AI Skills
ai-research-explore

ai-research-explore

熱門

與 Rigor Explore 相容的技能代碼，用於有意義且可能新穎的深度學習研究候選方案。當研究人員已選定任務類別、資料集、基準、評估方法，提供 SOTA 參考文獻，並希望在 `current_research` 之上進行僅限候選方案的探索，且需具備可稽核的儲存庫理解、想法門控、公平比較，以及將受控實驗寫入 `explore_outputs/` 時使用。請勿用於以 README 為優先的可信再現、開放式方向探索、狹隘的僅程式碼或僅執行探索、被動儲存庫分析、已驗證的新穎性主張，或隱含的實驗。

449星標
9分支
更新於 2026/6/22
獲取技能源代碼

相關技能

msstore-cli3.7萬site-architecture3.4萬vercel-optimize2.8萬
SKILL.md
readonlyread-only
name
ai-research-explore
description

與 Rigor Explore 相容的技能代碼，用於有意義且可能新穎的深度學習研究候選方案。當研究人員已選定任務類別、資料集、基準、評估方法，提供 SOTA 參考文獻，並希望在 `current_research` 之上進行僅限候選方案的探索，且需具備可稽核的儲存庫理解、想法門控、公平比較，以及將受控實驗寫入 `explore_outputs/` 時使用。請勿用於以 README 為優先的可信再現、開放式方向探索、狹隘的僅程式碼或僅執行探索、被動儲存庫分析、已驗證的新穎性主張，或隱含的實驗。

ai-research-explore

目的

在研究人員明確授權在穩固的 current_research 錨點之上進行僅限候選方案的工作後，使用此作為與 Rigor Explore 相容的技能代碼。為保持相容性，安裝後的代碼仍為 ai-research-explore。Rigor Explore 適用於有意義且可能新穎的深度學習研究候選方案，同時維護科學嚴謹性、可比性、可再現性及可稽核的協作。新穎性與重要性在文獻對比、消融實驗證據及公平比較之前仍為假設。此技能不保證自主發現、全球基準完整性、新穎性證明或可信再現成功。

從 ../../references/agent-operating-principles.md 中的共享操作原則開始，然後載入 ../../references/research-rigor-principles.md 以了解研究主張，並在實驗細節影響可比性或可再現性時載入 ../../references/deep-learning-experiment-principles.md。

適用時機

僅當請求同時滿足以下條件時使用此技能：

  • 明確的探索授權，例如僅限候選方案的工作、獨立分支或工作目錄、掃參、多個變體或探索性排序。
  • 穩固的 current_research 上下文，例如分支、提交、檢查點、執行記錄或已訓練的本地模型狀態。

將狹隘的僅程式碼請求保留給 explore-code。將狹隘的僅執行請求保留給 explore-run。將被動儲存庫分析保留給 analyze-project。將以 README 為優先的再現保留給 ai-research-reproduction。

研究節奏

使用雙循環節奏：

  • 外循環：理解儲存庫，凍結任務/資料集/評估/預算，保留使用者想法，對應來源，門控想法，並決定下一個實驗是否值得執行。
  • 內循環：進行一個有邊界的候選變更或執行，進行冒煙測試，收集證據，與當前錨點排序比較，然後停止或帶著新證據返回外循環。

此節奏為指導方針，而非僵化的自主循環。遇到明確阻礙、科學意義不明、預算耗盡、缺少錨點/評估或人類檢查點時應停止。

工作流程

  1. 確認 current_research 及明確的探索通道授權。
  2. 接受傳統的 variant_spec 或更高層級的 research_campaign。
  3. 在戰役模式下，在候選方案工作開始前凍結任務、資料集、基準、評估來源、SOTA 參考文獻及預算。
  4. 僅建置當前戰役所需的儲存庫理解產物，通常透過 analyze-project。
  5. 當來源支援重要時，執行有邊界、快取優先的來源查詢；偏好本地策展文獻（如 Zotero，若可用），然後是種子來源、儲存庫本地定位器、公開定位器或可選的網路查詢。將查詢視為來源解析，而非開放式文獻搜尋。
  6. 保留研究人員提供的想法，可選擇性地新增一組有邊界的單變量種子想法，並使用明確的門檻與分數細項對想法進行排序。
  7. 一次偏好一個清晰的候選方案。使用 explore-code 進行有邊界的程式碼改編，使用 explore-run 進行短週期試驗或掃參。
  8. 僅當探索計畫需要真實執行證據時，才使用 minimal-run-and-audit 或 run-train。
  9. 將僅限候選方案的輸出寫入 analysis_outputs/、sources/ 及 explore_outputs/；切勿將探索性增益呈現為可信再現成功。包含 SCIENTIFIC_CHANGELOG.md 及 COMPARABILITY_REPORT.md 以說明候選方案的科學意義與比較邊界。

排序與證據

  • 執行前，根據預期增益、成本、成功可能性、修補範圍、依賴拖曳、評估風險及回滾難易度對候選方案進行優先排序。
  • 執行後，優先根據真實證據排序：指令狀態、觀察到的指標、產物、變更路徑、冒煙結果及可再現性備註。
  • 保持研究人員提供的 evaluation_source 及 sota_reference 在戰役期間凍結；不主張它們是全球完整的。
  • 若頂尖想法過於接近或實作無法分解為可稽核的單元，則停止並進行檢查點，而非默默選擇。

戰役輸入

對於 Rigor Explore 戰役，research_campaign 為首選，但應保持簡潔。穩固的核心為：

  • current_research
  • task_family
  • dataset
  • benchmark
  • evaluation_source
  • sota_reference
  • compute_budget

將 candidate_ideas、variant_spec、research_lookup、idea_policy、idea_generation、source_constraints、feasibility_policy、baseline_gate 及 execution_policy 視為可選指導，而非代理必須為每個戰役填寫的欄位。請參閱 references/research-campaign-spec.md 以了解進階架構與產物期望。

參考文獻載入

  • 載入 references/ai-research-explore-policy.md 以了解通道安全性與候選方案語義。
  • 僅當戰役檔案存在或使用者要求 Rigor Explore 戰役治理時，載入 references/research-campaign-spec.md。
  • 載入 ../../references/explore-variant-spec.md 以了解執行層級的變體矩陣細節。
  • 在做出新穎性、貢獻、SOTA 或可比性陳述前，載入 ../../references/research-rigor-principles.md。
  • 當訓練、評估、基線、消融、指標、檢查點或資料集細節重要時，載入 ../../references/deep-learning-experiment-principles.md。
  • 使用 scripts/orchestrate_explore.py 及 scripts/write_outputs.py 進行現有的確定性產物工作流程。