ai-research-explore

原文：🇺🇸 英文

已翻译

包含 26 个脚本

Rigor Explore兼容的skill slug，用于生成有意义且具备潜在新颖性的深度学习研究候选方案。当研究者已选定任务类别、数据集、基准、评估方法，提供了SOTA参考，且希望在`current_research`基础上仅开展候选方案探索，同时需要可审计的仓库理解、想法筛选、公平对比，以及将受控实验结果写入`explore_outputs/`时，可使用本技能。请勿将其用于以README优先的可信复现、开放式方向探索、仅代码或仅运行的窄范围探索、被动仓库分析、已验证的新颖性声明或隐式实验。

311.1k次下载

来源lllllllama/rigorpilot-skills

添加于2026-05-27

NPX安装

npx skill4agent add lllllllama/rigorpilot-skills ai-research-explore

SKILL.md 内容（中文）

查看翻译对照 →

ai-research-explore

用途

当研究者明确授权在稳定的

current_research

锚点基础上仅开展候选方案相关工作时，可将此作为Rigor Explore兼容的skill slug使用。为保证兼容性，已安装的slug仍为

ai-research-explore

。Rigor Explore用于生成有意义且具备潜在新颖性的深度学习研究候选方案，同时保留科研严谨性、可比性、可复现性及可审计的协作性。在完成文献对比、消融实验证据收集及公平对比前，新颖性与重要性均仅为假设。本技能不承诺自主发现、全局基准完整性、新颖性证明或可信复现成功。

先从

../../references/agent-operating-principles.md

中的共享操作原则入手，当涉及研究声明时加载

../../references/research-rigor-principles.md

，当实验细节影响可比性或可复现性时加载

../../references/deep-learning-experiment-principles.md

。

适用场景

仅当请求同时满足以下两个条件时，方可使用本技能：

明确的探索授权，例如仅候选方案工作、隔离分支或工作树、参数扫描、多种变体或探索性排名。
稳定的
```
current_research
```
上下文，例如分支、提交记录、检查点、运行记录或已训练完成的本地模型状态。

纯代码类窄范围请求请使用

explore-code

。纯运行类窄范围请求请使用

explore-run

。被动仓库分析请使用

analyze-project

。以README优先的复现工作请使用

ai-research-reproduction

。

研究节奏

采用双循环节奏：

外循环：理解仓库内容，确定任务/数据集/评估/预算，保留用户想法，梳理来源，筛选想法，判断是否值得开展下一轮实验。
内循环：进行一次有边界的候选方案修改或运行，进行冒烟测试，收集证据，与当前锚点对比排名，之后要么停止，要么带着新证据回到外循环。

该节奏为指导框架，而非僵化的自主循环。遇到明确障碍、科学意义模糊、预算耗尽、锚点/评估缺失或人工检查点时，需停止操作。

工作流程

确认
```
current_research
```
及明确的探索通道授权。
接受传统的
```
variant_spec
```
或更高层级的
```
research_campaign
```
。
在活动模式下，开展候选方案工作前，先确定任务、数据集、基准、评估来源、SOTA参考及预算。
仅构建当前活动所需的仓库理解工件，通常通过
```
analyze-project
```
完成。
当来源支持至关重要时，执行有边界、缓存优先的来源查找；若有可用的本地整理文献（如Zotero）则优先使用，其次是种子来源、仓库本地定位器、公共定位器或可选的网络查找。将查找视为来源解析，而非开放式文献搜索。
保留研究者提供的想法，可选择性添加少量有边界的单变量种子想法，并通过明确的筛选规则和得分细分对想法进行排名。
优先一次聚焦一个清晰的候选方案。使用
```
explore-code
```
进行有边界的代码适配，使用
```
explore-run
```
进行短周期试验或参数扫描。
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
```
。
将仅候选方案相关的输出酌情写入
```
analysis_outputs/
```
、
```
sources/
```
和
```
explore_outputs/
```
；切勿将探索性成果表述为可信复现成功。需包含
```
SCIENTIFIC_CHANGELOG.md
```
和
```
COMPARABILITY_REPORT.md
```
，用于说明候选方案的科学意义及对比边界。

排名与证据

执行前，根据预期收益、成本、成功可能性、修改范围、依赖影响、评估风险及回滚难度对候选方案进行优先级排序。
执行后，优先依据真实证据进行排名：命令状态、观测指标、工件、变更路径、冒烟测试结果及可复现性说明。
活动期间保持研究者提供的
```
evaluation_source
```
和
```
sota_reference
```
不变；不得声称其具备全局完整性。
若排名靠前的想法差距过小，或实现无法分解为可审计单元，则需停止操作等待人工检查，而非自行选择。

研究活动输入

Rigor Explore活动优先使用

research_campaign

，但需保持精简。其核心稳定内容包括：

```
current_research
```
```
task_family
```
```
dataset
```
```
benchmark
```
```
evaluation_source
```
```
sota_reference
```
```
compute_budget
```

可将

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，而非要求代理为每个活动都填写的字段。如需了解高级 Schema 和工件要求，请查看

references/research-campaign-spec.md

。

参考文档加载

加载
```
references/ai-research-explore-policy.md
```
以了解通道安全规则及候选方案语义。
仅当存在活动文件或用户要求对Rigor Explore活动进行管控时，才加载
```
references/research-campaign-spec.md
```
。
加载
```
../../references/explore-variant-spec.md
```
以了解运行级变体矩阵细节。
在发表新颖性、贡献、SOTA或可比性声明前，加载
```
../../references/research-rigor-principles.md
```
。
当训练、评估、基准、消融实验、指标、检查点或数据集细节至关重要时，加载
```
../../references/deep-learning-experiment-principles.md
```
。

使用

scripts/orchestrate_explore.py

和

scripts/write_outputs.py

执行现有的确定性工件工作流。

ai-research-explore

NPX安装

标签

SKILL.md 内容（中文）

ai-research-explore

用途

适用场景

研究节奏

工作流程

排名与证据

研究活动输入

参考文档加载