repo-intake-and-plan

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。

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。

再現作業には、選択したコマンドから得られる明確な証拠が必要です。このスキルは、短い文書化済みコマンドを実行し、標準化された出力ファイルを書き出します。

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。

チームが英語と中国語の README を必要とする場合、リリースドキュメントの作成には時間がかかります。このスキルは、リポジトリのメタデータとガイド付き設定から、構造化されたバイリンガル README を生成します。

依存関係、API、セットアップ手順が変更されると、リポジトリのドキュメントは古くなりがちです。このスキルは構造と連携を分析し、README、API、アーキテクチャ、コントリビュート、連携ドキュメントの作成を支援します。

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。

コンピュータビジョンチームには、モデル、データセット、推論、デプロイに関する信頼できる指針が必要です。このスキルは、実践的なエンジニアリングチェックを通じて、本番環境のビジョンパイプラインの計画と最適化を支援します。