ai-research-explore

ai-research-explore

用途

只有当研究人员明确授权在持久的 current_research 锚点基础上开展仅限候选方案的工作时，才将其作为兼容 Rigor Explore 的技能标识使用。为保持兼容，已安装的标识仍为 ai-research-explore。Rigor Explore 面向有意义且可能具有新颖性的深度学习研究候选方案，同时保留科学严谨性、可比性、可复现性和可审计的协作。经过文献对比、消融实验的证据和公平比较之前，新颖性和重要性仍只是待验证的假设。本技能不承诺自主发现、完整覆盖全球基准、证明新颖性或成功实现可信复现。

从共享的操作原则开始，先阅读 ../ai-research-reproduction/references/agent-operating-principles.md，然后在处理研究主张时加载 ../ai-research-reproduction/references/research-rigor-principles.md，并在实验细节影响可比性或可复现性时加载 ../ai-research-reproduction/references/deep-learning-experiment-principles.md。

适用范围

仅当请求同时满足以下条件时，才使用此技能：

• 明确授权探索，例如仅限候选方案的工作、隔离分支或工作树、参数扫描、多个变体或探索性排序。
• 存在持久的 current_research 上下文，例如分支、提交、检查点、运行记录或已训练的本地模型状态。

范围狭窄的纯代码请求使用 explore-code。范围狭窄的纯运行请求使用 explore-run。被动的仓库分析使用 analyze-project。优先从 README 入手的复现任务使用 ai-research-reproduction。

研究节奏

采用双循环节奏：

• 外循环：理解仓库，冻结任务／数据集／评估／预算，保留用户的想法，梳理来源，筛选想法，并判断是否值得开展下一项实验。
• 内循环：进行一项范围明确的候选方案更改或运行，对其进行冒烟检查、收集证据、与当前锚点进行排序比较，然后停止，或带着新证据返回外循环。

此节奏仅作指导，并非严格的自主循环。遇到明确阻碍、科学含义不清、预算耗尽、缺少锚点或评估，或需要人工检查点时，应停止。

工作流

1. 确认 current_research 和明确的探索模式授权。
2. 接受旧版 variant_spec 或更高层级的 research_campaign。
3. 在研究活动模式下，开展候选方案工作之前，冻结任务、数据集、基准、评估来源、SOTA 参考和预算。
4. 仅构建当前研究活动所需的仓库理解材料，通常通过 analyze-project 完成。
5. 当需要来源支持时，进行有界且优先使用缓存的来源查找；如果有本地整理的文献（例如 Zotero），应优先使用，然后再查找种子来源、仓库内定位信息、公开定位信息或可选的网络资源。将查找视为来源定位，而不是无限制的文献搜索。
6. 保留研究人员提供的想法；可选择补充少量、有界的单变量种子想法，并通过明确的门槛和分项得分对想法进行排序。
7. 优先一次处理一个清晰的候选方案。使用 explore-code 进行有界的代码调整，使用 explore-run 进行短周期试验或参数扫描。
8. 仅当探索计划需要真实执行证据时，才使用 minimal-run-and-audit 或 run-train。
9. 根据需要，将仅限候选方案的输出写入 analysis_outputs/、sources/ 和 explore_outputs/；绝不要将探索所得的提升描述为可信的复现成功。添加 SCIENTIFIC_CHANGELOG.md 和 COMPARABILITY_REPORT.md，说明候选方案的科学意义和比较边界。

排名与证据

• 执行前，依据预期收益、成本、成功概率、补丁范围、依赖负担、评估风险和回滚难易度对候选项排序。
• 执行后，优先依据实际证据排序：命令状态、观察到的指标、产物、变更路径、冒烟测试结果和可复现性说明。
• 在整个研究活动中，保持研究者提供的 evaluation_source 和 sota_reference 不变；不要声称它们在全局范围内完整无缺。
• 如果排名靠前的想法差异太小，或实现无法拆分为可审计的单元，应暂停并设置检查点，而不是悄然做出选择。

研究活动输入

research_campaign 是 Rigor Explore 研究活动的首选，但应保持精简。持久化的核心字段包括：

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

将 candidate_ideas、variant_spec、research_lookup、idea_policy、idea_generation、source_constraints、feasibility_policy、baseline_gate 和 execution_policy 作为可选指导，而非要求 Agent 在每个研究活动中都填写的字段。高级模式和产物要求请参阅 references/research-campaign-spec.md。

加载参考资料

• 加载 references/ai-research-explore-policy.md，了解流程安全性和候选项语义。
• 仅当存在研究活动文件，或用户要求遵循 Rigor Explore 研究活动治理规则时，才加载 references/research-campaign-spec.md。
• 加载 ../ai-research-reproduction/references/explore-variant-spec.md，了解运行级变体矩阵的详情。
• 在提出或排列候选变更之前，加载 ../ai-research-reproduction/references/research-thinking-loop.md；该文件规定了观察、落地、设计和比较的贪心循环。
• 在对新颖性、贡献、SOTA 或可比性做出陈述之前，加载 ../ai-research-reproduction/references/research-rigor-principles.md。
• 如果 ~/.rigorpilot/PERSONAL_RIGOR.md 存在，请参阅该文件，并遵循 ../ai-research-reproduction/references/continuous-learning-policy.md（仅供参考；核心规则优先）。
• 当训练、评估、基线、消融、指标、检查点或数据集详情至关重要时，加载 ../ai-research-reproduction/references/deep-learning-experiment-principles.md。
• 使用 scripts/orchestrate_explore.py 和 scripts/write_outputs.py 完成现有的确定性产物工作流。