Agentskillz Logo

lllllllama/rigorpilot-skills / safe-debug

safe-debug

Установки
310,524
Автор
lllllllama/rigorpilot-skills
Источник
github.com/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.

Установить скилл

npx skills add https://github.com/lllllllama/rigorpilot-skills --skill safe-debug

Аудит безопасности

Gen Agent Trust Hub

pass

The skill is a safe and conservative debugging tool designed for deep learning research. it focuses on error diagnosis and root-cause analysis without performing automatic code modifications or network operations. it strictly enforces human-in-the-loop approval for any proposed fixes.

Audited: 5/29/2026, 7:59:46 PM

Socket

pass

No alerts

Audited: 5/29/2026, 8:00:00 PM

Snyk

pass

Risk: LOW · No issues

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

Промпт скилла

safe-debug

Use this as the Rigor Debug / Rigor Audit skill. The installed slug remains safe-debug for compatibility.

Use the shared operating principles in ../../references/agent-operating-principles.md; this skill should guide conservative diagnosis without blocking the model from finding the local root cause.

When to apply

  • The user provides a traceback, terminal error, or concrete training or inference failure symptom.
  • The user wants diagnosis, root-cause narrowing, and minimal patch suggestions before code is changed.
  • The user wants a safe debug flow with explicit human approval before mutation.

When not to apply

  • When the user wants a broad repository walkthrough without an active failure.
  • When the task is speculative experimentation or code adaptation.
  • When the user is asking for a large refactor or readability rewrite.

Clear boundaries

  • Diagnose first.
  • Do not modify repository code by default.
  • If a patch is needed, propose the smallest fix and require explicit approval first.
  • Escalate savepoint or branch creation before medium-risk or high-risk changes.
  • A debug fix is not automatically a research contribution; if it changes experiment meaning or comparability, say so explicitly.

Output expectations

  • debug_outputs/DIAGNOSIS.md
  • debug_outputs/PATCH_PLAN.md
  • debug_outputs/status.json

Notes

Use references/debug-policy.md, ../../references/research-rigor-principles.md, and the shared ../../references/research-pitfall-checklist.md.

Все файлы скилла

Другие скиллы автора

paper-context-resolver

450,799 установок

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

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.

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.