AI科學家的工具包——嚴格、可審計、可驗證
ARA是一個專為AI科學家設計的協議和技能包，使自主研究過程變得可驗證、可觀察，並通過結構化文檔解決AI研究的速度與可信度瓶頸。
在AI科學家的研究速度飛速提升的今天，驗證其產生的結果成為新的瓶頸。為此，ARA（Agent-Native Research Artifact）應運而生，它是一個專為AI科學家設計的協議和技能包，旨在使自主研究過程變得嚴格、可審計且完全可觀察。
ARA的核心設計原則包括三個方面：守門與驗證，通過形式驗證原則確保每個科學聲明都直接與真實執行和可證偽結果相連；洞察結晶，系統性地記錄研究軌跡，將零散的日誌轉化為結構化的可靠知識；以及完全可觀察性，通過簡潔的界面讓人類研究者輕鬆監督AI的行為。
為實現這些原則，ARA提供了四個專門的智能體技能：研究管理器，忠實記錄研究過程中的決策、消融實驗、死衚衕和配置；編譯器，將現有論文、代碼庫或筆記編譯為結構化的ARA工件；嚴謹審查器，在信任、發佈或提交前驗證工件的認知嚴謹性；研究可視化器，以交互式過程地圖展示完整的研究軌跡。
安裝這些技能非常簡單，只需運行 npx @ara-commons/ara-skills，它就能自動檢測常見的AI編碼助手並提示安裝範圍。
ARA工件的結構分為四個相互連接的層：認知層，包含聲明和實驗計劃，説明“是什麼”和“為什麼”；解決方案層，包括架構、算法和約束條件，描述“如何”實現；物理層，包含配置、環境依賴等實際代碼和資源；探索圖，記錄研究過程中的探索路徑，包括死衚衕節點，並用證據層存放原始數據。
這種結構的優勢在於：漸進式信息披露（PAPER.md僅約200個token，幫助智能體快速判斷相關性）、跨層綁定（聲明引用實驗，實驗引用證據）、保留死衚衕（失敗方法作為一等節點）、以及來源追蹤（每個條目標記為用户、AI建議、AI執行或用户修訂）。
ARA在多種基準測試中表現優異，尤其是在理解、復現和擴展研究方面，相比傳統的PDF加代碼庫方法，顯著提升了失敗知識的恢復能力。相關論文《The Last Human-Written Paper: Agent-Native Research Artifacts》已在arXiv上公開。
該工具兼容Claude Code、Codex CLI、GitHub Copilot、Cursor等主流AI編碼代理，遵循Agent Skills開放標準，並採用MIT許可證開源。