mcpField
R
run-train

run-train

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

关于 run-train

run-train 是 Rigor Train 技能，用于保守地执行已选定的训练命令，并将结果整理为结构化的训练证据。它面向需要启动验证、短程验证、完整训练或断点续训的研究人员。

主要功能

  1. 01执行已选定的训练命令
  2. 02支持启动验证、短程验证、完整训练与续训
  3. 03记录部分完成、阻塞、续训等状态
  4. 04输出检查点、指标与日志等结构化证据
  5. 05保留配置、随机种子与运行时假设

适用场景

  1. 01对已选定的训练命令进行启动或短程验证
  2. 02启动完整训练并生成状态与指标报告
  3. 03从已有检查点恢复中断的训练

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 run-train

安装后在 Claude Code 中输入/run-train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/
training-policy.md
scripts/
run_training.py
write_outputs.py

详细介绍

run-train

将此技能用作 Rigor Train。为保持兼容，安装后的 slug 仍为 run-train。

遵循 ../ai-research-reproduction/references/agent-operating-principles.md 中的通用操作原则；此技能应对训练证据进行限定，同时将仓库特定的监控细节留给模型处理。

适用场景

  • 已选定训练命令，需要谨慎执行时。
  • 研究人员需要进行启动验证、短时运行验证、全面训练启动或恢复训练时。
  • 运行需要结构化的训练状态、检查点和指标报告时。

不适用场景

  • 主要任务是环境配置或资源下载时。
  • 研究人员需要仅执行推理或仅执行评估时。
  • 任务涉及推测性探索、多变体扫描或自主实现想法时。
  • 用户仍需要进行仓库初步检查或解决论文差距时。

明确边界

  • 此技能负责执行选定的训练命令，并规范化生成的证据。
  • 它不会自行选择总体研究目标。
  • 它不负责探索性分支或推测性代码适配。
  • 应清楚记录部分完成、受阻、已恢复和已启动等状态。
  • 在可用时，应保留配置、种子、检查点、日志、指标和运行时假设等可复现性上下文。

输入要求

  • 已选定的训练目标
  • 可运行的训练命令
  • 环境和资源假设
  • 运行模式，例如启动验证、短时运行验证、全面启动或恢复训练

输出要求

  • 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

说明

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

评论

支持 Markdown