lllllllama/rigorpilot-skills / paper-context-resolver
paper-context-resolver
- Установки
- 450,799
- Автор
- lllllllama/rigorpilot-skills
Скилл помогает воспроизводить deep learning репозитории, когда README и файлы оставляют пробелы в ключевых деталях: сплиты данных, препроцессинг, протокол оценки, маппинг чекпоинтов или допущения времени выполнения. Он извлекает из первоисточников точные ответы на конкретные вопросы воспроизведения и фиксирует конфликты между README и статьёй. Применяется только при наличии узкого пробела и конкретного
Установить скилл
npx skills add https://github.com/lllllllama/rigorpilot-skills --skill paper-context-resolver
Аудит безопасности
Gen Agent Trust Hub
passThe skill consists of instructional documentation and configuration for academic research support. It does not contain any executable code, scripts, or network operations beyond information retrieval from standard research databases.
Audited: 5/29/2026, 7:59:38 PM
Socket
passNo alerts
Audited: 5/29/2026, 7:59:59 PM
Snyk
warnRisk: MEDIUM · 1 issue
Audited: 5/29/2026, 7:59:24 PM
Промпт скилла
paper-context-resolver
Use this as the Rigor Paper Context helper. The installed slug remains
paper-context-resolver for compatibility.
When to apply
- README and repo files leave a reproduction-critical gap.
- The gap concerns dataset version, split, preprocessing, evaluation protocol, checkpoint mapping, or runtime assumptions.
- The main skill needs a narrow evidence supplement instead of a full paper summary.
- There is already a concrete reproduction question to answer.
When not to apply
- The README already gives enough reproduction detail.
- The user wants a general paper explanation rather than reproduction support.
- The goal is to override README instructions without documenting the conflict.
- The only available input is a paper title and there is no concrete reproduction gap yet.
Clear boundaries
- This skill is optional.
- This skill is helper-tier and should usually be orchestrator-invoked.
- It supplements README-first reproduction.
- It does not replace the main orchestration flow.
- It does not summarize the whole paper by default.
Input expectations
- target repo metadata
- reproduction-critical question
- existing README or repo evidence
- any already known paper links
Output expectations
- narrowed source list
- reproduction-relevant answer only
- explicit README-paper conflict note when applicable
- clear distinction between direct evidence and inference
Notes
Use references/paper-assisted-reproduction.md.
Все файлы скилла
- agents/openai.yaml
- references/paper-assisted-reproduction.md
- SKILL.md
Другие скиллы автора
repo-intake-and-plan
450,035 установокlllllllama/rigorpilot-skills
Сканирует репозиторий и читает README с ключевыми файлами проекта, извлекает задокументированные команды и классифицирует их по категориям: инференс, оценка, обучение. Формирует минимальный надёжный план воспроизведения с оценкой рисков и неоднозначностей, не выполняя сами команды и не настраивая окружение.
minimal-run-and-audit
449,948 установокlllllllama/rigorpilot-skills
Скилл запускает выбранные проверочные команды (смоук-тесты, инференс, оценку) и оформляет стандартизированные отчёты в repro_outputs/, включая описание изменений и сравнение с заявленными результатами. Помогает быстро зафиксировать доказательства воспроизводимости репозитория, отделяя подтверждённые результаты от частичных или заблокированных.
env-and-assets-bootstrap
449,932 установокlllllllama/rigorpilot-skills
Готовит окружение и ресурсы для воспроизведения deep learning репозиториев по README: создаёт консервативное conda-окружение, планирует пути для чекпоинтов, датасетов и кэша, формирует команды установки и заметки по настройке до первого запуска. Помогает избежать ошибок с зависимостями и отсутствующими ассетами.
ai-research-explore
311,092 установокlllllllama/rigorpilot-skills
Скилл для структурированного исследования глубокого обучения: помогает выдвигать и проверять осмысленные экспериментальные гипотезы на основе зафиксированного контекста — задачи, датасета, бенчмарка и SOTA. Обеспечивает научную строгость: аудит кода, честное сравнение с базовыми результатами, управляемые эксперименты и понятные отчёты. Полезен, когда нужно исследовать несколько вариантов, не теряя воспроизводимости и прозрачности.
analyze-project
310,915 установокlllllllama/rigorpilot-skills
Навык для чтения и анализа репозиториев глубокого обучения: помогает понять структуру модели, точки входа для обучения и инференса, выявить потенциальные риски и подозрительные паттерны. Выполняет только просмотр кода, ничего не изменяя, и выдаёт сводку, список рисков и статус проекта. Полезен перед внесением изменений или для быстрого ознакомления с чужой кодовой базой.
explore-code
310,577 установокlllllllama/rigorpilot-skills
Навык для безопасного экспериментирования с кодом в исследовательских ML-проектах: позволяет вносить изолированные изменения (адаптация архитектур, добавление LoRA-слоёв, замена модулей) на отдельной ветке без риска для основного кода. Автоматически ведёт журнал изменений, фиксирует результаты экспериментов и формирует отчёты о применимости и возможности отката.
safe-debug
310,524 установокlllllllama/rigorpilot-skills
Скилл для безопасной отладки в исследовательских проектах: помогает диагностировать ошибки (traceback, CUDA OOM, NaN loss и др.), сужать причину и предлагать минимальные исправления только после явного одобрения. Не вносит изменения в код по умолчанию, разделяет отладочные правки и исследовательские модификации, формирует отчёт о диагнозе и плане патча.
run-train
310,428 установокlllllllama/rigorpilot-skills
Навык для запуска обучения моделей в исследовательских проектах. Помогает выполнить проверку, короткий или полный запуск обучения, а также возобновить прерванный процесс. Собирает метрики, статусы и сохраняет результаты в стандартные файлы для последующего анализа.
explore-run
310,416 установокlllllllama/rigorpilot-skills
Планирует и проводит ограниченные исследовательские запуски в deep learning-проектах: быстрые проверки на малых подвыборках, короткие тренировочные пробы, перебор вариантов и поиск по простаивающим GPU. Помогает ранжировать кандидатов по стоимости, успешности и ожидаемому выигрышу, изолируя эксперименты от доверенных бейзлайнов и честно фиксируя ограничения сравнений.