explore-code

Rigor Improve implementation leaf skill for auditable candidate implementation in deep learning research repositories. Use when the researcher explicitly authorizes exploratory work on an isolated branch or worktree to transplant modules, adapt a backbone, add LoRA or adapter layers, replace a head, or stitch together meaningful low-risk migration ideas with rollback-aware records in `explore_outputs/`. Do not use for end-to-end exploration orchestration on top of `current_research`, trusted...

npx skills add https://github.com/lllllllama/rigorpilot-skills --skill explore-code

Descargar ZIP GitHub

explore-code

Use this as the Rigor Improve implementation leaf skill. The installed slug remains explore-code for compatibility.

Use the shared operating principles in ../../references/agent-operating-principles.md; this skill should guide bounded candidate code work without over-prescribing implementation details.

When to apply

When the researcher explicitly authorizes exploratory code changes on an isolated branch or worktree.
When the task is source-anchored module transplant, backbone adaptation, LoRA or adapter insertion, or low-risk module combination.
When summary-level recording is sufficient and the result is a candidate, not a trusted conclusion.

When not to apply

When the request is for trusted baseline work, conservative debugging, or normal training execution.
When the user did not explicitly authorize exploratory modifications.
When the task is a broad refactor or a from-scratch idea implementation.

Clear boundaries

This skill owns exploratory code modifications only.
It must keep work isolated from the trusted baseline.
Use ai-research-explore instead when the task spans both current_research coordination and exploratory runs.
It may hand off execution to minimal-run-and-audit or run-train.
It should favor source-anchored copying and minimal adaptation over freeform rewrites.
It should record why a candidate change is meaningful, how to roll it back, and why it remains a candidate rather than a verified contribution.

Output expectations

explore_outputs/CHANGESET.md
explore_outputs/SCIENTIFIC_CHANGELOG.md
explore_outputs/COMPARABILITY_REPORT.md
explore_outputs/TOP_RUNS.md
explore_outputs/status.json

Notes

Use references/explore-policy.md, ../../references/research-rigor-principles.md, scripts/plan_code_changes.py, and scripts/write_outputs.py.

Más skills de lllllllama

ai-research-explore

Rigor Explore compatible skill slug for meaningful and potentially novel deep learning research candidates. Use when the researcher has chosen the task family, dataset, benchmark, evaluation method, provided SOTA references, and wants candidate-only exploration on top of `current_research` with auditable repo understanding, idea gating, fair comparison, and governed experiments written to `explore_outputs/`. Do not use for README-first trusted reproduction, open-ended direction finding,...

researchdata-analysisapi

analyze-project

Habilidad de solo lectura de Rigor Analyze / Rigor Audit para repositorios de investigación de aprendizaje profundo. Úsala cuando el usuario quiera leer y comprender un repositorio, inspeccionar la estructura del modelo y los puntos de entrada de entrenamiento o inferencia, revisar configuraciones y puntos de inserción, o señalar patrones de implementación sospechosos sin modificar código ni ejecutar tareas pesadas. No la uses para ejecución activa de comandos, refactorización amplia, adaptación especulativa de código o corrección automática de errores.

developmentcode-reviewresearch

ai-research-reproduction

Orquestador en modo de reproducción de RigorPilot para la reproducción de repositorios de aprendizaje profundo con enfoque README-first. Úsalo cuando el usuario desee un flujo integral y de mínima confianza que primero lea el repositorio, seleccione el objetivo de inferencia o evaluación documentado más pequeño, coordine la ingesta, configuración, ejecución confiable, entrenamiento confiable opcional, análisis de repositorio opcional y resolución opcional de brechas en el artículo, aplique reglas conservadoras de parches, registre evidencia, suposiciones, desviaciones y puntos de decisión humana,...

researchdevelopmentdocument

minimal-run-and-audit

Rigor Run skill for README-first deep learning repo reproduction. Use when the task is specifically to capture or normalize evidence from the selected smoke test or documented inference or evaluation command and write standardized `repro_outputs/` files, including patch notes when repository files changed. Do not use for training execution, initial repo intake, generic environment setup, paper lookup, target selection, hidden scientific-meaning changes, or end-to-end orchestration by itself.

developmenttestingcode-review

env-and-assets-bootstrap

Habilidad de configuración Rigor para la reproducción de repositorios de deep learning con enfoque README-first. Úsala cuando la tarea sea específicamente preparar un entorno conservador basado en conda, suposiciones de rutas de checkpoints y datasets, sugerencias de ubicación de caché y notas de configuración antes de cualquier ejecución en un repositorio documentado con README. No la uses para escaneo de repositorios, orquestación completa, interpretación de artículos, informes de ejecución final ni configuración genérica de entorno que no esté vinculada a un objetivo de reproducción específico.

developmentdevops

Rigor Improve / Rigor Explore run leaf skill for bounded exploratory evidence in deep learning research repositories. Use when the researcher explicitly authorizes exploratory runs such as small-subset validation, short-cycle guess-and-check, batch sweeps, idle-GPU search, or quick transfer-learning trials, with fair-comparison caveats and no-overclaim summaries in `explore_outputs/`. Do not use for end-to-end exploration orchestration on top of `current_research`, trusted baseline...

researchdevelopmentdata-analysis

Habilidad de Rigor Debug / Rigor Audit para trabajo de investigación en deep learning. Úsala cuando el usuario pegue un traceback, error de terminal, CUDA OOM, fallo de carga de checkpoint, desajuste de formas, síntoma de pérdida NaN o fallo de entrenamiento y desee un diagnóstico conservador antes de cualquier parche, con correcciones de depuración claramente separadas de las contribuciones de investigación. No usar para refactorización amplia, adaptación especulativa, parches exploratorios automáticos o familiarización general con el repositorio.

developmenttestingcode-review

paper-context-resolver

Ayudante de contexto de Paper Rigor para la reproducción de repositorios de deep learning con enfoque README-first. Úsese solo cuando el README y los archivos del repositorio dejen un vacío estrecho y crítico para la reproducción, y la tarea sea resolver un detalle específico del artículo, como división del conjunto de datos, preprocesamiento, protocolo de evaluación, mapeo de puntos de control o suposición de tiempo de ejecución a partir de fuentes primarias del artículo, registrando conflictos. No usar para resumen general del artículo, escaneo del repositorio, configuración del entorno, ejecución de comandos, búsqueda de artículos solo por título, o...

researchdocumentdata-analysis