explore-run

explore-run

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

适用场景

• 当研究人员明确授权探索性运行时
• 任务类型为小数据集验证、短周期训练探测、批量参数扫描、闲置GPU搜索或快速迁移学习试验时
• 输出需对候选运行进行排名，而非验证可信成果时

不适用场景

• 用户需要可信训练执行或保守验证时
• 未获得明确的探索授权时
• 任务为仓库搭建、数据导入或调试时

明确边界

• 该技能仅负责探索性执行的规划与总结
• 当任务同时涉及

  current_research

  协调和探索性代码变更时，应使用

  ai-research-explore

  替代
• 可将实际命令执行移交至

  minimal-run-and-audit

  或

  run-train

• 需将实验状态与可信基线隔离
• 在进行更复杂的探索性运行前，优先选择小数据集和短周期检查
• 需将运行结果标记为有限范围证据，并说明何时无法进行直接公平比较

排名语义

• 执行前的候选选择基于三个因素：

  cost

  （成本）、

  success_rate

  （成功率）和

  expected_gain

  （预期收益）
• 默认权重需保持保守，除非研究人员明确提供

  selection_weights

• 评分后仍需通过

  max_variants

  和

  max_short_cycle_runs

  进行预算裁剪
• 若后续执行运行，下游排名应切换为实际执行证据，而非纯粹依赖启发式规则

变体规格提示

• 使用

  variant_axes

  定义候选维度网格
• 使用

  subset_sizes

  和

  short_run_steps

  表示探索性运行的规模
• 使用

  selection_weights

  重新平衡

  cost

  、

  success_rate

  和

  expected_gain

  的权重
• 使用

  primary_metric

  和

  metric_goal

  确保下游排名能一致地对已执行候选进行排序

输出要求

• explore_outputs/CHANGESET.md

• explore_outputs/SCIENTIFIC_CHANGELOG.md

• explore_outputs/COMPARABILITY_REPORT.md

• explore_outputs/TOP_RUNS.md

• explore_outputs/status.json

注意事项

references/execution-policy.md

../../references/explore-variant-spec.md

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

scripts/plan_variants.py

scripts/write_outputs.py