minimal-run-and-auditзапуск и аудит AI-репозитория
lllllllama/ai-paper-reproduction-skill
Когда команда для запуска уже найдена — выполняет её, фиксирует доказательства работы и проводит аудит результатов AI-исследовательского репозитория.
Установка
npx -y skills add lllllllama/ai-paper-reproduction-skill --skill minimal-run-and-audit --agent claude-codeMinimal Run and Audit
Скилл Rigor Run для воспроизведения репозиториев глубокого обучения в подходе README-first. Используйте когда задача — зафиксировать или нормализовать результаты выбранного smoke-теста или задокументированной команды вывода/оценки и записать стандартизированные файлы в repro_outputs/, включая заметки о патчах при изменении файлов репозитория.
Когда применять
- После того как цель воспроизведения и план настройки определены.
- Когда основному скиллу нужны доказательства выполнения и нормализованные выводы.
- Когда уместен smoke-тест, задокументированный inference-запуск, запуск оценки или другая короткая нетренировочная верификация.
- Когда пользователь уже знает, какую команду нужно выполнить, и хочет только выполнение и отчётность.
Когда не применять
- На этапе первичного сканирования репозитория.
- Когда среда или ресурсы недостаточно определены для осмысленного выполнения.
- Когда задача — поиск литературы, а не выполнение репозитория.
- Когда пользователь ещё выбирает цель воспроизведения.
Чёткие границы
- Этот скилл управляет нормализованной отчётностью по попытке выполнения команды.
- Он не выбирает общую цель самостоятельно.
- Он не выполняет широкий анализ статей.
- Он не управляет запуском обучения, его возобновлением или длительным тренировочным процессом.
- Он не должен нормализовывать рискованные правки кода как приемлемую практику.
- Он не должен скрывать изменения, затрагивающие оценку, предобработку, чекпоинты, метрики или другой научный смысл.
Ожидаемые входные данные
- выбранная цель воспроизведения
- исполняемые или smoke-команды
- предположения о среде и ресурсах
- опциональные метаданные патчей
Ожидаемые выходные данные
- сводка результатов выполнения
- стандартизированные файлы в
repro_outputs/ SCIENTIFIC_CHANGELOG.md— при изменении научного смысла и статуса доказательствCOMPARABILITY_REPORT.md— сопоставимость с README/статьёй/базовыми показателями- чёткое разграничение подтверждённых, частичных и заблокированных состояний
PATCHES.md— при изменении файлов репозитория
Из того же репозитория
paper-context-resolver — контекст при воспроизведении AI-статей
lllllllama/ai-paper-reproduction-skill
При воспроизведении AI-статьи из GitHub репозитория — разрешает узкие технические вопросы, которые README не освещает. Точечные ответы без лишнего контекста.
env-and-assets-bootstrap — настройка окружения для AI-репозитория
lllllllama/ai-paper-reproduction-skill
Настраивает окружение для воспроизведения AI-исследовательского репозитория: зависимости, активы и конфигурация до запуска любого кода.
repo-intake-and-plan — анализ и план воспроизведения репозитория
lllllllama/ai-paper-reproduction-skill
Первичный анализ нового репозитория: читает README, находит скрипты настройки и задокументированные команды, категоризирует задачи воспроизведения.
ai-paper-reproduction — воспроизведение AI исследований
lllllllama/ai-paper-reproduction-skill
Оркестратор воспроизведения AI исследовательских репозиториев: надёжный и аудируемый процесс.
ai-research-reproduction — воспроизведение deep learning с аудитом
lllllllama/ai-paper-reproduction-skill
Структурированный workflow для воспроизведения deep learning репозиториев с аудиторским следом.
analyze-project — понять deep learning репозиторий
lllllllama/ai-paper-reproduction-skill
Для понимания deep learning репозитория до любого изменения кода: структура и архитектура.
