run-train

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。

長時間の AI タスクでは、セッションをまたぐとコンテキストと連携が失われます。このスキルは GitHub Issues、チェックポイント、worktree を使用して状態を保持し、フェーズ移行をガイドします。

科学技術 Python チームでは、conda と PyPI パッケージにまたがる再現可能な環境が必要になることがよくあります。このスキルは、セットアップ、依存関係グループ、タスク、移行、CI のための実践的な Pixi ワークフローを提供します。

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。

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。

グラフ学習プロジェクトでは、データ、モデル、サンプリング、評価について慎重に選択する必要があります。このスキルは、PyTorch Geometricに関するガイダンス、例、テンプレート、ベンチマーク、可視化ユーティリティを提供します。

エージェントがレビューやテストを省略すると、実装計画は失敗する可能性があります。このスキルは、Claude、Codex、Claude Code がチェックポイント付きのバッチ実行を行えるように導きます。