mcpField
E
explore-run

explore-run

github.com/lllllllama安全486339.2k 次安装5 周前更新
代码仓库

关于 explore-run

explore-run 是 Rigor Improve / Rigor Explore 的叶子技能，用于在研究人员明确授权后规划并总结探索性运行。它对候选运行进行排序，而非确认可信的成功结果。

主要功能

  1. 01规划探索性运行的候选变体
  2. 02按成本、成功率与预期收益进行排序
  3. 03支持小子集与短周期训练探针
  4. 04依据预算进行剪枝
  5. 05将结果标注为有限证据并隔离于可信基线

适用场景

  1. 01在小子集上进行快速验证
  2. 02比较多组变体并给出候选运行排名
  3. 03在空闲 GPU 上进行探索性搜索或迁移学习试验

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lllllllama/rigorpilot-skills --skill explore-run

安装后在 Claude Code 中输入/explore-run确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

agents/
openai.yaml
references/
execution-policy.md
scripts/
plan_variants.py
write_outputs.py

详细介绍

explore-run

将此项用作 Rigor Improve / Rigor Explore 的运行叶技能。为保持兼容，已安装的 slug 仍为 explore-run。

使用 ../ai-research-reproduction/references/agent-operating-principles.md 中的共享操作原则；此技能应指导 候选运行规划，同时保留模型对当前仓库的判断。

适用情况

  • 研究人员明确授权进行探索性运行时。
  • 任务涉及小规模子集验证、短周期训练探测、批量扫描、空闲 GPU 搜索或快速迁移学习试验时。
  • 输出应对候选运行进行排序，而非认证可信的成功结果时。

不适用情况

  • 用户需要可信的训练执行或保守验证时。
  • 未明确授权进行探索时。
  • 任务涉及仓库设置、接收或调试时。

明确边界

  • 此技能仅负责探索性执行规划和总结。
  • 任务同时涉及 current_research 协调和探索性代码更改时，改用 ai-research-explore。
  • 实际命令执行可交由 minimal-run-and-audit 或 run-train。
  • 实验状态应与可信基线隔离。
  • 较重的探索性运行之前，应优先进行小规模子集和短周期检查。
  • 应将运行结果标注为有限证据，并说明比较何时不具备直接公平性。

排序语义

  • 执行前的候选选择使用三个因素：cost、success_rate 和 expected_gain。
  • 除非研究人员明确提供 selection_weights，否则默认权重应保持保守。
  • 评分后仍通过 max_variants 和 max_short_cycle_runs 执行预算剪枝。
  • 如果之后执行了运行，下游排序应改用实际执行证据，而非继续完全依赖启发式方法。

变体规范提示

  • 使用 variant_axes 定义候选维度网格。
  • 使用 subset_sizes 和 short_run_steps 表示探索性运行规模。
  • 使用 selection_weights 重新平衡 cost、success_rate 和 expected_gain。
  • 使用 primary_metric 和 metric_goal，以便下游对已执行的候选项进行一致排序。

输出预期

  • explore_outputs/CHANGESET.md
  • explore_outputs/SCIENTIFIC_CHANGELOG.md
  • explore_outputs/COMPARABILITY_REPORT.md
  • explore_outputs/TOP_RUNS.md
  • explore_outputs/status.json

备注

使用 references/execution-policy.md、../ai-research-reproduction/references/explore-variant-spec.md、../ai-research-reproduction/references/deep-learning-experiment-principles.md、scripts/plan_variants.py 和 scripts/write_outputs.py。

评论

支持 Markdown