AI 技能/插件AI 评测科研人工智能MCP 服务dsh-plugin【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点击查看免费下载本指南基于 ARISAuto-Research-In-Sleep仓库中的 docs/CODEX_CLAUDE_REVIEW_GUIDE_CN.md 编写并深入 mcp-servers/claude-review/server.py 与 tools/generate_codex_claude_review_overrides.py 等源码讲解完整的搭建、验证、原理与维护方法。导读ARIS 默认以 Claude Code 为主执行者而本指南给出的是另一条完全不同的宿主链路Codex 作为主执行者、Claude Code CLI 作为外部审稿人两者通过本地claude-reviewMCP bridge 连接从而实现“执行与审稿分属不同模型家族”的跨模型审稿回路。读完本文你将掌握这套分工的架构分层、完整安装命令、注册与验证方法、同步/异步审稿工具的选型与底层调用链以及覆盖层技能的生成与维护机制。一、架构总览三个组件、一个安装顺序这条 Codex Claude 路径对上游 Codex 原生方案是增量叠加不会替代skills/skills-codex/基座包。整套体系由三部分构成组件仓库路径职责基础技能包skills/skills-codex/Codex 原生执行所需的全套 ARIS 技能审稿覆盖层skills/skills-codex-claude-review/只覆盖 review-heavy 技能把“第二个 Codex 审稿人”替换为 Claude审稿 bridgemcp-servers/claude-review/本地 MCP 服务器把 Claude Code CLI 包装成 MCP 工具其中 bridge 的核心实现是 mcp-servers/claude-review/server.py其模块注释明确写道“This server exposes a narrow review-only interface over Claude Code CLI so Codex can remain the executor while Claude acts as the external reviewer”暴露一个窄的、仅审稿的接口让 Codex 保持执行者、Claude 扮演外部审稿人。安装顺序必须保持先安装skills/skills-codex/*再安装skills/skills-codex-claude-review/*允许同名覆盖最后注册claude-reviewMCP这个顺序是硬约束覆盖层只有“覆盖”在已安装的基座之上才有意义而 bridge 必须先被复制到 Codex 的 MCP 目录并注册技能中的mcp__claude-review__*工具调用才能被解析。二、安装步骤含 wrapper 与模型覆盖在已克隆的 ARIS 仓库根目录执行以下命令完成安装mkdir -p ~/.codex/skills cp -a skills/skills-codex/* ~/.codex/skills/ cp -a skills/skills-codex-claude-review/* ~/.codex/skills/ mkdir -p ~/.codex/mcp-servers/claude-review cp mcp-servers/claude-review/server.py ~/.codex/mcp-servers/claude-review/server.py codex mcp add claude-review -- python3 ~/.codex/mcp-servers/claude-review/server.py2.1 依赖 shell helper 登录时的 wrapper 方案如果本机 Claude 登录依赖claude-aws之类的 shell helper例如通过 Amazon Bedrock 认证则不能用上面的直连方式需要改用仓库自带的 run_with_claude_aws.sh wrappercp mcp-servers/claude-review/run_with_claude_aws.sh ~/.codex/mcp-servers/claude-review/run_with_claude_aws.sh chmod x ~/.codex/mcp-servers/claude-review/run_with_claude_aws.sh codex mcp add claude-review -- ~/.codex/mcp-servers/claude-review/run_with_claude_aws.sh从 run_with_claude_aws.sh 源码看这个 wrapper 会依次做三件事重定向 stdout 为/dev/nullMCP 协议走原始终端避免 wrapper 自身的输出污染协议流优先在 PATH 中定位claude-aws命令并导出为CLAUDE_BIN若找不到claude-aws则回退读取~/.config/claude-bedrock/claude-bedrock-env.sh通过claude_bedrock_use_sonnet函数注入 Bedrock 环境后再定位claude最终exec python3 $SCRIPT_DIR/server.py把进程替换为真正的 MCP server。wrapper 的调试日志默认写入/tmp/claude-review-wrapper.log可通过CLAUDE_REVIEW_WRAPPER_DEBUG_LOG环境变量覆盖。2.2 固定 Claude 审稿模型如果你想固定审稿所用的 Claude 模型先移除再重新注册并通过--env CLAUDE_REVIEW_MODEL...注入模型名codex mcp remove claude-review codex mcp add claude-review --env CLAUDE_REVIEW_MODELclaude-opus-4-1 -- python3 ~/.codex/mcp-servers/claude-review/server.py从 server.py 可以看到CLAUDE_REVIEW_MODEL是 server 读取的环境变量之一对应DEFAULT_MODELbuild_command()在构造 CLI 命令时会把该值以--model参数传给 Claudeserver.py。2.3 另一条安装途径install_aris_codex.sh仓库还提供了脚本化安装方式。tools/install_aris_codex.sh 支持--with-claude-review-overlay参数见脚本第 92 行与第 194 行的packages(skills-codex-claude-review)逻辑与覆盖层包 README 描述一致bash ~/aris_repo/tools/install_aris_codex.sh ~/your-project bash ~/aris_repo/tools/install_aris_codex.sh ~/your-project --reconcile --with-claude-review-overlay先装基座、再带 overlay 重跑一次效果等同于前面手动cp的前两步之后仍需单独注册 MCP。三、验证三步走安装完成后按以下三个命令依次确认1. 检查 MCP 注册codex mcp list应能看到claude-review条目。若看不到说明注册命令未生效。2. 检查 Claude CLI 登录与可用性claude -p Reply with exactly READY --output-format json --tools 这条命令用-pprint 非交互模式执行一个极简提示词预期输出中包含READY字样。这里显式传入--tools 与 bridge 的默认行为一致——审稿人默认不持有任何工具。若该命令失败说明 Claude CLI 未登录或认证失效bridge 的所有审稿调用都会报错。3. 在项目中启动 Codexcodex -C /path/to/your/project启动后 Codex 即可调用mcp__claude-review__review_start、mcp__claude-review__review_reply_start、mcp__claude-review__review_status等工具完成跨模型审稿。四、覆盖层哪些技能会被替换覆盖层只替换 review-heavy 技能共 8 个research-reviewnovelty-checkresearch-refineauto-review-looppaper-planpaper-figurepaper-writeauto-paper-improvement-loop其余技能仍然来自上游原生 skills/skills-codex/。这 8 个技能不是手写的副本而是由生成器 tools/generate_codex_claude_review_overrides.py 从 Codex 原生镜像自动改写而来其TARGET_SKILLS列表见 generate_codex_claude_review_overrides.py#L17-L26。核心改写规则包括spawn_agent代码块 →mcp__claude-review__review_start代码块send_input代码块 →mcp__claude-review__review_reply_start代码块删除model:/reasoning_effort:字段message:改名为prompt:agent_id/id/target→threadId模型名如 GPT 系列与“第二个 Codex agent”等措辞统一替换为 Claude 相关表述。同时覆盖层在每个技能正文前插入覆盖说明声明此路径记录review_independence: cross-family与acceptance_status: accepted——因为执行者是 Codex、审稿人是 Claude属于跨模型家族的独立审稿审计汇总器据此判定各阶段是否达到 accepted 保证等级。五、桥接原理Claude CLI 如何变成 MCP 工具从 server.py 源码看这个 bridge 是一个纯标准库实现的 MCP JSON-RPC 服务器协议版本2024-11-05自身零外部依赖通过tools/list暴露 5 个工具server.py#L540-L621工具类型说明review同步发起一次全新 Claude 审稿返回threadIdresponsereview_reply同步用threadId/thread_id续接既有审稿会话review_start异步后台启动审稿任务立即返回可恢复的jobIdreview_reply_start异步在既有 thread 中后台续接审稿立即返回jobIdreview_status异步用jobId查询任务状态waitSeconds支持有界等待每个工具的输入 schema 均支持prompt必填、system、model、tools四个字段review_reply*额外要求threadId或别名thread_id。5.1 底层命令构造build_command所有审稿调用最终都会走 build_command() 构造一条 Claude CLI 命令cmd [bin_path, -p, prompt, --output-format, json, --permission-mode, plan] if session_id: cmd.extend([--resume, session_id])几个关键设计非交互-p模式bridge 用 print 模式运行 Claude配合--output-format json获得结构化输出--permission-mode plan审稿人永远运行在 plan 权限模式下即使拿到工具也无法执行写操作--tools默认空字符串DEFAULT_TOOLS取自环境变量CLAUDE_REVIEW_TOOLS默认值为空即审稿人默认没有任何工具——这与 ARIS 原始模式一致执行者把证据全部粘贴进 prompt外部审稿人不需要文件系统访问权mcp-servers/claude-review/README.md可续接review_reply通过--resume session_id复用原生 Claude 会话threadId就是 Claude 原生 session id。5.2 输出解析兼容 CLI 1.x 与 2.xparse_claude_json() 处理了 Claude CLI 两个大版本的输出差异CLI 2.x 会把整个 stdout 作为单个 JSON 数组system init - assistant - rate_limit_event - result解析器只取终端的result事件携带result文本、session_id、duration_ms、stop_reason而不会把rate_limit_event之类中间事件误判为成功结果CLI 1.x 是 NDJSON 流则按行逆序扫描最后一个有效 payload。对结构化错误如 CLI 2.x 的errors列表含error_max_budget_usd等子类型解析器会把可操作的错误文本显式透传避免用户只看到一句笼统的 “Claude review failed”。5.3 可用环境变量一览下表汇总 server.py 与 mcp-servers/claude-review/README.md 中确认的环境变量环境变量默认值作用CLAUDE_REVIEW_SERVER_NAMEclaude-reviewMCP 服务器名CLAUDE_BINclaudeClaude CLI 可执行文件路径CLAUDE_REVIEW_MODEL空审稿模型覆盖CLAUDE_REVIEW_SYSTEM空默认系统提示词CLAUDE_REVIEW_TOOLS空字符串默认 Claude 工具覆盖CLAUDE_REVIEW_TIMEOUT_SEC600同步审稿子进程超时秒CLAUDE_REVIEW_DEBUG_LOG/tmp/claude-review-mcp-debug.log调试日志路径CLAUDE_REVIEW_STATE_DIR~/.codex/state/claude-review异步任务状态目录CLAUDE_REVIEW_WRAPPER_DEBUG_LOG/tmp/claude-review-wrapper.logwrapper 调试日志路径六、异步 reviewer 流程绕开宿主侧 MCP 超时对于长论文或长项目审稿务必使用异步三件套review_startreview_reply_startreview_status6.1 为什么长审稿必须异步原因在于这条宿主链路里的 review hop 比 Codex 原生方案更长Codex - claude-review MCP - 本地 Claude CLI - Claude 后端相比 Codex 原生spawn_agent路径这里多出一个本地 CLI hop。长同步 reviewer 调用更容易撞上 Codex 侧tools/call的超时——mcp-servers/claude-review/README.md 明确记录了观察到的约 120 秒超时现象。因此短 prompt 用同步review/review_reply能在宿主工具超时内完成长审稿必须切异步。6.2 异步任务的底层实现从源码看异步能力由三个机制支撑jobId 落盘start_async_review()为每个任务生成 UUID 作为jobId把{status, createdAt, request, ...}写入STATE_DIR/jobs/jobId.json默认~/.codex/state/claude-review/jobs/并立即返回后台 worker通过subprocess.Popen([sys.executable, server.py, --run-job, job_id], ...)启动独立进程执行审稿server.py#L341-L413worker 的 stdout/stderr 分别落盘为jobId.worker.out.log/jobId.worker.err.log状态可恢复get_review_status()轮询磁盘上的 job 文件支持waitSeconds有界等待并检查 worker PID 存活状态——若 worker 提前退出未写最终结果任务会被标记为failed。因为状态在磁盘上MCP server 重启后仍可通过 jobId 恢复查询。6.3 实战调用示例启动一个长审稿{ name: review_start, arguments: { prompt: Review this paper draft... } }返回示例{ jobId: 5d8d0a9c5a2f4f42ae44f6f0c2d73f6f, status: queued, done: false }稍后轮询{ name: review_status, arguments: { jobId: 5d8d0a9c5a2f4f42ae44f6f0c2d73f6f, waitSeconds: 20 } }任务完成时review_status返回与同步工具一致的审稿字段threadId、response、model、stop_reason。覆盖层生成的技能会指导 Codex先保存返回的jobId用有界waitSeconds轮询到donetrue把完成态 payload 的response当作审稿输出并保存完成的threadId用于后续轮次。七、工具权限策略默认无工具 artifact 只读 opt-in这是整套桥接设计中容易踩坑、也最值得注意的部分默认--tools 审稿人默认没有任何工具只能基于执行者粘贴在 prompt 里的内容作答artifact-grounded 审稿需要显式 opt-in如果 prompt 递给审稿人的是文件路径而不是粘贴的证据文本即告诉它 “read the files yourself”就必须在单次调用中显式声明tools: Read,Grep,Glob。否则审稿人被告知去读文件却没有工具可读只能基于执行者的转述作答——这恰恰是 artifact-grounded 审稿要避免的opt-in 是 per-call 而非 per-threadreview_reply/review_reply_start续接会话时会重新发起一个带--resume的新进程--tools也会重新发送因此续接 artifact-grounded 线程时必须重复声明工具tests/test_claude_review_artifact_tools.py 中的test_tools_are_resent_on_every_resumed_call固定了该行为只读原则opt-in 只授予Read,Grep,Glob三个只读工具不授予Bash、Edit、Write等写工具——审稿人没有理由修改被审稿件且 bridge 已用--permission-mode plan双重兜底。这些约束被测试明确固定tools声明与 artifact-grounded 判定必须一一对应test_tools_opt_in_tracks_artifact_grounded_prompts、预设必须是只读的test_preset_is_readonly、默认必须禁用全部工具test_default_disables_all_tools、tools: 是显式请求而非“未设置”test_explicit_empty_string_still_disables_tools。八、项目配置零侵入这条路径不要求新建任何特殊项目配置文件继续使用现有CLAUDE.md保持原有项目目录结构只需要切换 Codex 安装的技能文件和 MCP 注册换言之这套方案的价值在于“宿主链路替换、项目配置不动”——已在使用 ARIS Codex 的项目仅需叠加覆盖层技能与注册 MCP 即可切换审稿人后端。九、维护与一致性保障重新生成这个 overlay 包python3 tools/generate_codex_claude_review_overrides.py生成器会把 skills/skills-codex/ 中 8 个目标技能的最新内容重新改写进 skills/skills-codex-claude-review/。仓库还配了两道测试防线防止覆盖层“跑偏”tests/test_claude_review_overlay.py对 overlay 包做禁用 token 扫描禁止残留mcp__codex__、spawn_agent、send_input、gpt-6-astra、reasoning_effort等 Codex 原生令牌——这类残留意味着生成规则已与镜像源脱节用户照着执行会调用不存在的工具或在 Claude server 上钉死 OpenAI 模型tests/test_claude_review_artifact_tools.py其中test_checked_in_overlay_matches_generator_output逐技能比对“已提交的覆盖层”与“生成器实时输出”任何对 SKILL.md 的手工编辑都会导致测试失败从而保证覆盖层始终可再生成。十、适用前提与限制前提本机需同时具备可用的 Codex CLI 与 Claude Code CLI若 Claude 依赖claude-aws或 Bedrock helper必须使用 wrapper 注册方式见第二节超时边界同步review/review_reply只适合能在宿主 MCP 工具超时内完成的短 prompt长论文审稿务必切换review_start/review_reply_startreview_status异步流程工具权限默认审稿人无任何工具这是刻意设计只有 prompt 传递 artifact 路径时才需要按调用授予只读工具Read,Grep,Glob并保持只读、不授予写权限模型固定如需固定审稿模型通过注册时的CLAUDE_REVIEW_MODEL环境变量注入而不是在技能 prompt 里写死模型名。按照上述步骤完成安装、验证与异步流程切换后ARIS 即可在 Codex 执行、Claude 审稿的跨模型分工下运行完整的自动研究回路同时保留CLAUDE.md项目配置与既有目录结构的零侵入体验。赞分享AI 技能/插件AI 评测科研人工智能MCP 服务dsh-plugin【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点击查看免费下载相关推荐ARIS 跨模型审查实战用 Codex 主执行 Claude Code CLI 审查的 claude-review MCP 桥接方案ARIS 跨模型审查实战用 Codex 主执行 Claude Code CLI 审查的 claude review MCP 桥接方案 导读 本文讲解 AAI 技能/插件AI 评测科研人工智能MCP 服务dsh-plugin为什么选择Mutiny Fuzzer网络模糊测试工具选型对比与快速上手清单为什么选择Mutiny Fuzzer网络模糊测试工具选型对比与快速上手清单 如果你正在寻找一款 网络模糊测试工具 Mutiny Fuzzer https:AI 技能/插件AI 评测科研人工智能MCP 服务dsh-pluginARIS Codex Gemini 评审者接入指南跨模型 Review 桥的架构、安装与异步审查实战ARIS Codex Gemini 评审者接入指南跨模型 Review 桥的架构、安装与异步审查实战 导读 本文是 ARISAuto ResearchAI 技能/插件AI 评测科研人工智能MCP 服务dsh-plugin创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
