ai-research-explore

深層学習リポジトリは、変更を加える前に理解するのが困難です。このスキルはコードを変更せずに、エントリポイント、設定、評価経路、レビュー上のリスクを整理します。

AI の再現作業は、コマンドやエントリーポイントが不明確だと停滞しがちです。このスキルはリポジトリ内のエビデンスを調査し、保守的な再現計画を返します。

研究リポジトリでは、実行前に環境とアセットの慎重なセットアップが必要になることがよくあります。このスキルは、保守的な conda 優先の計画、キャッシュに関する前提、セットアップメモを作成します。

トレーニングの失敗は、根本原因が明らかになる前にエージェントをリスクのあるパッチ適用へ進ませる可能性があります。このスキルは、保守的な診断、セーブポイント計画、承認に基づく修正をガイドします。

研究チームには、信頼済みベースラインを汚染しない探索的実行が必要です。このスキルは、範囲を限定したバリアントスイープを計画し、候補をランク付けし、結果を限定的な根拠として位置づけます。

AIリポジトリの再現は、READMEファイルに重要な論文の詳細が1つ欠けているだけで行き詰まることがよくあります。このスキルは、問いを絞り込み、主要な論文ソースを確認し、READMEの指針を置き換えることなく矛盾を記録します。

研究者は観察結果を明確で検証可能な説明へと変換する必要があります。このスキルは、エビデンスレビュー、競合する仮説、予測、実験計画を構造化します。

複雑なWeb調査は散漫になり、検証が難しくなることがあります。このスキルはサブトピックを計画し、検索を委任し、引用付きの調査結果を明確な回答に統合します。

複雑なプロジェクトは、チームが仮定に基づいて計画し、既知のリスクを見落とすことで失敗します。このスキルは、実装前の証拠収集、タスク計画、プレモーテムレビューをガイドします。

モデル安全性チームには、prefill が exploit behavior をより起こりやすくするタイミングについて、再現可能な証拠が必要です。このスキルは Claude、Codex、Claude Code に trajectory と logprob analysis の手順を案内します。

データサイエンスプロジェクトでは、明確な実験計画や評価チェックが不足しがちです。このスキルは、実験、特徴量、モデル、分析上の意思決定に対して構造化されたガイダンスを提供します。

PyTorchプロジェクトは、一貫してトレーニングしスケールさせることが難しくなる場合があります。このスキルは、LightningModules、trainers、data modules、callbacks、logging、distributed trainingをガイドします。