ARA-Labs/Agent-Native-Research-Artifact

# Agent 原生研究工件 (ARA) [](LICENSE) [](skills/) [](https://arxiv.org/abs/2604.24658) [](docs/poster.pdf) [](https://github.com/ARA-Labs/ARA-Demo) ## 科学领域的新瓶颈 AI 科学家现在能以近乎无限的速度生成假设、执行实验并产出结果。但这种加速创造了新的根本性瓶颈：**我们如何验证它？我们又如何有效地对该过程进行护栏防护？** 当 AI 生成数千个探索步骤时，人类研究人员无法手动梳理日志来确保实证的严谨性。我们需要在研究的记录和监督方式上实现根本性的转变。

**ARA 是一套 agent skills 与协议的集合**，旨在解决这一瓶颈。它提供了一种严谨、结构化的方式来记录研究知识，随着时间的推移策略性地凝练见解，并使自主科学过程完全可观察和可验证。[跳转至使用方法 ↓](#quickstart) ## 核心设计原则 该集合不再以层级为先导，而是直接通过三个核心设计原则来映射它如何解决这一瓶颈：

### 🛡️ 护栏防护与验证 AI agent 需要精确的约束边界，以防止产生幻觉结论。该系统充当严格的**认知锚点**，自动应用形式化验证原则，确保每一个科学声明都直接关联到真实执行和可证伪的结果。 ### 🧠 凝练见解 研究很少是一条直线；它是一张充满转向和死胡同的杂乱图谱。该系统迫使 AI 科学家系统地记录他们的轨迹，将转瞬即逝、非结构化的日志凝练为高度结构化、可靠的研究知识，从而随着时间推移累积价值。 ### 👁️ 完全可观察性 监督 AI 科学家不应该需要阅读无尽的终端输出。该系统将复杂的 agent 行为和探索图谱转化为简洁、极简的界面。它让人类研究人员能够保持高层次的全局把控，并无缝介入以纠正航向或指导 AI 的行为，实现零摩擦。 ## 🛠️ 快速入门：五项核心 Skills 为了将这些设计原则投入实际应用，ARA 提供了五项专门的 agent skills。你可以通过以下方式安装它们： ``` npx @ara-commons/ara-skills ``` 该命令会自动检测 Claude Code、Cursor、Gemini CLI、OpenCode、Codex 和 Hermes，然后提示你选择要安装的 skills、agents 以及安装范围（全局还是本地）。完整的 CLI 参考：[`packages/ara-skills/`](packages/ara-skills/)。 然后根据你的需要选择合适的 skill： | 如果你想要… | Skill | 调用方式 | |---|---|---| | **忠实记录**工作过程中的研究 —— 决策、消融实验、死胡同、配置 | **research-manager** | `/research-manager`（或将其设置为自动运行） | | 将现有的论文、代码仓库或笔记**编译**为结构化的 ARA | **compiler** | `/compiler ` | | 在信任、发布或提交工件之前，**验证**其认知严谨性 | **rigor-reviewer** | `/rigor-reviewer ` | | 在交互式流程图中**观察**完整的研究轨迹 | **research-visualizer** | `/research-visualizer ` | | **提交**一个 ARA —— 验证/编译它、将其可视化、发布到你的 GitHub，并列在 ARA Hub 上 | **submit-ara** | `/submit-ara ` | **让记录自动化。** 将以下内容附加到你的 agent 的 system-prompt 文件（`CLAUDE.md`、`AGENTS.md`、`.cursorrules` 或 `GEMINI.md`）中，这样每次会话时记录都会自动填充： ``` ## ARA: 结束会话研究记录 At the END of every coding session, invoke the `/research-manager` skill to record decisions, experiments, dead ends, and claims into the `ara/` artifact. ``` 请参阅每个 skill 的 `SKILL.md` 以获取完整规范： [research-manager](skills/research-manager/SKILL.md) · [compiler](skills/compiler/SKILL.md) · [rigor-reviewer](skills/rigor-reviewer/SKILL.md) · [research-visualizer](skills/research-visualizer/SKILL.md) · [submit-ara](skills/submit-ara/SKILL.md) ## 深入了解 —— 工件解剖结构 这四大支柱都在读写同一个结构。ARA 将研究组织为四个相互嵌套的层级： ``` example_artifact/ PAPER.md # Root manifest + layer index (~200 tokens) logic/ # Cognitive layer — What & Why claims.md # Falsifiable assertions with proof refs experiments.md # Declarative experiment plans solution/ architecture.md # System design + component graph algorithm.md # Math + pseudocode constraints.md # Boundary conditions related_work.md # Typed dependency graph src/ # Physical layer — How configs/ # Hyperparameters with rationale environment.md # Dependencies, hardware, seeds trace/ # Exploration graph — Journey exploration_tree.yaml # Research DAG with typed nodes + dead ends evidence/ # Raw proof tables/ # Exact result tables figures/ # Extracted data points ```

*跨层级法医级绑定将 `/logic` 中的声明与 `/src` 中的代码以及 `/evidence` 中的证据串联起来。探索图谱中的死胡同节点 (×) 保留了失败模式，这样就不会有 agent 重新踩坑。* **关键结构原则** - **渐进式披露** —— `PAPER.md`（约 200 个 token）告知 agent 该工件是否相关；更深的文件按需加载。 - **跨层级绑定** —— 声明引用实验，实验引用证据，启发式方法引用代码。一切都可追溯解析。 - **保留死胡同** —— 失败的方法和被拒绝的替代方案是探索图谱中的一等节点，而不是需要丢弃的噪音。 - **出处追踪** —— 每个条目都有标签（`user`、`ai-suggested`、`ai-executed`、`user-revised`），以此区分人类确认的事实与 AI 的推断。 ## 为什么它有效 监督缺口并非空谈——它表现为可衡量的成本。在各项基准测试中，在 agent 处理研究的三项任务（理解、复现、扩展）上，ARA 击败了强大的 PDF + 代码仓库基线，其中最显著的是在恢复叙述所丢失的*失败*知识方面。要获取完整的论证——两项结构性损耗、基准测试结果，以及支持 agent 原生研究的理由——请阅读详细文章： **→ [最后一篇由人类撰写的论文：Agent 原生研究工件](https://amberljc.github.io/blog/2026-04-24-the-last-human-written-paper.html)** 这篇论文践行了它的提议——它自己的 ARA 位于 [`docs/the-ara-of-ara`](docs/the-ara-of-ara)。 ## 兼容性 - [Claude Code](https://claude.ai/code) (Anthropic) - [Codex CLI](https://github.com/openai/codex) (OpenAI) - [GitHub Copilot](https://github.com/features/copilot) - [Cursor](https://cursor.com) - 任何支持 Agent Skills 规范的 agent ## 引用 如果你在研究中使用了 ARA，请引用： ``` @misc{liu2026humanwrittenpaperagentnativeresearch, title={The Last Human-Written Paper: Agent-Native Research Artifacts}, author={Jiachen Liu and Jiaxin Pei and Jintao Huang and Chenglei Si and Ao Qu and Xiangru Tang and Runyu Lu and Lichang Chen and Xiaoyan Bai and Haizhong Zheng and Carl Chen and Zhiyang Chen and Haojie Ye and Yujuan Fu and Zexue He and Zijian Jin and Zhenyu Zhang and Shangquan Sun and Maestro Harmon and John Dianzhuo Wang and Jianqiao Zeng and Jiachen Sun and Mingyuan Wu and Baoyu Zhou and Chenyu You and Shijian Lu and Yiming Qiu and Fan Lai and Yuan Yuan and Yao Li and Junyuan Hong and Ruihao Zhu and Beidi Chen and Alex Pentland and Ang Chen and Mosharaf Chowdhury and Zechen Zhang}, year={2026}, eprint={2604.24658}, archivePrefix={arXiv}, primaryClass={cs.LG}, url={https://arxiv.org/abs/2604.24658}, } ``` ## 许可证 [MIT](LICENSE)

标签：AI安全护栏, AI科学家, LLM代理, MITM代理, 人工智能, 可验证AI, 后端开发, 文档结构分析, 用户模式Hook绕过, 科研自动化, 防御加固