技能解析
何时触发 · 如何工作 · 产出什么
剖析技能的工作原理和产出物，快速判断你的场景与价值。
触发时机
当研究者明确授权在持久的 current_research 锚点（分支/提交/检查点）之上进行仅候选探索，且已选定任务族、数据集、基准、评估方式与 SOTA 参考时。
工作机理
- 双循环节奏：外循环冻结上下文并门控想法；内循环做单次有界候选改动/运行并排序证据。
- 使用脚本（orchestrate_explore.py、write_outputs.py）与参考策略；代码/运行委托给 explore-code/explore-run。
- 将可审计输出写入 explore_outputs/，含变更日志与可比性报告。
产生结果
带明确门控的候选想法、按证据排序的结果、公平比较说明与受管实验记录——非可信复现或新颖性证明。
使用场景
两种典型用法
场景 01
本地模型上的 LoRA 变体探索
深度学习研究者已有本地训练模型，想在隔离分支上探索 LoRA 变体。他们用 ai-research-explore 冻结数据集/基准/SOTA，生成带排序的候选想法，将代码适配委托 explore-code、短试验委托 explore-run，随后在 explore_outputs/ 收集证据与可比性报告。这避免了无控改动，保持探索可审计。
场景 02
受管 campaign 候选搜索
某团队以固定任务族与算力预算开展研究 campaign。使用 ai-research-explore 映射来源、保留人工想法、按成本/收益门控候选，并通过 explore-run 做有界扫描。技能写出 SCIENTIFIC_CHANGELOG 与 COMPARABILITY_REPORT，实现对照冻结 SOTA 的公平比较且不夸大新颖性。它以严谨结构化管理协作候选搜索。
技能关系
我用了哪些 Skills · 哪些 skills 用了我
依赖关系读作「上一格指向下一格」。当前 Skill 位于第二格，上下分别是影响它与被它影响的 Skill。
第一层 · 这些 Skills 用了我
第二层 · 当前 Skill
- ai-research-exploreWorkflow
第三层 · 我用了这些 Skills
完整关系图
在所属技能集的全局上下文中浏览当前 Skill 的关系。点击节点切换右侧详情,搜索框可快速定位技能。