run-train

Rigor Train skill for deep learning research repositories. Use when a documented or selected training command should be run conservatively for startup verification, short-run verification, full kickoff, or resume, with command, config, seed, log, checkpoint, status, and metric evidence written to standardized `train_outputs/`. Do not use for environment setup, exploratory sweeps, speculative idea implementation, or end-to-end orchestration.

npx skills add https://github.com/lllllllama/rigorpilot-skills --skill run-train

Télécharger ZIP GitHub

run-train

Use this as the Rigor Train skill. The installed slug remains run-train for compatibility.

Use the shared operating principles in ../../references/agent-operating-principles.md; this skill should keep training evidence bounded while leaving repository-specific monitoring details to the model.

When to apply

When the training command has already been selected and should be executed conservatively.
When the researcher wants startup verification, short-run verification, full training kickoff, or resume handling.
When the run needs structured training status, checkpoint, and metric reporting.

When not to apply

When the main task is environment setup or asset download.
When the researcher wants inference-only or evaluation-only execution.
When the task is speculative exploration, multi-variant sweeps, or autonomous idea implementation.
When the user still needs repository intake or paper gap resolution.

Clear boundaries

This skill executes a selected training command and normalizes the resulting evidence.
It does not choose the overall research goal on its own.
It does not own exploratory branching or speculative code adaptation.
It should record partial, blocked, resumed, and kicked-off states clearly.
It should preserve reproducibility context such as configs, seeds, checkpoints, logs, metrics, and runtime assumptions when available.

Input expectations

selected training goal
runnable training command
environment and asset assumptions
run mode such as startup verification, short-run verification, full kickoff, or resume

Output expectations

train_outputs/SUMMARY.md
train_outputs/COMMANDS.md
train_outputs/LOG.md
train_outputs/SCIENTIFIC_CHANGELOG.md
train_outputs/COMPARABILITY_REPORT.md
train_outputs/status.json

Notes

Use references/training-policy.md, ../../references/deep-learning-experiment-principles.md, scripts/run_training.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

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...

developmentresearchcode-review

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