车。
ARIS 是高级辅助驾驶——你掌方向盘，它帮你处理路况。
前者追求"全自动出论文"，后者追求"帮真实研究者少做重复工作、多做创意工作"。两者并不互斥，取决于你在科研流程的哪个位置、想要多少控制权。
