Loading...
Loading...
共找到 8 个 Skills
Rigor Improve / Rigor Explore 运行叶技能，用于在深度学习研究仓库中生成有限范围的探索性证据。当研究人员明确授权探索性运行时使用，例如小数据集验证、短周期试错、批量参数扫描、闲置GPU搜索或快速迁移学习试验，需在`explore_outputs/`中包含公平比较说明和不夸大的总结。请勿将其用于基于`current_research`的端到端探索编排、可信基线执行、保守训练验证、默认路由、已验证的SOTA声明或隐式实验。
工作流1：完整的想法发现流水线。将research-lit → idea-creator → novelty-check → research-review进行编排，助力从宽泛的研究方向生成经过验证、试点测试的想法。当用户说出“找idea全流程”“idea discovery pipeline”“从零开始找方向”，或需要完整的想法探索工作流时，即可使用本工作流。
将复杂问题拆解为可验证的假设。适用于验证产品想法、调试问题、规划实验，或是将模糊的挑战转化为可落地的研究方向。
用于构建包含KPI与实验内容的季度社交渠道路线图的模板系统。
运行一个串联`research-refine`和`experiment-plan`的端到端工作流。当用户需要从模糊的研究方向一步到位生成聚焦的最终提案和详细实验路线图时，或者用户要求「串起来」、构建工作流、进行端到端处理，或是同时生成方法和实验计划时，可使用本技能。
适用于在LaunchDarkly、Optimizely或类似平台中规划A/B测试。可确定实验规模（样本量、最小可检测效果MDE、运行时长），草拟假设、成功指标与防护指标，并生成启动检查清单及回滚方案。
在实现前将有前景的ML/AI研究想法转化为精准的algorithm或method设计。当用户有一个想法或项目方向，且希望在编码或实验设计前完成实际method、objective、architecture、inference procedure、假设、失效模式、ablation、implementation交接或method章节规划的设计时，即可使用该技能。
在运行实验前设计基于假设的ML/AI实验。当用户希望在使用run-experiment或撰写结果前，为论文论点规划实验、消融实验（ablation）、基准（baselines）、指标、控制变量、随机种子、日志记录、停止条件、经得起评审的证据或实验矩阵时，可使用此技能。