AI Skills
run-train

run-train

热门

用于深度学习研究仓库的 Rigor Train 技能。当需要保守地运行已记录或选定的训练命令以进行启动验证、短运行验证、完整启动或恢复时使用，并将命令、配置、种子、日志、检查点、状态和指标证据写入标准化的 `train_outputs/`。不适用于环境设置、探索性扫描、推测性想法实现或端到端编排。

449Star
9Fork
更新于 2026/6/22
获取 Skill源代码

相关 Skills

recsys-pipeline-architect24万triaging-issues10万writing-skills23万
SKILL.md
只读
名称
run-train
描述

用于深度学习研究仓库的 Rigor Train 技能。当需要保守地运行已记录或选定的训练命令以进行启动验证、短运行验证、完整启动或恢复时使用，并将命令、配置、种子、日志、检查点、状态和指标证据写入标准化的 `train_outputs/`。不适用于环境设置、探索性扫描、推测性想法实现或端到端编排。

run-train

将此作为 Rigor Train 技能使用。安装后的 slug 保持为 run-train 以保持兼容性。

使用 ../../references/agent-operating-principles.md 中的共享操作原则；此技能应保持训练证据的边界，同时将仓库特定的监控细节留给模型。

何时应用

  • 当训练命令已选定并需要保守执行时。
  • 当研究人员需要启动验证、短运行验证、完整训练启动或恢复处理时。
  • 当运行需要结构化的训练状态、检查点和指标报告时。

何时不应用

  • 当主要任务是环境设置或资产下载时。
  • 当研究人员只需要推理或评估执行时。
  • 当任务是探索性探索、多变量扫描或自主想法实现时。
  • 当用户仍需要仓库理解或论文差距解决时。

明确边界

  • 此技能执行选定的训练命令并规范化生成的证据。
  • 它不会自行选择整体研究目标。
  • 它不负责探索性分支或推测性代码适配。
  • 它应清晰记录部分、阻塞、恢复和启动状态。
  • 它应在可用时保留可重复性上下文，如配置、种子、检查点、日志、指标和运行时假设。

输入期望

  • 选定的训练目标
  • 可运行的训练命令
  • 环境和资产假设
  • 运行模式，如启动验证、短运行验证、完整启动或恢复

输出期望

  • train_outputs/SUMMARY.md
  • train_outputs/COMMANDS.md
  • train_outputs/LOG.md
  • train_outputs/SCIENTIFIC_CHANGELOG.md
  • train_outputs/COMPARABILITY_REPORT.md
  • train_outputs/status.json

备注

使用 references/training-policy.md、../../references/deep-learning-experiment-principles.md、scripts/run_training.py 和 scripts/write_outputs.py。