mirrors / wanshuiyin--auto-claude-code-research-in-sleep

项目文件夹

文件

T

wehub-resource-sync a302add0a2 chore: import upstream snapshot with attribution

2026-07-13 13:37:02 +08:00

11 KiB

原始文件 永久链接 Blame 文件历史

ARIS Trae 适配指南（Workflow Runbook）

在 Trae 中使用 ARIS 研究工作流，不依赖 Claude Code 的 /skill-name 斜杠命令。

1. 关键差异：Claude Code vs Trae

概念	Claude Code	Trae
Skill 调用	`/skill-name "args"`（斜杠命令）	自然语言自动发现、`#` 快速匹配、`@skills/.../SKILL.md`（文件引用）
Skill 存放	`~/.claude/skills/...`	全局 `~/.trae/skills/`（跨项目可用）或项目 `<project>/.trae/skills/`（仅当前项目），或直接引用 ARIS 仓库 `skills/`
MCP 配置	`claude mcp add ...`	`Settings → MCP → 手动添加`
Agent 执行	持续 CLI 会话	Chat/Agent 会话
文件引用	自动读项目	`@filename` 显式附加上下文
长任务恢复	单会话自动压缩恢复	通过状态文件手动恢复

2. Setup

最好在trae中创建一个单独的智能体负责运行ARIS工作流，避免与其他智能体冲突，并能给ARIS工作流提供扮演角色的必要信息。

2.1 克隆仓库并配置 Skills

git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git

安装 Skills 到 Trae 的两种方式：

方式一：通过 Trae 界面安装（推荐）

进入 设置 → 规则和技能
选择「全局」或「项目」安装范围
点击「导入文件」，选择 ARIS 仓库中的 skills/ 目录下的 SKILL.md 文件
安装后即可通过自然语言描述触发技能

说明： 全局安装的技能可在所有项目中通过自然语言触发；项目级安装的技能可在该项目中通过自然语言触发。

方式二：手动复制到 skills 目录

# 全局安装（所有项目可用）
$globalSkillsDir = Join-Path $env:USERPROFILE ".trae\skills"
New-Item -ItemType Directory -Path $globalSkillsDir -Force | Out-Null
Copy-Item -Path ".\Auto-claude-code-research-in-sleep\skills\*" -Destination $globalSkillsDir -Recurse -Force

# 项目级安装（仅当前项目可用）
$projectSkillsDir = ".\.trae\skills"
New-Item -ItemType Directory -Path $projectSkillsDir -Force | Out-Null
Copy-Item -Path ".\Auto-claude-code-research-in-sleep\skills\*" -Destination $projectSkillsDir -Recurse -Force

安装完成后，在对应范围内直接用自然语言描述需求即可触发相应技能。

2.2 设置 Codex 审阅 MCP（推荐）

ARIS 的关键机制是"执行模型 + 外部审阅模型"。先配好审阅 MCP，再跑流程。

安装并登录 Codex CLI

npm install -g @openai/codex
codex login

在 Trae 中配置 MCP
进入 Settings → MCP → 手动添加，新增：

Name: codex
Command: codex
Args: mcp-server

如你的 Trae 版本支持工作区 MCP 文件，可用：

{
  "mcpServers": {
    "codex": {
      "command": "codex",
      "args": ["mcp-server"]
    }
  }
}

重启 Trae 并验证

MCP 面板中 codex 为在线状态；
跑含审阅步骤的技能时出现 review/score/feedback 输出。

2.3 替代审阅 MCP（无 OpenAI API）

可用 llm-chat 对接 DeepSeek/GLM/MiniMax/Kimi 等兼容接口。

建虚拟环境并安装依赖

cd D:\path\to\Auto-claude-code-research-in-sleep
python -m venv .venv
.\.venv\Scripts\pip install -r mcp-servers\llm-chat\requirements.txt

配置 MCP（路径必须绝对路径）

{
  "mcpServers": {
    "llm-chat": {
      "command": "/path/to/Auto-claude-code-research-in-sleep/.venv/Scripts/python.exe",
      "args": ["/path/to/Auto-claude-code-research-in-sleep/mcp-servers/llm-chat/server.py"],
      "env": {
        "LLM_BASE_URL": "https://api.deepseek.com/v1",
        "LLM_API_KEY": "your_key",
        "LLM_MODEL": "deepseek-chat"
      }
    }
  }
}

必查项

command 必须指向 venv Python；
args 必须是 server.py 绝对路径；
LLM_BASE_URL、LLM_API_KEY、LLM_MODEL 必须齐全；
改完后重启 Trae，再看 MCP 在线状态。

若红点/离线

检查路径拼写；
检查 venv 里依赖是否安装；
查看 llm-chat-mcp-debug.log（系统临时目录）；
如 DeepSeek 返回认证失败，优先检查 key 与 base URL。

3. 在 Trae 里如何调用 Skills

Trae 支持以下五种方式调用 Skills：

A. 自然语言自动调用（推荐）

描述你的需求，Trae 会根据技能的 description（描述/适用场景）自动判断并调用相关技能：

帮我对这篇论文进行自动评审循环

这是最自然的方式——只需说明你要做什么，Trae 会自动匹配合适的 Skills。

B. `#` 快速匹配

在对话框输入 # 可以快速搜索和唤起技能，输入 # 后会看到技能列表：

#auto-review-loop

C. `@` 引用 SKILL.md 文件

直接引用技能文件并在对话中附加动作指令：

@skills/auto-review-loop/SKILL.md
请为「factorized gap in discrete diffusion LMs」运行自动审查循环。

注意：使用 @skills/.../SKILL.md 时，对应的 skills/ 目录必须在当前 Trae workspace 中可见（例如把 ARIS 仓库或其中的 skills/ 目录加入当前工作区），否则文件引用会失败。

D. 高频技能固化为本地规则

将常用技能说明写到项目规则文件，减少每次手动粘贴。

E. 一次性直接指令

把 workflow 指令直接粘贴到对话里，适合临时任务。

4. Workflow Mapping（Claude 流程 → Trae 写法）

Trae 通过 SKILL.md 中的 YAML description 字段自动发现 ARIS 技能。以下是各工作流的调用方式：

Workflow 1: Idea Discovery（创意发现）

Claude Code：

/idea-discovery "your research direction"

Trae 等价写法：

使用 idea-discovery 技能，运行完整的 idea discovery 流程，方向："your research direction"。

按顺序使用以下子技能：
1. 使用 research-lit 技能 —— 文献综述
2. 使用 idea-creator 技能 —— 头脑风暴
3. 使用 novelty-check 技能 —— 新颖性验证
4. 使用 research-review 技能 —— 深度评审
5. 使用 research-refine-pipeline 技能 —— 方法精化 + 实验规划

提示： 如果上下文过长，可以将每个阶段拆分为单独的对话，通过文件（如 idea-stage/IDEA_REPORT.md、refine-logs/FINAL_PROPOSAL.md）传递结果。

Workflow 1.5: Experiment Bridge（实验桥接）

Claude Code：

/experiment-bridge

Trae 等价写法：

使用 experiment-bridge 技能。
读取 refine-logs/EXPERIMENT_PLAN.md 并实现实验。
使用 run-experiment 技能部署到 GPU。

Workflow 2: Auto Review Loop（自动评审循环）

Claude Code：

/auto-review-loop "your paper topic"

Trae 等价写法：

使用 auto-review-loop 技能。
对 "your paper topic" 运行自动评审循环。
读取项目叙事文档、记忆文件和实验结果。
使用 MCP 工具 mcp__codex__codex 进行外部审阅。

注意： 如果使用 llm-chat MCP，把 mcp__codex__codex 替换为 mcp__llm-chat__chat。或使用适配版技能：auto-review-loop-llm。

Workflow 3: Paper Writing（论文写作）

Claude Code：

/paper-writing "NARRATIVE_REPORT.md"

Trae 等价写法：

使用 paper-writing 技能。
输入：项目根目录的 NARRATIVE_REPORT.md。

按顺序使用以下子技能：
1. 使用 paper-plan 技能 —— 大纲 + claims-evidence matrix
2. 使用 paper-figure 技能 —— 生成图表
3. 使用 paper-write 技能 —— 写 LaTeX 章节
4. 使用 paper-compile 技能 —— 编译 PDF
5. 使用 auto-paper-improvement-loop 技能 —— 审阅与润色

Full Pipeline 分阶段建议

阶段	执行方式	产出文件
1	创意发现：使用 `idea-discovery` 技能 + 研究方向	`idea-stage/IDEA_REPORT.md`, `refine-logs/FINAL_PROPOSAL.md`, `refine-logs/EXPERIMENT_PLAN.md`
2	实验桥接：使用 `experiment-bridge` 技能	实验脚本与结果
3	自动评审：使用 `auto-review-loop` 技能	`review-stage/AUTO_REVIEW.md`
4	论文写作：使用 `paper-writing` 技能 + `NARRATIVE_REPORT.md`	`paper/` 目录

每个阶段读取上一阶段的产出文件，因此上下文可在不同对话间传递。

5. MCP Tool Calls 对照

ARIS MCP 工具	作用	需要的 MCP Server
`mcp__codex__codex`	发审阅请求到 GPT-5.6-Sol	codex
`mcp__codex__codex-reply`	续接审阅线程	codex
`mcp__llm-chat__chat`	发请求到兼容 OpenAI API 模型	llm-chat

6. 状态文件与恢复

文件	作用	典型流程
`review-stage/REVIEW_STATE.json`	记录自动审阅进度	auto-review-loop
`review-stage/AUTO_REVIEW.md`	累计审阅日志	auto-review-loop
`idea-stage/IDEA_REPORT.md`	创意筛选与初评结果	idea-discovery
`PAPER_PLAN.md`	论文大纲与 claim-evidence matrix	paper-plan
`PAPER_IMPROVEMENT_LOG.md`	论文改进回合日志	auto-paper-improvement-loop

中断恢复示例：

@skills/auto-review-loop/SKILL.md
@review-stage/REVIEW_STATE.json
@review-stage/AUTO_REVIEW.md
Resume the auto review loop from saved state.

7. GPU 服务器执行

和 ARIS 原流程一致，在项目说明里提供服务器信息，然后调用：

@skills/run-experiment/SKILL.md
Deploy: python train.py --lr 1e-4 --epochs 100

8. 常见限制与处理

限制	处理方式
自然语言调用依赖技能的 `description` 描述质量	确保 skills 的 YAML frontmatter 中 description 准确描述适用场景
长流程上下文压力大	按阶段拆会话，靠产物文件衔接
无自动压缩恢复	用状态文件恢复
`$ARGUMENTS` 不会自动替换	在提示词里写清实际参数
子技能写在 SKILL.md 里是斜杠语法	在 Trae 提示词中显式列出 `@skills/...` 子技能

9. Quick Reference（快速参考）

# 文献综述
使用 research-lit 技能，搜索 "discrete diffusion models" 相关论文。

# 创意发现（完整流程）
使用 idea-discovery 技能，对 "factorized gap in discrete diffusion LMs" 运行创意发现。

# 单次深度评审
使用 research-review 技能，评审我的研究：[描述或指向文件]。

# 自动评审循环
使用 auto-review-loop 技能，运行自动评审循环。课题："your paper topic"。

# 论文写作
使用 paper-writing 技能，根据 NARRATIVE_REPORT.md 写论文。

# 部署实验
使用 run-experiment 技能，部署：python train.py --lr 1e-4 --epochs 100

10. 迁移清单：Claude Code → Trae

进入 设置 → 规则和技能，选择「全局」或「项目」安装范围
导入 ARIS skills 的 SKILL.md 文件
在 Settings → MCP 配置 MCP 服务器
使用自然语言描述需求触发技能
验证 MCP 工具可用（codex 或 llm-chat）
快速测试：使用 research-review 技能评审我的项目

11 KiB 原始文件 永久链接 Blame 文件历史 Unescape Escape

ARIS Trae 适配指南（Workflow Runbook）

1. 关键差异：Claude Code vs Trae

2. Setup

2.1 克隆仓库并配置 Skills

2.2 设置 Codex 审阅 MCP（推荐）

2.3 替代审阅 MCP（无 OpenAI API）

3. 在 Trae 里如何调用 Skills

A. 自然语言自动调用（推荐）

B. # 快速匹配

C. @ 引用 SKILL.md 文件

D. 高频技能固化为本地规则

E. 一次性直接指令

4. Workflow Mapping（Claude 流程 → Trae 写法）

Workflow 1: Idea Discovery（创意发现）

Workflow 1.5: Experiment Bridge（实验桥接）

Workflow 2: Auto Review Loop（自动评审循环）

Workflow 3: Paper Writing（论文写作）

Full Pipeline 分阶段建议

5. MCP Tool Calls 对照

6. 状态文件与恢复

7. GPU 服务器执行

8. 常见限制与处理

9. Quick Reference（快速参考）

10. 迁移清单：Claude Code → Trae

11 KiB

原始文件永久链接 Blame 文件历史

B. `#` 快速匹配

C. `@` 引用 SKILL.md 文件