mcpField
E
experiment-code

experiment-code

github.com/lingzhi227开发4401.6k 次安装35 周前更新
代码仓库

关于 experiment-code

experiment-code 是用于生成、改进、调试和绘制机器学习实验代码的研究技能。它涵盖实验规划、可复现运行、结果记录及对比图表生成。

主要功能

  1. 01生成实验脚本
  2. 02改进现有实验代码
  3. 03诊断并修复代码错误
  4. 04根据运行结果绘制对比图
  5. 05记录指标并整理实验结果

适用场景

  1. 01根据研究计划生成实验代码
  2. 02依据结果调整实验
  3. 03调试运行失败的实验
  4. 04可视化多次运行的指标

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lingzhi227/agent-research-skills --skill experiment-code

安装后在 Claude Code 中输入/experiment-code确认已加载。

附带文件references/code-patterns.mdreferences/experiment-prompts.md

详细介绍

实验代码

为研究论文生成并迭代改进机器学习实验代码。

输入

  • $0 — 任务：generate、improve、debug、plot
  • $1 — 研究计划、想法描述或错误消息

参考资料

  • 实验提示词和模式：~/.claude/skills/experiment-code/references/experiment-prompts.md
  • 代码模式（错误处理、修复、爬山法）：~/.claude/skills/experiment-code/references/code-patterns.md

操作：generate

按照以下结构生成初始实验代码：

  1. 先规划实验 — 列出所需的所有运行（超参数扫描、消融实验、基线）
  2. 编写自包含代码 — 所有代码都放在项目目录中，不从参考仓库导入外部内容
  3. 包含适当的日志记录 — 将结果保存为 JSON，并打印中间指标
  4. 生成图表 — 至少生成 Figure_1.png 和 Figure_2.png
强制结构
project/
├── experiment.py      # Main experiment script
├── plot.py            # Visualization script
├── notes.txt          # Experiment descriptions and results
├── run_1/             # Results from run 1
│   └── final_info.json
├── run_2/
└── ...
限制
  • 不得使用占位代码（pass、...、raise NotImplementedError）
  • 必须使用真实数据集（除非明确要求，否则不得使用玩具数据）
  • 优先使用 PyTorch 或 scikit-learn（不得使用 TensorFlow/Keras）
  • 每次运行均使用：python experiment.py --out_dir=run_i

操作：improve

改进现有实验代码：

  1. 阅读当前代码和结果
  2. 总结哪些方法有效，哪些无效
  3. 进行有针对性的修改（优先小幅修改，而非完全重写）
  4. 重新运行并比较分数
  5. 保留表现最佳的代码版本

操作：debug

修复实验代码错误：

  1. 阅读错误消息（如果过长，截取最后 1500 个字符）
  2. 找出根本原因
  3. 进行最小幅度的修复
  4. 更改方法前最多重试 4 次

操作：plot

根据实验结果生成适用于发表的高质量图表：

  1. 读取所有 run_*/final_info.json 文件
  2. 生成标签恰当的对比图
  3. 使用图表生成技能进行样式设计

规则

  • 编写代码前始终先规划实验
  • 每次运行后，将结果记录在 notes.txt 中
  • 添加打印语句，说明结果所反映的内容
  • 方法的准确率绝不能为 0%——请验证准确率计算
  • 使用随机种子确保结果可复现
  • 每个实验开始前，都要添加打印语句，准确说明该实验旨在展示什么

相关技能

评论

支持 Markdown