Agentskillz Logo

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

pass

The 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

pass

No alerts

Audited: 5/29/2026, 7:59:59 PM

Snyk

warn

Risk: 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

Другие скиллы автора

repo-intake-and-plan

450,035 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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 установок

lllllllama/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.