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

Télécharger 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.

Plus de 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

Compétence en lecture seule Rigor Analyze / Rigor Audit pour les dépôts de recherche en deep learning. À utiliser lorsque l'utilisateur souhaite lire et comprendre un dépôt, inspecter la structure du modèle et les points d'entrée d'entraînement ou d'inférence, examiner les configurations et les points d'insertion, ou signaler des schémas d'implémentation suspects sans modifier le code ni exécuter de tâches lourdes. Ne pas utiliser pour l'exécution active de commandes, le refactoring large, l'adaptation spéculative de code ou la correction automatique de bugs.

developmentcode-reviewresearch

ai-research-reproduction

Orchestrateur en mode reproduction de RigorPilot pour la reproduction de dépôts d'apprentissage profond avec approche README-first. À utiliser lorsque l'utilisateur souhaite un flux de bout en bout minimal et fiable qui lit d'abord le dépôt, sélectionne la plus petite cible d'inférence ou d'évaluation documentée, coordonne la prise en charge, la configuration, l'exécution de confiance, l'entraînement de confiance optionnel, l'analyse de dépôt optionnelle et la résolution optionnelle des lacunes documentaires, applique des règles de correctif conservatrices, enregistre les preuves, les hypothèses, les écarts et les points de décision humaine,...

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

Compétence de configuration Rigor pour la reproduction d’un dépôt d’apprentissage profond prioritaire sur README. À utiliser lorsque la tâche consiste spécifiquement à préparer un environnement conda-first conservateur, des hypothèses de chemins de points de contrôle et de jeux de données, des indications d’emplacement de cache et des notes de configuration avant toute exécution sur un dépôt documenté par README. Ne pas utiliser pour l’analyse de dépôt, l’orchestration complète, l’interprétation d’articles, le rapport d’exécution final ou la configuration générique d’environnement non liée à une cible de reproduction spécifique.

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

Compétence de débogage rigoureux / audit rigoureux pour les travaux de recherche en deep learning. À utiliser lorsque l'utilisateur colle un traceback, une erreur de terminal, une OOM CUDA, un échec de chargement de checkpoint, une incompatibilité de forme, un symptôme de perte NaN ou un échec d'entraînement et souhaite un diagnostic conservateur avant toute correction, avec des correctifs de débogage clairement séparés des contributions de recherche. Ne pas utiliser pour un refactoring large, une adaptation spéculative, un patching exploratoire automatique ou une familiarisation générale avec le dépôt.

developmenttestingcode-review

paper-context-resolver

Assistant contextuel Rigor Paper pour la reproduction de dépôts deep learning à lecture prioritaire du README. Utiliser uniquement lorsque le README et les fichiers du dépôt laissent un écart étroit et critique pour la reproduction, et que la tâche consiste à résoudre un détail spécifique d’un article tel que la division des ensembles de données, le prétraitement, le protocole d’évaluation, le mappage des points de contrôle ou une hypothèse d’exécution à partir des sources primaires de l’article, tout en enregistrant les conflits. Ne pas utiliser pour un résumé général d’article, une analyse de dépôt, une configuration d’environnement, une exécution de commande, une recherche d’article par titre uniquement, ou...

researchdocumentdata-analysis